Python - LLMs und RAG-Pipelines in der Praxis

Wer generative KI nicht nur verstehen, sondern aktiv in eigene Anwendungen überführen möchte, findet hier den passenden praxisorientierten Einstieg. Sie lernen, moderne Sprachmodelle produktiv zu nutzen und mit externen Datenquellen zu verbinden, um präzise und kontextbezogene Ergebnisse zu erzielen.

Die Weiterbildung Python - LLMs und RAG-Pipelines in der Praxis richtet sich an alle, die LLMs mit RAG-Techniken kombinieren und über Vektorsuchen sowie gezieltes Prompt Design die Antwortqualität spürbar verbessern wollen. So erweitern Sie Ihr Know-how rund um aktuelle KI-Methoden gezielt und anwendungsnah.

Im Verlauf der Schulung arbeiten Sie mit verbreiteten Werkzeugen wie LangChain, FAISS und LlamaIndex und setzen sich mit Embeddings, semantischen Datenabfragen und der Steuerung von Modellen über durchdachte Prompts auseinander. Schritt für Schritt entwickeln Sie eigene Pipelines, die modular und skalierbar aufgebaut sind.

Durch den konsequenten Praxisbezug bauen Sie eine vollständige RAG-Pipeline auf – von der Datenvorbereitung über das Query-Antwort-System bis zur API-Anbindung. Das verschafft Ihnen die Sicherheit, generative KI produktionsreif in reale Projekte zu integrieren und Ihre Lösungen flexibel weiterzuentwickeln.

Dieses Seminar ist ein Angebot der PC-COLLEGE Gruppe.

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