Von Null zum eigenen Forschungsassistenten: RAG-Anwendungen praktisch umgesetzt.

In diesem Hands-on-Workshop führen wir Sie Schritt für Schritt durch den Aufbau einer eigenen Retrieval-Augmented Generation (RAG) Anwendung. Am Beispiel eines interaktiven Chatbots, der wissenschaftliche Fachartikel analysieren und kontextbezogen beantworten kann, demonstrieren wir die Kernkonzepte dieser KI-Technologie.

RAG-Systeme kombinieren die Stärken großer Sprachmodelle mit präzisen Informationsabruftechniken und ermöglichen so die Entwicklung von KI-Anwendungen, die auf spezifische Wissensbereiche zugeschnitten sind. Im Gegensatz zu Standard-Chatbots können RAG-Systeme auf Fachliteratur und domänenspezifisches Wissen zurückgreifen, um präzise und fundierte Antworten zu liefern.

Der Workshop gliedert sich in zwei Hauptteile: Zunächst erläutern wir die theoretischen Grundlagen von RAG-Systemen. Anschließend gehen wir zur praktischen Implementierung über, bei der wir gemeinsam den Dokumentenkorpus vorbereiten, Embeddings generieren, einen Vektorspeicher aufbauen und die Integration mit einem Sprachmodell durchführen.

Am Ende des Workshops verfügen Sie über einen funktionsfähigen Prototyp, den Sie für Ihre eigenen Anwendungsfälle weiterentwickeln können – sei es für Forschungszwecke, Wissensmanagement oder als intelligente Assistenzsysteme in Ihrem Fachbereich.

Anforderung: Laptop mit Internetzugang. Grundlegende Python Kenntnisse.

Agenda:

Einführung in RAG (Retrieval-Augmented Generation)
Überblick über das Konzept und die Einsatzmöglichkeiten
Vorteile gegenüber klassischen Chatbots
Beispiel: interaktiver KI-Chatbot für wissenschaftliche Fachartikel

Theoretische Grundlagen
Aufbau und Funktionsweise von RAG-Systemen
Zusammenspiel von Sprachmodellen und Retrieval-Komponenten
Anwendungsfelder im wissenschaftlichen Kontext

Praktischer Teil: Schritt-für-Schritt-Umsetzung
Vorbereitung des Dokumentenkorpus
Generierung von Embeddings
Aufbau eines Vektorspeichers
Integration mit einem Sprachmodell (z. B. OpenAI, Hugging Face)

Abschluss & Ausblick
Testen des eigenen Prototyps
Anwendungsmöglichkeiten im eigenen Forschungsumfeld
Weiterführende Ideen zur Individualisierung und Skalierung