Python - LLMs und RAG-Pipelines in der Praxis

In diesem Seminar erfahren Sie, wie Sie moderne Sprachmodelle produktiv einsetzen. Sie kombinieren LLMs mit externen Datenquellen über RAG-Techniken, nutzen Vektorsuchen und optimieren die Antwortqualität durch gezieltes Prompt Design.

Mit Tools wie LangChain, FAISS und LlamaIndex entwickeln Sie eigene Pipelines, die skalierbar, modular und produktionsnah sind. So machen Sie generative KI anwendungsreif.

Hinweis:
Dieses Seminar ist ein Angebot der PC-COLLEGE Gruppe.
Inhalte
Architektur und Grundlagen moderner LLMs

Überblick über Transformer-Modelle

Unterschiede zu klassischen NLP-Verfahren

Rolle von Kontext und Tokenisierung
Prompt Design und Modellsteuerung

Struktur effektiver Prompts

Few-/Zero-Shot-Techniken

System-Prompts für mehr Kontrolle
Grundlagen von Retrieval-Augmented Generation (RAG)

Trennung von Modell
und Wissenskomponente

Nutzen für domänenspezifische Anwendungen
Vektorsuche und Embedding-Verwaltung

Embedding-Erstellung mit Hugging Face

Ähnlichkeitssuche mit FAISS und ChromaDB

semantische Datenabfragen
LangChain und LlamaIndex im Einsatz

Aufbau modularer NLP-Pipelines

Integration externer Quellen

Dokumentensuche

Tool-Ketten
Eigene RAG-Pipeline entwickeln

Datenvorbereitung

Query-Antwort-System mit LangChain

API-Anbindung für produktionsnahe Lösungen

Gute Python-Kenntnisse und Erfahrung mit Datenverarbeitung oder API-Nutzung. Kenntnisse in NLP oder Machine Learning sind hilfreich, aber nicht zwingend erforderlich.

Ideal für technisch versierte Teilnehmende, die Sprachmodelle über RAG-Architekturen produktiv nutzen und mit bestehenden Datenquellen verknüpfen möchten.

Im Preis enthalten sind PC-COLLEGE - Zertifikat, Pausenverpflegung, Getränke und Kursmaterial.

PC-COLLEGE-Schulungshaus

Weiterführende Informationen auf der Seite des Anbieters