{"course":{"productid":35943,"modality":1,"active":true,"language":"de","title":"LearnRAG Workshop \u2013 Mastering Retrieval-Augmented Generation","productcode":"MRAG","vendorcode":"IC","vendorname":"Innovator Class","fullproductcode":"IC-MRAG","courseware":{"has_ekit":false,"has_printkit":true,"language":""},"url":"https:\/\/portal.flane.ch\/course\/innovator-mrag","audience":"<ul>\n<li>Entwickler &amp; Ingenieure, die mit KI-Retrieval-Systemen arbeiten<\/li><li>Data Scientists, die Such- &amp; Retrieval-Pipelines optimieren m&ouml;chten<\/li><li>KI-Enthusiasten, die praktische RAG-Anwendungen erkunden m&ouml;chten<\/li><\/ul>","contents":"<h5>Tag 1: Einf&uuml;hrung &amp; erste Schritte mit RAG<\/h5><h6>Session 1: Grundlagen von Retrieval-Augmented Generation (RAG)<\/h6><ul>\n<li>Was ist RAG und warum ist es wichtig?<\/li><li>Herausforderungen beim Aufbau effektiver Retrieval-Pipelines<\/li><li>&Uuml;berblick &uuml;ber bestehende RAG-Implementierungen<\/li><\/ul><h6>Session 2: Einrichtung von LearnRAG<\/h6><ul>\n<li>Installation &amp; Einrichtung (100% lokal, kein Internet erforderlich)<\/li><li>LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen<\/li><li>Der RAG-Workflow: Dokumentenerfassung &rarr; Retrieval &rarr; Generierung<\/li><\/ul><h6>Session 3: Dokumentenverarbeitung &amp; Chunking<\/h6><ul>\n<li>Warum ist die Vorverarbeitung von Dokumenten entscheidend?<\/li><li>Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)<\/li><li>Praxis&uuml;bung: Optimierung der Textzerlegung in LearnRAG<\/li><\/ul><h6>Session 4: Hybride Retrieval-Methoden &ndash; Ein erster Blick<\/h6><ul>\n<li>&Uuml;berblick &uuml;ber BM25, FAISS &amp; Graph-basiertes Retrieval<\/li><li>Praxis&uuml;bung: Vergleich von Retrieval-Strategien in LearnRAG<\/li><\/ul><h5>Tag 2: Verbesserung von Retrieval &amp; Kontextverst&auml;ndnis<\/h5><h6>Session 5: Query Expansion &amp; Neural Reranking<\/h6><ul>\n<li>Wie HyDE (Hypothetical Document Expansion) die Recall-Rate verbessert<\/li><li>Die Rolle von Neural Rerankers f&uuml;r pr&auml;zisere Ergebnisse<\/li><li>Praxis&uuml;bung: Feintuning von HyDE &amp; Neural Reranking in LearnRAG<\/li><\/ul><h6>Session 6: Graph-basiertes Retrieval mit GraphRAG<\/h6><ul>\n<li>Aufbau eines Knowledge Graphs aus Dokumenten<\/li><li>Wie GraphRAG das kontextuelle Retrieval verbessert<\/li><li>Praxis&uuml;bung: Optimierung von GraphRAG f&uuml;r bessere Antworten<\/li><\/ul><h6>Session 7: Kontextbewusstes Retrieval in RAG-Pipelines<\/h6><ul>\n<li>Chat-Speicher &amp; Langzeitkontext f&uuml;r verbesserte Antworten<\/li><li>Experimentieren mit Langzeit-Nutzerinteraktionen<\/li><li>Praxis&uuml;bung: Retrieval-Anpassung f&uuml;r Chat-History-Awareness<\/li><\/ul><h6>Session 8: Performance-Optimierung in RAG<\/h6><ul>\n<li>Identifizierung von Flaschenh&auml;lsen in Retrieval-Geschwindigkeit<\/li><li>Praxis&uuml;bung: Performance-Analyse &amp; Optimierung in LearnRAG<\/li><\/ul><h5>Tag 3: Fortgeschrittene Retrieval-Techniken &amp; Agentic Retrieval<\/h5><h6>Session 9: Erweiterte hybride Retrieval-Strategien<\/h6><ul>\n<li>&Uuml;ber BM25 &amp; FAISS hinaus: Alternative Indexierungsstrategien<\/li><li>Dynamisches Reranking und Gewichtung von Retrieval-Methoden<\/li><li>Praxis&uuml;bung: Adaptive Retrieval-Systeme in LearnRAG entwickeln<\/li><\/ul><h6>Session 10: Multi-Step Retrieval &amp; Agentic Approaches<\/h6><ul>\n<li>Zero-Shot und Multi-Step Retrieval-Modelle<\/li><li>Wann sollte ein LLM weitere Informationen anfordern statt zu raten?