Large Language Models Aufbaukurs: RAG, Anpassung und Training
Vertiefe RAG, Fine-Tuning und Evaluation für belastbare LLM-Anwendungen im Praxiseinsatz
Die wichtigsten Themen
LLM-Architektur vertiefen
Inference und KV-Cache einordnen
RAG-Pipelines stabil planen
Retriever mit Reranking optimieren
LoRA, QLoRA und PEFT vergleichen
RAG-Qualität mit RAGAS bewerten
Überblick In diesem Seminar baust du ein belastbares Verständnis dafür auf, wie moderne Large Language Models funktionieren und wie du sie in der Praxis zuverlässig einsetzt. Du frischst die LLM-Architektur auf, gehst tief in...
In diesem Seminar baust du ein belastbares Verständnis dafür auf, wie moderne Large Language Models funktionieren und wie du sie in der Praxis zuverlässig einsetzt. Du frischst die LLM-Architektur auf, gehst tief in Inference-Themen wie Latenz, Throughput, KV-Cache und Batching und lernst Prompting als Systemdesign zu denken, inklusive Rollen, Tools und Policies. Der Aufbaukurs schließt sinnvoll an Grundlagenwissen aus Machine Learning, Python und LLM-Anwendungen an, etwa aus dem Python Machine Learning Grundkurs.
Du entwickelst RAG-Systeme, die auch unter realen Bedingungen stabil bleiben: von Chunking-Strategien und Embeddings über Vektordatenbanken wie Pinecone, Milvus oder Weaviate bis zu Retriever-Tuning mit Semantic Search, Hybrid Search und Reranking. Dabei liegt der Schwerpunkt auf sauberem Kontextmanagement, Quellenangaben und konkreten Maßnahmen zur Halluzinationsreduktion. Für Cloud-nahe KI-Projekte bietet das AI-102 Training zur Implementierung von Azure AI-Lösungen eine passende Ergänzung.
Ergänzend bekommst du einen klaren Überblick über Fine-Tuning-Strategien, von Full Fine-Tuning bis PEFT, mit Schwerpunkt auf LoRA und QLoRA. Du lernst außerdem die Grundlagen von Model Alignment mit RLHF und DPO kennen und erfährst, wie Qualität sinnvoll evaluiert wird, auch jenseits klassischer Benchmarks, zum Beispiel mit dem RAGAS-Framework zur Messung der RAG-Qualität. Wer LLMs zusätzlich im Entwicklungsalltag einsetzen möchte, findet im Seminar Code-Optimierung mit ChatGPT einen praxisnahen Anschluss.
Die Themen Transformer-Mechanik, Tokenisierung und Kontextfenster · Inference mit Latenz, Throughput, KV-Cache und Batching · Prompting als Systemdesign mit Rollen, Tools und Policies...
LLM-Architektur und Inference
- Transformer-Mechanik, Tokenisierung und Kontextfenster
- Inference mit Latenz, Throughput, KV-Cache und Batching
- Prompting als Systemdesign mit Rollen, Tools und Policies
- Kontextmanagement und Steuerung von Modellantworten
Retrieval Augmented Generation in der Praxis
- RAG-Architekturen für belastbare Wissensabfragen
- Chunking-Strategien, Embeddings und Vektordatenbanken
- Funktionsweise von Pinecone, Milvus und Weaviate
- Semantic Search, Hybrid Search und Retriever-Tuning
- Reranking, Kontextbudget und Relevanzbewertung
- Quellenangaben und Maßnahmen zur Halluzinationsreduktion
Fine-Tuning und Modellanpassung
- Full Fine-Tuning im Vergleich zu Parameter-Efficient Fine-Tuning
- PEFT-Ansätze für ressourcenschonende Modellanpassung
- LoRA als Low-Rank Adaptation für LLMs
- QLoRA für quantisierte Fine-Tuning-Szenarien
- Abwägung von Datenlage, Kosten, Latenz und Zielverhalten
Model Alignment
- Grundlagen des Model Alignment für gewünschtes Modellverhalten
- Einordnung von RLHF als Reinforcement Learning from Human Feedback
- Einordnung von DPO als Direct Preference Optimization
- Praxisnahe Bewertung von Präferenzen, Regeln und Antwortqualität
Evaluation und Qualitätsmessung
- Metriken jenseits klassischer Benchmarks
- RAGAS-Framework zur Messung der RAG-Qualität
- Bewertung von Retrieval, Antwortrelevanz und Faithfulness
- Qualitätssicherung für produktionsnahe LLM-Anwendungen
Wer hier richtig ist
- Entwicklerinnen und Entwickler, die LLM-Anwendungen mit RAG, Tools und APIs produktionsnäher umsetzen
- Datenwissenschaftlerinnen und Datenwissenschaftler, die Retrieval, Embeddings, Fine-Tuning und Evaluation vertiefen
- Machine-Learning-Engineerinnen und Machine-Learning-Engineers mit Aufgaben in Modellanpassung, Inference und Qualitätssicherung
- KI-Verantwortliche in technischen Teams, die belastbare LLM-Architekturen bewerten und weiterentwickeln
