LearnRAG Workshop – Mastering Retrieval-Augmented GenerationMRAGICInnovator ClassIC-MRAG1.0<ul>
<li>Entwickler & Ingenieure, die mit KI-Retrieval-Systemen arbeiten</li><li>Data Scientists, die Such- & Retrieval-Pipelines optimieren möchten</li><li>KI-Enthusiasten, die praktische RAG-Anwendungen erkunden möchten</li></ul><h5>Tag 1: Einführung & erste Schritte mit RAG</h5><h6>Session 1: Grundlagen von Retrieval-Augmented Generation (RAG)</h6><ul>
<li>Was ist RAG und warum ist es wichtig?</li><li>Herausforderungen beim Aufbau effektiver Retrieval-Pipelines</li><li>Überblick über bestehende RAG-Implementierungen</li></ul><h6>Session 2: Einrichtung von LearnRAG</h6><ul>
<li>Installation & Einrichtung (100% lokal, kein Internet erforderlich)</li><li>LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen</li><li>Der RAG-Workflow: Dokumentenerfassung → Retrieval → Generierung</li></ul><h6>Session 3: Dokumentenverarbeitung & Chunking</h6><ul>
<li>Warum ist die Vorverarbeitung von Dokumenten entscheidend?</li><li>Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)</li><li>Praxisübung: Optimierung der Textzerlegung in LearnRAG</li></ul><h6>Session 4: Hybride Retrieval-Methoden – Ein erster Blick</h6><ul>
<li>Überblick über BM25, FAISS & Graph-basiertes Retrieval</li><li>Praxisübung: Vergleich von Retrieval-Strategien in LearnRAG</li></ul><h5>Tag 2: Verbesserung von Retrieval & Kontextverständnis</h5><h6>Session 5: Query Expansion & Neural Reranking</h6><ul>
<li>Wie HyDE (Hypothetical Document Expansion) die Recall-Rate verbessert</li><li>Die Rolle von Neural Rerankers für präzisere Ergebnisse</li><li>Praxisübung: Feintuning von HyDE & Neural Reranking in LearnRAG</li></ul><h6>Session 6: Graph-basiertes Retrieval mit GraphRAG</h6><ul>
<li>Aufbau eines Knowledge Graphs aus Dokumenten</li><li>Wie GraphRAG das kontextuelle Retrieval verbessert</li><li>Praxisübung: Optimierung von GraphRAG für bessere Antworten</li></ul><h6>Session 7: Kontextbewusstes Retrieval in RAG-Pipelines</h6><ul>
<li>Chat-Speicher & Langzeitkontext für verbesserte Antworten</li><li>Experimentieren mit Langzeit-Nutzerinteraktionen</li><li>Praxisübung: Retrieval-Anpassung für Chat-History-Awareness</li></ul><h6>Session 8: Performance-Optimierung in RAG</h6><ul>
<li>Identifizierung von Flaschenhälsen in Retrieval-Geschwindigkeit</li><li>Praxisübung: Performance-Analyse & Optimierung in LearnRAG</li></ul><h5>Tag 3: Fortgeschrittene Retrieval-Techniken & Agentic Retrieval</h5><h6>Session 9: Erweiterte hybride Retrieval-Strategien</h6><ul>
<li>Über BM25 & FAISS hinaus: Alternative Indexierungsstrategien</li><li>Dynamisches Reranking und Gewichtung von Retrieval-Methoden</li><li>Praxisübung: Adaptive Retrieval-Systeme in LearnRAG entwickeln</li></ul><h6>Session 10: Multi-Step Retrieval & Agentic Approaches</h6><ul>
<li>Zero-Shot und Multi-Step Retrieval-Modelle</li><li>Wann sollte ein LLM weitere Informationen anfordern statt zu raten?</li><li>Praxisübung: Implementierung eines Agentic Retrieval-Ansatzes</li></ul><h6>Session 11: Benchmarking & Fehleranalyse in Retrieval-Pipelines</h6><ul>
<li>Best Practices zur Evaluierung von RAG-Pipelines</li><li>Echte Test-Szenarien & Debugging von Retrieval-Fehlern</li><li>Praxisübung: Erstellung von Performance-Benchmarks für LearnRAG</li></ul><h6>Session 12: Abschlussdiskussion & nächste Schritte</h6><ul>
<li>Was haben wir gelernt & wie kann man das Wissen anwenden?</li><li>Ideen für weitere Verbesserungen</li><li>Offene Q&A-Runde & Networking</li></ul>- Entwickler & Ingenieure, die mit KI-Retrieval-Systemen arbeiten
- Data Scientists, die Such- & Retrieval-Pipelines optimieren möchten
- KI-Enthusiasten, die praktische RAG-Anwendungen erkunden möchtenTag 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
Session 2: Einrichtung von LearnRAG
- Installation & Einrichtung (100% lokal, kein Internet erforderlich)
- LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen
- Der RAG-Workflow: Dokumentenerfassung → Retrieval → Generierung
Session 3: Dokumentenverarbeitung & Chunking
- Warum ist die Vorverarbeitung von Dokumenten entscheidend?
- Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)
- Praxisübung: Optimierung der Textzerlegung in LearnRAG
Session 4: Hybride Retrieval-Methoden – Ein erster Blick
- Überblick über BM25, FAISS & Graph-basiertes Retrieval
- Praxisübung: Vergleich von Retrieval-Strategien in LearnRAG
Tag 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
Session 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
Session 7: Kontextbewusstes Retrieval in RAG-Pipelines
- Chat-Speicher & Langzeitkontext für verbesserte Antworten
- Experimentieren mit Langzeit-Nutzerinteraktionen
- Praxisübung: Retrieval-Anpassung für Chat-History-Awareness
Session 8: Performance-Optimierung in RAG
- Identifizierung von Flaschenhälsen in Retrieval-Geschwindigkeit
- Praxisübung: Performance-Analyse & Optimierung in LearnRAG
Tag 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
Session 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
Session 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
Session 12: Abschlussdiskussion & nächste Schritte
- Was haben wir gelernt & wie kann man das Wissen anwenden?
- Ideen für weitere Verbesserungen
- Offene Q&A-Runde & Networking3 days2290.002290.002290.002290.002290.00