<\/li><li>Praxis&uuml;bung: Implementierung eines Agentic Retrieval-Ansatzes<\/li><\/ul><h6>Session 11: Benchmarking &amp; Fehleranalyse in Retrieval-Pipelines<\/h6><ul>\n<li>Best Practices zur Evaluierung von RAG-Pipelines<\/li><li>Echte Test-Szenarien &amp; Debugging von Retrieval-Fehlern<\/li><li>Praxis&uuml;bung: Erstellung von Performance-Benchmarks f&uuml;r LearnRAG<\/li><\/ul><h6>Session 12: Abschlussdiskussion &amp; n&auml;chste Schritte<\/h6><ul>\n<li>Was haben wir gelernt &amp; wie kann man das Wissen anwenden?<\/li><li>Ideen f&uuml;r weitere Verbesserungen<\/li><li>Offene Q&amp;A-Runde &amp; Networking<\/li><\/ul>","summary":"<h5>Warum LearnRAG?<\/h5><p>LearnRAG 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 &ndash; alles l&auml;uft sicher auf Ihrem eigenen Rechner.<\/p>\n<ul>\n<li>L&auml;uft vollst&auml;ndig auf lokaler Hardware &ndash; keine Internetverbindung erforderlich<\/li><li>Leistungsstarke hybride Suche mit BM25, FAISS und GraphRAG<\/li><li>Volle Kontrolle &uuml;ber Datenschutz &amp; Sicherheit<\/li><li>Optimiert f&uuml;r schnelle und pr&auml;zise Retrieval-Augmented-Generierung<\/li><\/ul><p>Dieser Workshop vermittelt Ihnen, wie Sie eine effiziente RAG-Pipeline aufbauen, analysieren und optimieren, w&auml;hrend Sie die volle Datenhoheit behalten.<\/p>\n<h5>Schwerpunkte des Workshops<\/h5><ul>\n<li>Datenextraktion &amp; Chunking: Optimale Vorbereitung von Text f&uuml;r Retrieval<\/li><li>Hybride Retrieval-Strategien: Kombination von BM25, FAISS &amp; Graph-basiertem Retrieval<\/li><li>Query Expansion &amp; Reranking: Verbesserung der Suchgenauigkeit mit HyDE &amp; Neural Reranking<\/li><li>Multi-Step Agentic Retrieval: Interaktives und kontextbewusstes Retrieval<\/li><li>Optimierung der RAG-Pipeline: Performance-Tuning, Latenzreduktion &amp; Benchmarking<\/li><\/ul><p>Im Gegensatz zu cloudbasierten KI-Retrieval-Modellen verarbeitet LearnRAG alles lokal, sodass volle Datensicherheit und Privatsph&auml;re gew&auml;hrleistet sind.<\/p>\n<ul>\n<li>Keine externen API-Aufrufe<\/li><li>Kein Risiko von Datenlecks<\/li><li>Volle Kontrolle &uuml;ber Dokumentenerfassung &amp; Indexierung<\/li><\/ul><p>In diesem Workshop lernen Sie, wie Sie effiziente Retrieval-Strategien implementieren, ohne Datenschutz zu gef&auml;hrden.<\/p>\n<h5>Fazit<\/h5><p>Diese drei Tage erm&ouml;glichen uns eine umfassende Erkundung von:<\/p>\n<ul>\n<li>Grundlagen von RAG &amp; Retrieval (Tag 1)<\/li><li>Optimierung, Ranking &amp; Chat-Awareness (Tag 2)<\/li><li>Fortgeschrittene Retrieval-Techniken &amp; Agentic Retrieval (Tag 3)<\/li><\/ul>","audience_plain":"- Entwickler & Ingenieure, die mit KI-Retrieval-Systemen arbeiten\n- Data Scientists, die Such- & Retrieval-Pipelines optimieren m\u00f6chten\n- KI-Enthusiasten, die praktische RAG-Anwendungen erkunden m\u00f6chten","contents_plain":"Tag 1: Einf\u00fchrung & erste Schritte mit RAG\n\nSession 1: Grundlagen von Retrieval-Augmented Generation (RAG)\n\n\n- Was ist RAG und warum ist es wichtig?\n- Herausforderungen beim Aufbau effektiver Retrieval-Pipelines\n- \u00dcberblick \u00fcber bestehende RAG-Implementierungen\nSession 2: Einrichtung von LearnRAG\n\n\n- Installation & Einrichtung (100% lokal, kein Internet erforderlich)\n- LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen\n- Der RAG-Workflow: Dokumentenerfassung \u2192 Retrieval \u2192 Generierung\nSession 3: Dokumentenverarbeitung & Chunking\n\n\n- Warum ist die Vorverarbeitung von Dokumenten entscheidend?