LearnRAG Workshop - Mastering Retrieval-Augmented Generation (MRAG)

Warum LearnRAG?\n\nLearnRAG ist ein 100% lokales Retrieval-Augmented Generation (RAG) System, das mit jedem lokal laufenden LLM verwendet werden kann. Im Gegensatz zu cloudbasierten KI-Systemen wird keine Daten an externe Dienste weitergegeben – alles läuft sicher auf Ihrem eigenen Rechner.\n\n\n- Läuft vollständig auf lokaler Hardware – keine Internetverbindung erforderlich\n- Leistungsstarke hybride Suche mit BM25, FAISS und GraphRAG\n- Volle Kontrolle über Datenschutz & Sicherheit\n- Optimiert für schnelle und präzise Retrieval-Augmented-Generierung\nDieser Workshop vermittelt Ihnen, wie Sie eine effiziente RAG-Pipeline aufbauen, analysieren und optimieren, während Sie die volle Datenhoheit behalten.\n\nSchwerpunkte des Workshops\n\n\n- Datenextraktion & Chunking: Optimale Vorbereitung von Text für Retrieval\n- Hybride Retrieval-Strategien: Kombination von BM25, FAISS & Graph-basiertem Retrieval\n- Query Expansion & Reranking: Verbesserung der Suchgenauigkeit mit HyDE & Neural Reranking\n- Multi-Step Agentic Retrieval: Interaktives und kontextbewusstes Retrieval\n- Optimierung der RAG-Pipeline: Performance-Tuning, Latenzreduktion & Benchmarking\nIm Gegensatz zu cloudbasierten KI-Retrieval-Modellen verarbeitet LearnRAG alles lokal, sodass volle Datensicherheit und Privatsphäre gewährleistet sind.\n\n\n- Keine externen API-Aufrufe\n- Kein Risiko von Datenlecks\n- Volle Kontrolle über Dokumentenerfassung & Indexierung\nIn diesem Workshop lernen Sie, wie Sie effiziente Retrieval-Strategien implementieren, ohne Datenschutz zu gefährden.\n\nFazit\n\nDiese drei Tage ermöglichen uns eine umfassende Erkundung von:\n\n\n- Grundlagen von RAG & Retrieval (Tag 1)\n- Optimierung, Ranking & Chat-Awareness (Tag 2)\n- Fortgeschrittene Retrieval-Techniken & Agentic Retrieval (Tag 3)

Tag 1: Einführung & erste Schritte mit RAG

Session 1: Grundlagen von Retrieval-Augmented Generation (RAG)

Was ist RAG und warum ist es wichtig?
Herausforderungen beim Aufbau effektiver Retrieval-Pipelines
Überblick über bestehende RAG-Implementierungen\nSession 2: Einrichtung von LearnRAG
- Installation & Einrichtung (100% lokal, kein Internet erforderlich)
- LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen
- Der RAG-Workflow: Dokumentenerfassung â†’ Retrieval â†’ Generierung\nSession 3: Dokumentenverarbeitung & Chunking
  - Warum ist die Vorverarbeitung von Dokumenten entscheidend?
  - Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)
  - Praxisübung: Optimierung der Textzerlegung in LearnRAG\nSession 4: Hybride Retrieval-Methoden – Ein erster Blick
    - Überblick über BM25, FAISS & Graph-basiertes Retrieval
    - Praxisübung: Vergleich von Retrieval-Strategien in LearnRAG\nTag 2: Verbesserung von Retrieval & Kontextverständnis
    Session 5: Query Expansion & Neural Reranking
    - Wie HyDE (Hypothetical Document Expansion) die Recall-Rate verbessert
    - Die Rolle von Neural Rerankers für präzisere Ergebnisse
    - Praxisübung: Feintuning von HyDE & Neural Reranking in LearnRAG\nSession 6: Graph-basiertes Retrieval mit GraphRAG
      - Aufbau eines Knowledge Graphs aus Dokumenten
      - Wie GraphRAG das kontextuelle Retrieval verbessert
      - Praxisübung: Optimierung von GraphRAG für bessere Antworten\nSession 7: Kontextbewusstes Retrieval in RAG-Pipelines
        Chat-Speicher & Langzeitkontext für verbesserte Antworten
        Experimentieren mit Langzeit-Nutzerinteraktionen
        Praxisübung: Retrieval-Anpassung für Chat-History-Awareness\nSession 8: Performance-Optimierung in RAG
        Identifizierung von Flaschenhälsen in Retrieval-Geschwindigkeit
        Praxisübung: Performance-Analyse & Optimierung in LearnRAG\nTag 3: Fortgeschrittene Retrieval-Techniken & Agentic Retrieval
        Session 9: Erweiterte hybride Retrieval-Strategien
        Über BM25 & FAISS hinaus: Alternative Indexierungsstrategien
        Dynamisches Reranking und Gewichtung von Retrieval-Methoden
        Praxisübung: Adaptive Retrieval-Systeme in LearnRAG entwickeln\nSession 10: Multi-Step Retrieval & Agentic Approaches
        Zero-Shot und Multi-Step Retrieval-Modelle
        Wann sollte ein LLM weitere Informationen anfordern statt zu raten?
        Praxisübung: Implementierung eines Agentic Retrieval-Ansatzes\nSession 11: Benchmarking & Fehleranalyse in Retrieval-Pipelines
        Best Practices zur Evaluierung von RAG-Pipelines
        Echte Test-Szenarien & Debugging von Retrieval-Fehlern
        Praxisübung: Erstellung von Performance-Benchmarks für LearnRAG\nSession 12: Abschlussdiskussion & nächste Schritte
        Was haben wir gelernt & wie kann man das Wissen anwenden?
        Ideen für weitere Verbesserungen
        Offene Q&A-Runde & Networking

- Entwickler & Ingenieure, die mit KI-Retrieval-Systemen arbeiten\n- Data Scientists, die Such- & Retrieval-Pipelines optimieren möchten\n- KI-Enthusiasten, die praktische RAG-Anwendungen erkunden möchten

Ort:

Frankfurt a. Main

Zeitraum:

19.08.2025 bis
21.08.2025

Dauer:

3 Tage

Preis:

2.290,00 €
(2.725,10 € inkl. MwSt.)

JETZT ANMELDEN