Python - LLMs und RAG-Pipelines in der Praxis
Ihre Termine
* Preise inkl. der gesetzlichen Mehrwertsteuer
Inklusive digitaler Teilnahmebescheinigung.
Beschreibung
Dieser praxisorientierte Kurs zeigt Ihnen die Arbeit mit LLMs und Retrieval-Augmented Generation. Lernen Sie in der praxisorientierten Schulung die LLM-Architektur, Prompt Design, Vektorsuche und Integration mit LangChain, FAISS und LlamaIndex.
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
Voraussetzungen
Gute Python-Kenntnisse und Erfahrung mit Datenverarbeitung oder API-Nutzung. Kenntnisse in NLP oder Machine Learning sind hilfreich, aber nicht zwingend erforderlich.