Das lernst du
- Fundiertes Verständnis zentraler LLM-Inference-Faktoren wie Latenz, Throughput, KV-Cache und Batching
- Belastbare RAG-Architekturen mit Chunking, Embeddings und Vektordatenbanken planen
- Retriever-Qualität durch Semantic Search, Hybrid Search, Reranking und Kontextmanagement verbessern
- Fine-Tuning-Strategien wie Full Fine-Tuning, LoRA, QLoRA und PEFT fachlich einordnen
- Grundlagen von RLHF und DPO für Model Alignment nachvollziehbar bewerten
- RAG-Qualität mit geeigneten Metriken und RAGAS systematisch prüfen
So arbeiten wir
- Fachliche Impulse zu Architektur, Retrieval, Fine-Tuning, Alignment und Evaluation
- Praxisnahe Übungen zu RAG-Design, Retriever-Tuning und Qualitätsbewertung
- Analyse typischer Architekturentscheidungen für produktionsnahe LLM-Anwendungen
- Diskussion von Teilnehmerfällen aus Entwicklung, Data Science und KI-Projekten
- Vergleich von Methoden, Tools und Bewertungsansätzen anhand konkreter Anwendungsszenarien
Empfohlene Vorkenntnisse
- Grundkenntnisse zu Large Language Models, Prompting und typischen KI-Anwendungsfällen
- Grundverständnis von Machine Learning, Datenverarbeitung und APIs
- Python-Erfahrung ist hilfreich, besonders für Übungen zu Embeddings, Retrieval und Evaluation
- Bei fehlender ML-Praxis eignet sich der Python Machine Learning Grundkurs als Vorbereitung
Dein Fahrplan
Der erste Seminartag vertieft die technische Basis moderner Large Language Models. Behandelt werden Transformer-Mechanik, Tokenisierung, Kontextfenster, Inference-Faktoren wie Latenz, Throughput, KV-Cache und Batching sowie Prompting als Systemdesign mit Rollen, Tools und Policies.
Darauf aufbauend wird Retrieval Augmented Generation praxisnah strukturiert: Chunking-Strategien, Embeddings, Vektordatenbanken, Semantic Search, Hybrid Search, Reranking, Kontextbudget, Quellenangaben und Maßnahmen zur Halluzinationsreduktion.
Organisatorisches
Lernformate
Unsere Seminare bieten dir maximale Flexibilität: Du kannst zwischen Live-Online und Vor Ort in unseren modernen Schulungszentren im D-A-CH Raum wählen. Beide Formate garantieren dir die gleiche hohe Qualität und interaktive Lernerfahrung.
Schulungsarten
Wir bieten dir verschiedene Schulungsarten: Offene Seminare, Firmenseminare für Teams und Inhouse-Schulungen direkt bei dir vor Ort. So findest du genau das Format, das zu deinen Bedürfnissen passt.
Uhrzeiten
09:00-16:00 Uhr
Aktuelle Software
In unseren offenen Kursen arbeiten wir mit der aktuellsten Software-Version. So lernst du direkt mit den Tools und Features, die du auch in deinem Arbeitsalltag verwendest - praxisnah und zukunftsorientiert. Bei Inhouse- und Firmenschulungen bestimmt ihr die Version.
Deine Vorteile
Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Inklusivleistungen
Deine Teilnahme beinhaltet: Schulungsmaterial, Zertifikat, Verpflegung (bei Präsenzveranstaltungen) und persönliche Betreuung durch unsere Trainer und unser Orga-Team. Alles aus einer Hand - keine versteckten Kosten.
Lernen von Experten
Unsere Trainer sind zertifizierte und erfahrene Profis mit jahrelanger Berufserfahrung. Sie vermitteln dir in den Kursen nicht nur theoretisches Wissen, sondern teilen ihre Erfahrungen aus realen Projekten und helfen dir, das Gelernte direkt in deiner täglichen Arbeit anzuwenden. Das ist kein Werbeversprechen, sondern unser Anspruch. Am besten siehst du das in unseren Bewertungen, z.B. auch bei Google.
Keine Vorkasse
Du zahlst erst nach dem Seminar. Keine Vorkasse, keine Vorauszahlung - so kannst du sicher sein, dass du nur für das bezahlst, was du auch wirklich erhalten hast. Die Rechnung erhältst du erst nach Kursbeginn.
Max. 8 Teilnehmende
Wir setzen auf kleine Gruppen, damit du die Aufmerksamkeit bekommst, die du verdienst. So haben wir mehr Zeit für deine individuellen Fragen und können gezielt auf deine Bedürfnisse eingehen.
Termine & Buchung
Vor Ort
Online
Nicht der passende Termin dabei?
Wir finden eine Lösung: anderer Termin, mehrere Teilnehmer, Inhouse-Schulung oder individuelle Beratung.
Lieber gleich das ganze Team schulen?
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine nach Maß.
Inhouse-Schulung
Wir kommen zu euch: diese Schulung maßgeschneidert in euren Räumen, für Unternehmen und Behörden.
