Kursbeschreibung
Neo4j wird oft als Spezialdatenbank für Netzwerke gesehen. Für KI ist es mehr: ein Speicher für explizites Wissen, Beziehungen und Regeln, die sich abfragen, erklären und prüfen lassen. In diesem Seminar lernst Du, wie Du Neo4j so aufsetzt, dass es KI-Workflows wirklich verbessert, statt nur zusätzliche Komplexität zu erzeugen. Du entwickelst zunächst ein Graph-Mindset und leitest daraus ein Datenmodell ab, das zu typischen KI-Szenarien passt: Entitäten, Beziehungen, Ereignisse, Zeitbezug und Herkunft. Du definierst praktische Modellierungsregeln, damit Entity Linking und spätere Erweiterungen nicht im Chaos enden. Danach baust Du robuste Import- und Update-Prozesse, inklusive Datenqualitätschecks, Constraints, Indexen und Strategien für konsistente MERGE-Operationen. Cypher ist das Handwerkszeug für alles Weitere. Du lernst, Pfade und Muster so zu formulieren, dass sie fachlich korrekt und performant sind, und nutzt EXPLAIN und PROFILE, um Abfragen gezielt zu verbessern. Im Anschluss setzt Du Graph Data Science ein, um Ähnlichkeiten, Communities und zentrale Knoten zu berechnen und daraus ML-Features und Embeddings abzuleiten. Der Abschluss verbindet Knowledge Graph, Vektorsuche und LLM: Du entwirfst einen GraphRAG-Flow, der Kontext über Graph-Traversals aufbaut, Vektorsuche für semantische Nähe nutzt und Antworten mit Quellen absichert. Zusätzlich besprichst Du Sicherheits- und Betriebsfragen, damit Rollen, Rechte, Backups und Monitoring von Anfang an mitgedacht sind.
Zielgruppe
- Data Engineers und Analytics Engineers
- Machine-Learning- und KI-Engineers
- Softwareentwicklerinnen und Softwareentwickler mit Datenfokus
- Data Architects und Plattformverantwortliche
- Für alle, die Knowledge Graphs und Neo4j für RAG, Empfehlungen oder Fraud Detection einsetzen wollen
Voraussetzung für die Schulung
- Grundverständnis von Datenmodellen und Abfragen (SQL hilft, ist aber nicht Pflicht).
- Erste Berührung mit KI/ML oder LLM-Anwendungen ist hilfreich.
Kursinhalte
- Graph Thinking für KI-Anwendungsfälle
- Warum Graphen bei Kontext, Beziehungen und Erklärbarkeit gewinnen
- Use Cases: RAG mit Knowledge Graph, Empfehlungen, Fraud, Entitäten und Beziehungen
- Graph vs. Relational vs. Vektorstore: sinnvolle Kombinationen
- Neo4j Essentials: Modellierung, Import, Performance
- Property-Graph-Modell: Knoten, Beziehungen, Labels, Properties
- Datenmodellierung für KI: Ontologie-light, IDs, Zeit, Provenienz
- Import-Pipelines: CSV, APIs, ETL-Patterns und Datenqualität
- Indexe, Constraints, Cardinality und typische Performance-Fallen
- Cypher, das wirklich sitzt
- Lesen, Schreiben, Upserts: MERGE-Strategien ohne Duplikate
- Pfadabfragen, Pattern Matching und Aggregationen
- Subqueries, Parameterisierung und wiederverwendbare Query-Patterns
- Profiling: EXPLAIN/PROFILE, Query Tuning
- Graph Data Science für ML und KI
- Zentrale Algorithmen: PageRank, Community Detection, Similarity
- Feature Engineering aus Graphen: Embeddings und Nachbarschaftsmerkmale
- Train/Predict-Workflows und Evaluierung für reale Daten
- Knowledge Graph + Vektorsuche + LLM (GraphRAG)
- Entity Linking und Relationship Extraction als Datenpipeline
- Hybrid Retrieval: Graph Traversal plus Vektorähnlichkeit
- Kontextaufbau mit Quellen, Zitaten und Zugriffskontrolle
- Qualitätsmessung: Halluzinationen reduzieren, Antworten prüfen
- Betrieb, Sicherheit und Architektur
- Rollen, Rechte, Mandantenfähigkeit und sensible Daten im Graph
- Backup/Restore, Monitoring, Kapazitätsplanung
- Architekturpatterns: Event-getriebene Updates, CDC, Batch vs. Streaming
