KI-gestützte Datenbanksuche: Aufbaukurs

Baue semantische Suche, RAG und Ranking, die in echten Datenbanken zuverlässig funktionieren. Zu den Schwerpunkten gehören Von Keyword zu Semantik: Sucharchitektur, Embeddings und Vektordatenbanken in der Praxis, RAG-Pipelines für Datenbankwissen, Qualität, Tests und Observability, Integration in bestehende Systeme und Use Cases und Musterlösungen.

Die Schulung richtet sich an Data Engineers und Analytics Engineers, Softwareentwicklerinnen und Softwareentwickler mit Such- oder API-Verantwortung, Data Scientists und ML Engineers, die Retrieval bewerten wollen und IT-Architektinnen und IT-Architekten für Wissens- und Suchsysteme sowie alle, die semantische Suche und RAG produktionsnah aufbauen wollen.

Grundverständnis von Datenbanken, APIs und JSON. Erste Berührung mit Suche oder LLM-Anwendungen ist hilfreich, aber nicht zwingend.

Zu den Schwerpunkten gehören Von Keyword zu Semantik: Sucharchitektur, Embeddings und Vektordatenbanken in der Praxis, RAG-Pipelines für Datenbankwissen, Qualität, Tests und Observability, Integration in bestehende Systeme und Use Cases und Musterlösungen.

Ja. Ein eigener praxisbezogener Schwerpunkt ist „Embeddings und Vektordatenbanken in der Praxis“. Dabei geht es unter anderem um Chunking-Strategien, Overlap, Metadaten, Embedding-Modelle auswählen und evaluieren und Vektorindizes: HNSW, IVF, PQ verständlich. So werden die Inhalte auf konkrete Aufgaben und Anwendungssituationen übertragen.

Zu den angestrebten Ergebnissen gehören: Wenn eine KI-Suche in der Demo gut aussieht, aber im Alltag unzuverlässig wird, fehlen meist drei Dinge: saubere Datenpipelines, messbare Relevanz und ein Retrieval-Design,; In diesem Aufbau-Seminar baust Du genau diese Grundlagen aus und lernst, wie Du eine KI-gestützte Datenbanksuche planbar betreibst; Du startest mit Sucharchitektur und Relevanz: Welche Suchintentionen gibt es, wie definierst Du Erfolg, und wie kombinierst Du klassische Verfahren mit semantischer Suche,; Danach gehst Du tief in Embeddings und Vektordatenbanken: Du entwickelst Chunking-Strategien, nutzt Metadaten für Filter und Facets und lernst,; Du verstehst, warum Index-Optionen wie HNSW oder IVF nicht nur Performance-Themen sind,

Ja. „Qualität, Tests und Observability“ ist ein eigener Bestandteil der Schulung. Dazu gehören Goldensets, Offline-Evaluation, A/B-Tests, Relevanzmetriken: nDCG, MRR, Recall@k, Tracing, Logging, Kostenkontrolle und Guardrails: PII, Policies, Prompt-Injection.