- Inhalte exakt auf euch zugeschnitten
- Termine nach euren Bedürfnissen
- Günstiger ab mehreren Teilnehmern
- Vertraute Umgebung, kein Reiseaufwand
Firmen-Seminar
Exklusiv für dein Team an einem unserer Standorte oder Live-Online, individuell angepasst.
- Geschlossene Gruppe aus eurem Haus
- Individuelle Terminplanung
- An unseren Standorten oder Live-Online
- Angepasste Inhalte
Fragen und Antworten zu Large Language Models Aufbaukurs: RAG, Anpassung und Training
Für wen ist der Large Language Models Aufbaukurs geeignet?
Das Seminar richtet sich an Entwicklerinnen und Entwickler, Datenwissenschaftlerinnen und Datenwissenschaftler sowie technische KI-Teams, die LLMs in der Praxis einsetzen und ihre Kenntnisse zu RAG, Fine-Tuning, Alignment und Evaluation vertiefen möchten.
Welche Voraussetzungen brauche ich für die LLM-Aufbau-Schulung?
Du solltest Grundkenntnisse zu Large Language Models, Prompting und typischen KI-Anwendungsfällen mitbringen. Erfahrung mit Python und APIs ist hilfreich, besonders für Embeddings, Retrieval und Evaluation. Als Vorbereitung eignet sich der Python Einstieg mit Machine Learning Grundkurs.
Was lerne ich zu RAG in der Praxis?
Du lernst, wie eine stabile RAG-Pipeline aufgebaut und bewertet wird. Dazu gehören Chunking-Strategien, Embeddings, Vektordatenbanken, Semantic Search, Hybrid Search, Reranking, Kontextbudget, Quellenangaben und Maßnahmen zur Halluzinationsreduktion.
Welche Vektordatenbanken werden im Seminar behandelt?
Das Seminar gibt einen Überblick über die Funktionsweise von Vektordatenbanken wie Pinecone, Milvus oder Weaviate. Der Schwerpunkt liegt auf ihrem Einsatz für Embeddings, Retrieval, Skalierung und Qualitätssicherung in RAG-Systemen.
Welche Fine-Tuning-Methoden werden behandelt?
Behandelt werden Full Fine-Tuning und Parameter-Efficient Fine-Tuning. Der Schwerpunkt liegt auf LoRA und QLoRA sowie auf der Frage, welche Methode zu Datenlage, Kosten, Latenz, Infrastruktur und gewünschter Modellanpassung passt.
Was bedeuten RLHF und DPO im Kontext von Model Alignment?
Model Alignment beschreibt Methoden, mit denen das Verhalten eines LLMs an gewünschte Präferenzen, Regeln und Qualitätsanforderungen angepasst wird. Im Seminar werden RLHF als Reinforcement Learning from Human Feedback und DPO als Direct Preference Optimization fachlich eingeordnet.
Wie wird die Qualität von RAG und LLM-Ausgaben evaluiert?
Du lernst Metriken jenseits reiner Benchmarks kennen und bewertest Retrieval, Antwortrelevanz und Faithfulness systematisch. Dazu gehört auch das RAGAS-Framework zur Messung der RAG-Qualität.
Welche weiterführenden KI-Schulungen passen nach dem Aufbaukurs?
Für Cloud-orientierte KI-Projekte passt das Developing Generative AI Applications on AWS Training. Wenn du LLMs stärker in Softwareentwicklung und Testprozesse einbinden möchtest, ist die Schulung Effektive KI Software-Tests mit LLMs eine sinnvolle Ergänzung.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
Passende Schulungen nach dem Kurs
Ähnliche Kurse
Large Language Models Advanced: Eigene LLMs und Tuning
Python Einstieg mit Machine Learning: Grundkurs
Pytorch Grundkurs: Deep Learning mit MLP und CNN
Python Machine Learning Grundkurs: Professioneller Einstieg
Natural Language Processing Grundkurs: Plattformen und Frameworks im Überblick
Unser Qualitätsversprechen: Wissen, das in der Praxis funktioniert
Aus der Praxis für die Praxis
Schluss mit theoretischem Ballast. Wir trainieren dich für reale IT-Herausforderungen, nicht für Multiple-Choice-Tests. Unsere Trainer vermitteln dir genau das Wissen, das am nächsten Montagmorgen im Job wirklich funktioniert.
Individuell statt "Schema F"
Deine Fragen passen nicht ins Standard-Skript? Bei uns schon. Wir verzichten auf starre Lehrpläne und geben deinen konkreten Projekt-Fragen Raum. Unsere Trainer passen die Inhalte flexibel an das an, was dich und dein Team aktuell weiterbringt.
Maximale Freiheit: Remote oder vor Ort
Lerne so, wie es in deinen Alltag passt - ohne Reise-Stress und Zeitverlust. Egal ob remote, hybrid oder präsent vor Ort: Wir garantieren dir ein nahtloses und effektives Lernerlebnis, egal von wo du dich zuschaltest.
Mit Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt - und wollen, dass du es auch bist. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Über 20.000 Unternehmen und Behörden vertrauen auf uns
