RAG & Vektordatenbanken Workshop
Embeddings, Vektorsuche, RAG-Pipelines — die Technik hinter intelligenten Wissenssystemen. In diesem Workshop für Entwickler und Datenspezialisten bauen Sie produktionsreife RAG-Architekturen mit PostgreSQL, pgvector, FAISS oder Qdrant. Vom Chunking bis zum Re-Ranking.
Retrieval-Augmented Generation ist die Schlüsseltechnologie, um KI-Systeme auf eigenen Unternehmensdaten arbeiten zu lassen. Doch die Qualität einer RAG-Anwendung steht und fällt mit der Datenarchitektur dahinter: Wie werden Dokumente chunked? Welches Embedding-Modell passt? Wie skaliert die Vektorsuche? Und wie verhindert man Halluzinationen?
Dieser Workshop geht in die Tiefe. Sie lernen, wie Embeddings mathematisch funktionieren, vergleichen verschiedene Vektordatenbanken (PostgreSQL mit pgvector, FAISS, Qdrant) und bauen eine produktionsreife RAG-Pipeline auf. Dabei arbeiten Sie mit echten Daten und realistischen Szenarien.
Ein besonderer Fokus liegt auf den Entscheidungen, die in der Praxis den Unterschied machen: Chunking-Strategien, Hybrid-Suche (Vektor + Keyword), Re-Ranking, Metadaten-Filter und die Integration in bestehende Datenbanken. Sie lernen auch, wie Sie RAG-Qualität messen und systematisch verbessern können.
Am Ende haben Sie das Wissen, um RAG-Systeme nicht nur zu prototypen, sondern für den produktiven Einsatz in Ihrem Unternehmen zu optimieren. Die Technologien, die Sie hier lernen, machen Wissensmanagement-Systeme möglich, die vor wenigen Jahren Enterprise-Budgets erfordert hätten.
Auf einen Blick
- •Technischer Deep-Dive: RAG, Embeddings und Vektordatenbanken für Entwickler
- •Zielgruppe: Entwickler und Data Engineers mit Programmierkenntnissen
- •Praxis: Produktionsreife RAG-Pipeline mit PostgreSQL/pgvector, FAISS oder Qdrant
- •Fokus: Chunking, Hybrid-Suche, Re-Ranking, Evaluierung — nicht nur Prototyping
- •Preis: Ab 800 €/Tag — 8 Stunden, Online oder Inhouse
Die Ausgangslage
RAG-Prototypen sind schnell gebaut — doch der Weg zur Produktionsreife ist lang. Halluzinationen, schlechte Retrievalqualität, nicht skalierende Vektordatenbanken und fehlende Evaluierungsmetriken machen vielen Teams zu schaffen. Gleichzeitig fehlt oft das tiefe Verständnis der zugrunde liegenden Technologien, um die richtigen Architekturentscheidungen zu treffen. Dieser Workshop schließt diese Lücke.
Was Sie lernen werden
Embedding-Modelle auswählen und deren Qualität für spezifische Anwendungsfälle bewerten
Vektordatenbanken (pgvector, FAISS, Qdrant) aufsetzen und performant betreiben
Produktionsreife RAG-Pipelines mit optimalen Chunking-Strategien aufbauen
Retrieval-Qualität durch Hybrid-Suche und Re-Ranking systematisch verbessern
RAG-Systeme evaluieren, monitoren und für den Produktiveinsatz optimieren
Zielgruppe
Dieser Workshop richtet sich an Entwickler, Data Engineers und technische Projektleiter, die RAG-Systeme für den produktiven Einsatz aufbauen oder optimieren wollen. Programmierkenntnisse (Python oder JavaScript) und Grundverständnis von Datenbanken werden vorausgesetzt.
Voraussetzungen
Programmierkenntnisse (Python oder JavaScript) und Grundverständnis von Datenbanken
Ihre Vorteile
1Von Prototyp zu Produktion
Sie lernen die Architekturentscheidungen, die den Unterschied zwischen einem Demo-Chatbot und einem zuverlässigen Produktionssystem ausmachen.
2Vektordatenbanken im Vergleich
PostgreSQL + pgvector, FAISS und Qdrant im direkten Praxisvergleich — Sie verstehen die Stärken und Grenzen jeder Lösung.
3Halluzinationen systematisch reduzieren
Durch Chunking-Strategien, Hybrid-Suche und Re-Ranking verbessern Sie die Antwortqualität Ihrer RAG-Systeme messbar.
4Enterprise-Technologie zum Open-Source-Preis
Die Technologien, die Sie hier lernen, machen Wissenssysteme möglich, die noch vor wenigen Jahren Spezialistenteams und sechsstellige Budgets erfordert hätten.
Der Ablauf
Embeddings verstehen
Wie funktionieren Embeddings mathematisch? Vergleich verschiedener Modelle, Dimensionen und deren Auswirkung auf die Suchqualität.
Vektordatenbanken einrichten
PostgreSQL mit pgvector, FAISS und Qdrant aufsetzen, Daten indexieren und Suchperformance vergleichen.
RAG-Pipeline aufbauen
Komplette Pipeline: Dokumenten-Ingestion, Chunking, Embedding, Retrieval und Antwortgenerierung — mit realen Unternehmensdaten.
Qualität optimieren
Hybrid-Suche, Re-Ranking, Metadaten-Filter und Evaluierungsmetriken für systematische Qualitätsverbesserung.
Produktion und Skalierung
Deployment-Strategien, Monitoring, Caching und Performance-Optimierung für den produktiven Einsatz.
Zu diesem Thema bieten wir auch
Klingt nach Ihrer Idee?
Lassen Sie uns gemeinsam prüfen, ob sich Ihre Idee jetzt rechnet.