0521 968 7740Mo–Fr, 8–17 Uhr
Im Betrieb zeigen RAG-Prototypen häufig Schwachstellen durch unpassende Collection-Strukturen, unklare Filterlogik und fehlende Backup-Routinen. Dieses Training setzt an der Qdrant-Schicht an. Du richtest Collections ein, legst die passende Vektorgröße anhand des Embedding-Modells fest und nutzt Payload-Felder für fachliche Abgrenzungen. Die Vector Database Qdrant wird dabei als Bestandteil einer Anwendung betrachtet: Import, Upsert, Suche, Kontextaufbau und Monitoring greifen in einem Query-Flow zusammen. Ein Schwerpunkt liegt auf Hybrid Search. Du kombinierst semantische Vektortreffer mit sparse Signalen und untersuchst, wie sich Score-Gewichtung auf relevante Treffer auswirkt. Für RAG-Szenarien entsteht ein Retrieval-Ablauf, der Dokumentsegmente mit Metadaten zurückliefert und Reranking vorbereitet. Dadurch lässt sich die Antwortqualität eines LLM-Systems gezielter prüfen. Der Betriebsteil behandelt Snapshots mit Restore-Tests sowie die Einordnung von Ressourcenauslastung und Skalierung. Shards und Replicas werden so eingeordnet, dass Kapazitätsplanung und Ausfallsicherheit zusammenpassen. Die Labs zeigen außerdem, welche Logdaten und Metriken beim Debugging von langsamen Queries zuerst geprüft werden. Die Schulung eignet sich für Teams, die Qdrant selbst hosten, Datenschutz-Anforderungen berücksichtigen und Suchfunktionen in bestehende Services integrieren. Nach dem Training besitzt du ein technisches Vorgehen, um Qdrant-Projekte vom Laboraufbau in eine kontrollierte Betriebsumgebung zu überführen. So werden Architekturentscheidungen für Retrieval, Indexierung und Betrieb nachvollziehbar dokumentiert.
