Optimierung von RAG-Systemen

RAG macht jede*r − doch wie macht man es richtig?

Retrieval Augmented Generation (RAG) ist längst ein unverzichtbares Konzept für die Entwicklung leistungsstarker KI-Anwendungen. Doch für fortgeschrittene Entwickler*innen stellt sich nicht mehr die Frage, was RAG ist, sondern wie sie diese Systeme optimal nutzen. Wie lässt sich die Antwortqualität maximieren und der gesamte Workflow effizient gestalten?

Um diese Fragen zu beantworten, kommen kontinuierliche neue RAG-Optimierungsansätze hinzu. Das stellt die Entwickler*innen vor ein Dilemma: Die eingesetzten RAG-Systeme nicht zu optimieren, kann zu erheblichen Effizienz-Verlusten führen. Sich selbst über die wachsende Zahl der Möglichkeiten einen Überblick zu verschaffen, wird aufgrund der schieren Auswahl häufig zu einer ebenso aufwändigen wie frustrierenden Aufgabe.

Das geht einfacher. In diesem Training geben wir die Erkenntnisse weiter, die wir selbst in rund 2 Jahren im Umgang mit RAG gesammelt haben. Dazu evaluieren die Teilnehmenden anhand praxisnaher Beispiele die effektivsten Optimierungstechniken. Dabei lernen sie, welche Methoden (Reranking, Hybrid Retrival, Query Expansion, Knowledge Graphs,.. ) den größten Effekt erzielen und wie sie sich in den eigenen Anwendungsfällen einsetzen lassen.