Erstellen von RAG-Systemen und KI-Agenten mit großen Sprachmodellen

Die Fähigkeit, große Sprachmodelle (Large Language Models, LLMs) mit privaten Daten zu nutzen, ist für die Erstellung leistungsstarker, kontextsensitiver Anwendungen unerlässlich. Retrieval-Augmented Generation (RAG) ist das kritische Muster, um dies heute in Produktionsumgebungen zu erreichen. Am Ende dieses Kurses werden Sie die Architektur von RAG-Systemen und Multi-Agent-Workflows verstehen. Sie sammeln praktische Erfahrungen in der Strukturierung von Daten, der Auswahl geeigneter Vektorspeicher, der Gestaltung effektiver Eingabeaufforderungen und der Bereitstellung dieser KI-Lösungen zur Lösung spezifischer Geschäftsprobleme. Was Sie lernen werden: * Verstehen Sie die Kernkomponenten und die Architektur von Retrieval-Augmented Generation (RAG) -Systemen. * Üben Sie effektive prompte Engineering-Techniken zur Optimierung von LLM-Interaktionen und Agenten-Reden-Pfaden. * Anwenden von Best Practices für Datenchunking, Einbetten und Indizieren in einer Vektordatenbank. * Konfigurieren Sie Agenten und Multi-Agent-Workflows mit speziellen Low-Code-Tools für die komplexe Aufgabenautomatisierung. * Bereitstellen und Ausführen lokaler LLMs mit Containerisierungsgrundlagen wie Docker und spezialisierten Tools wie Ollama. Der Kurs beginnt mit der Definition von LLMs, RAGs und Agentenkonzepten, bevor er in praktische Implementierungsschritte übergeht. Wir gehen die Datenvorbereitung, die Vektorspeicherintegration, die Agentenkonfiguration und grundlegende Bereitstellungsstrategien durch, um Ihre Lösungen zugänglich zu machen. Dieser Kurs richtet sich an Anfänger, Entwickler und Datenpraktiker, die praktische, kontextsensitive KI-Anwendungen erstellen möchten. Keine Vorkenntnisse mit LLMs oder fortgeschrittenem maschinellem Lernen erforderlich. Erstellen Sie noch heute intelligente, datengesteuerte KI-Systeme.