Der Kurs „Building RAG Systems with Open Models“ richtet sich an Entwickler, Ingenieure und technische Produktentwickler, die sich noch nicht mit generativer KI auskennen, aber bereits über fortgeschrittene Kenntnisse im Bereich des maschinellen Lernens, grundlegende Python-Kenntnisse und Vertrautheit mit Entwicklungsumgebungen wie VS Code verfügen und die offene generative KI-Lösungen entwickeln, anpassen und bereitstellen möchten, ohne dabei in eine Anbieterabhängigkeit zu geraten.

Der Kurs vermittelt den Teilnehmern die Fähigkeiten, Anwendungen der „Retrieval-Augmented Generation“ (RAG) für reale Anwendungsfälle zu entwerfen und zu implementieren. Die Teilnehmer beginnen mit der Erkundung der Grundlagen der RAG-Architektur, wobei sie Schlüsselkomponenten wie Retriever, Ranker, Generatoren und Orchestrierungsschichten analysieren und gleichzeitig Entwurfsmuster für Aufgaben wie die Beantwortung von Fragen, die Zusammenfassung und die Wissenssynthese erlernen. Anschließend beschäftigen sie sich eingehend mit Embeddings und Vektordatenbanken, vergleichen FAISS, ChromaDB, Milvus und Pinecone und wenden Indizierungs- und Chunking-Strategien an, um die Effizienz der Informationsgewinnung und die semantische Relevanz zu verbessern. Das abschließende Modul führt alle Elemente zusammen, um mit LangChain und offenen LLMs produktionsreife RAG-Pipelines zu erstellen, wobei fortgeschrittene Abrufmethoden, Maßnahmen zur Verringerung von Halluzinationen sowie Bewertungsrahmen für Genauigkeit und Zuverlässigkeit einbezogen werden. Am Ende haben die Lernenden eine funktionsfähige RAG-Anwendung mit konfigurierbaren Komponenten erstellt, die auf Leistung optimiert und mit robusten Bewertungsmetriken ausgestattet ist.