\n- Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)\n- Praxis\u00fcbung: Optimierung der Textzerlegung in LearnRAG\nSession 4: Hybride Retrieval-Methoden \u2013 Ein erster Blick\n\n\n- \u00dcberblick \u00fcber BM25, FAISS & Graph-basiertes Retrieval\n- Praxis\u00fcbung: Vergleich von Retrieval-Strategien in LearnRAG\nTag 2: Verbesserung von Retrieval & Kontextverst\u00e4ndnis\n\nSession 5: Query Expansion & Neural Reranking\n\n\n- Wie HyDE (Hypothetical Document Expansion) die Recall-Rate verbessert\n- Die Rolle von Neural Rerankers f\u00fcr pr\u00e4zisere Ergebnisse\n- Praxis\u00fcbung: Feintuning von HyDE & Neural Reranking in LearnRAG\nSession 6: Graph-basiertes Retrieval mit GraphRAG\n\n\n- Aufbau eines Knowledge Graphs aus Dokumenten\n- Wie GraphRAG das kontextuelle Retrieval verbessert\n- Praxis\u00fcbung: Optimierung von GraphRAG f\u00fcr bessere Antworten\nSession 7: Kontextbewusstes Retrieval in RAG-Pipelines\n\n\n- Chat-Speicher & Langzeitkontext f\u00fcr verbesserte Antworten\n- Experimentieren mit Langzeit-Nutzerinteraktionen\n- Praxis\u00fcbung: Retrieval-Anpassung f\u00fcr Chat-History-Awareness\nSession 8: Performance-Optimierung in RAG\n\n\n- Identifizierung von Flaschenh\u00e4lsen in Retrieval-Geschwindigkeit\n- Praxis\u00fcbung: Performance-Analyse & Optimierung in LearnRAG\nTag 3: Fortgeschrittene Retrieval-Techniken & Agentic Retrieval\n\nSession 9: Erweiterte hybride Retrieval-Strategien\n\n\n- \u00dcber BM25 & FAISS hinaus: Alternative Indexierungsstrategien\n- Dynamisches Reranking und Gewichtung von Retrieval-Methoden\n- Praxis\u00fcbung: Adaptive Retrieval-Systeme in LearnRAG entwickeln\nSession 10: Multi-Step Retrieval & Agentic Approaches\n\n\n- Zero-Shot und Multi-Step Retrieval-Modelle\n- Wann sollte ein LLM weitere Informationen anfordern statt zu raten?\n- Praxis\u00fcbung: Implementierung eines Agentic Retrieval-Ansatzes\nSession 11: Benchmarking & Fehleranalyse in Retrieval-Pipelines\n\n\n- Best Practices zur Evaluierung von RAG-Pipelines\n- Echte Test-Szenarien & Debugging von Retrieval-Fehlern\n- Praxis\u00fcbung: Erstellung von Performance-Benchmarks f\u00fcr LearnRAG\nSession 12: Abschlussdiskussion & n\u00e4chste Schritte\n\n\n- Was haben wir gelernt & wie kann man das Wissen anwenden?\n- Ideen f\u00fcr weitere Verbesserungen\n- Offene Q&A-Runde & Networking","summary_plain":"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 \u2013 alles l\u00e4uft sicher auf Ihrem eigenen Rechner.\n\n\n- L\u00e4uft vollst\u00e4ndig auf lokaler Hardware \u2013 keine Internetverbindung erforderlich\n- Leistungsstarke hybride Suche mit BM25, FAISS und GraphRAG\n- Volle Kontrolle \u00fcber Datenschutz & Sicherheit\n- Optimiert f\u00fcr schnelle und pr\u00e4zise Retrieval-Augmented-Generierung\nDieser Workshop vermittelt Ihnen, wie Sie eine effiziente RAG-Pipeline aufbauen, analysieren und optimieren, w\u00e4hrend Sie die volle Datenhoheit behalten.\n\nSchwerpunkte des Workshops\n\n\n- Datenextraktion & Chunking: Optimale Vorbereitung von Text f\u00fcr 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 Privatsph\u00e4re gew\u00e4hrleistet sind.\n\n\n- Keine externen API-Aufrufe\n- Kein Risiko von Datenlecks\n- Volle Kontrolle \u00fcber Dokumentenerfassung & Indexierung\nIn diesem Workshop lernen Sie, wie Sie effiziente Retrieval-Strategien implementieren, ohne Datenschutz zu gef\u00e4hrden.\n\nFazit\n\nDiese drei Tage erm\u00f6glichen 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)","skill_level":"Intermediate","version":"1.0","duration":{"unit":"d","value":3,"formatted":"3 Tage"},"pricelist":{"List Price":{"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":2290},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":2290},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":2290},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":2290},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":2290}}},"lastchanged":"2025-07-29T12:18:45+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/35943","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/innovator-mrag"}}