Vektordatenbanken und Embeddings mit KI in der Praxis

Vektordatenbanken und Embeddings mit KI in der Praxis: Ähnlichkeit und Distanzmaße.

MODUL 01: EMBEDDINGS VERSTEHEN

• Was Embeddings sind und wie sie entstehen
• Ähnlichkeit und Distanzmaße
• Modelle für Text, Bild und Multimodal
• Live-Demo: ähnliche Texte finden sich im Vektorraum
• Ihre Ausgangslage: Welche Suche brauchen Sie?

MODUL 02: VEKTORDATENBANKEN

• ANN-Indizes und ihre Trade-offs
• Marktüberblick: pgvector, Qdrant, Milvus, Pinecone
• Übung: Sie bauen eine semantische Suche auf
• Der Aha-Moment: die Suche versteht die Bedeutung
• Das richtige Werkzeug wählen

MODUL 03: IN DER ANWENDUNG

• Chunking, Metadaten und Filter
• Hybrid Search und Re-Ranking
• Qualität und Evaluation
• Übung: Sie verbessern die Trefferqualität
• Relevanz messbar machen

MODUL 04: BETRIEB

• Skalierung, Aktualisierung und Kosten
• Zugriffsrechte und Mandantentrennung
• Fallstudie: Vektorsuche in Produktion
• Monitoring der Suchqualität
• Ihr Fahrplan zur produktiven Vektorsuche