Kursbeschreibung
Die dreitägige Qdrant-Schulung führt zu einem lauffähigen Retrieval-Baustein für RAG-Anwendungen. Du modellierst Collections für Dense- und Sparse-Vektoren, wählst die Distanzmetrik passend zum Embedding-Modell und schreibst Dokumentsegmente über die REST-API oder den Python-Client. JSON-Payloads ergänzen jedes Segment um fachliche Metadaten. Darauf bauen Filter für Mandanten, Dokumentversionen und Berechtigungen auf. Der abgerufene Kontext besteht anschließend aus dem relevanten Textsegment und den Payload-Feldern, die die Anwendung an das LLM übergeben soll.
Bei der Hybrid Search kombinierst du semantische Dense-Treffer mit Sparse-Ergebnissen für genaue Begriffe. Reale Query-Beispiele zeigen, wie sich RRF, DBSF und Score-Thresholds auf die Trefferliste auswirken. Du stellst Kandidatenmengen für einen nachgelagerten Reranker zusammen und prüfst, welche Dokumentsegmente tatsächlich im Kontextfenster landen. So entwickelst du einen Query-Flow mit API-Zugriff, Filterlogik und Fehlerbehandlung statt eines isolierten Suchprototyps.
Der Betrieb bleibt Teil der Architektur. Du sicherst Collections per Snapshot, führst einen Restore durch und wertest Latenz, Speicherbedarf sowie Indexverhalten aus. Du prüfst die Verteilung auf Shards und Replicas bei wachsenden Dokumentbeständen. In den Übungen verbindest du Entwicklung und Self-Hosting, sodass dein Team Änderungen am Datenmodell und ihre Folgen für Suche, Wiederherstellung und Skalierung beurteilen kann. Weitere technische KI-Themen findest du bei den KI-Schulungen für Entwickler und Administratoren. Die Durchführung ist bereits ab einer Person garantiert. Du arbeitest in Gruppen von zwei bis acht Personen. Frag einen passenden Termin für die Qdrant-Schulung an.
Die wichtigsten Themen im Überblick
- Qdrant-Collection für RAG aufbauen
- Dense und sparse Suche kombinieren
- Payload-Filter für Mandanten nutzen
- Reranking-Kandidaten vorbereiten
- Snapshots sichern und wiederherstellen
- Self-Hosting planbar skalieren
Zielgruppe
- Software-Entwicklerinnen und Software-Entwickler für RAG-Systeme
- Data-Engineers mit Projekten zur Vektor-Suche
- DevOps-Teams für den Self-Hosting-Betrieb von Qdrant
- Teams, die Qdrant für produktive RAG-Suche betreiben
- Fachkräfte für KI- und Lösungsarchitektur
Voraussetzung für die Schulung
- Grundkenntnisse in Python, REST-APIs und JSON
- Basiswissen zu Embeddings und RAG, etwa aus der Schulung RAG und Vektordatenbanken
- Grundlagen im Container-Betrieb, etwa aus dem Docker-Einführungskurs
Kursinhalte
Qdrant-Architektur und Datenmodell
- Qdrant-Server und Client-Bibliotheken
- Collections mit dichten Vektoren
- Dense und Sparse Named Vectors
- Distanzmetriken für Embedding-Modelle
- Payload-Schema für fachliche Metadaten
Ingestion und Payload-Filter
- Vektordimensionen und Collection-Konfiguration
- Upserts für versionierte Dokumentsegmente
- Löschoperationen für veraltete Inhalte
- Mandantenfilter über Payload-Felder
- Payload-Indizes für häufige Filter
- HNSW-Parameter für die Indexsteuerung
Qdrant-RAG und Reranking
- Top-k-Retrieval für Kontextfenster
- Score-Thresholds für relevante Treffer
- Kandidatenmengen für Reranking-Pipelines
- Textsegmente mit zugehörigen Payloads
- Universal Query API für Abfrage-Flows
Hybrid Search mit Dense und Sparse Retrieval
- Dense Retrieval mit Embeddings
- Sparse Retrieval mit Token-Signalen
- Reciprocal Rank Fusion mit RRF
- Score-Fusion mit DBSF
- Payload-Filter in Hybrid-Abfragen
Self-Hosting, Backup und Skalierung
- Collection-Snapshots und Restore-Abläufe
- Monitoring zentraler Qdrant-Metriken
- Latenz und Speicherbedarf beobachten
- Ressourcenplanung für Self-Hosting
- Shards und Replicas skalieren
Anwendungsintegration und Deployment
- REST-API und Python-Client
- Retrieval-Schicht für RAG-Services
- Fehlerbehandlung in Query-Flows
- Übergabe des Kontexts an LLMs
- Deployment-Muster für Produktionsumgebungen
