Inhouse-Schulung · RAG · Python

Enterprise RAG mit Python: KI-Anwendungen mit Unternehmensdokumenten entwickeln

In zwei Tagen entwickelt Ihr Team eine RAG-Anwendung, die Dokumente mit Docling versteht, die richtigen Stellen findet und mit Quellenangabe antwortet – von der Dokumentenaufbereitung bis zur FastAPI-Schnittstelle und zur Anbindung an die Chat-Oberfläche.

4.500 € netto pro Unternehmensgruppe, bis 8 Teilnehmende

Diese Schulung anfragen Agenda ansehen ↓

Aus der Praxis: Dokumentenverarbeitung mit Docling, Embeddings und Antworten mit Quelle setze ich in produktiven KI-Anwendungen ein. Die Schulung zeigt, was zwischen Demo und Produktion passiert.

Vom Dokumentenarchiv zur Antwort mit Quelle.

In fast jedem Unternehmen steckt Wissen in Handbüchern, Richtlinien, Verträgen und Tickets – und ist trotzdem schwer zu finden. Retrieval-Augmented Generation (RAG) verbindet ein Sprachmodell mit Ihren eigenen Dokumenten: Es antwortet auf Basis Ihrer Quellen und zeigt, woher die Antwort stammt.

Eine RAG-Demo ist an einem Nachmittag gebaut. Eine Anwendung, der Mitarbeitende vertrauen, nicht. Dafür braucht es saubere Dokumentenaufbereitung, gutes Retrieval, messbare Qualität und Berechtigungen – genau darum geht es in diesen zwei Tagen.

Für Ihr Unternehmen bedeutet das

ein Team, das RAG-Projekte realistisch einschätzen und selbst umsetzen kann
weniger Fehlstarts durch Prototypen, die im Alltag nicht tragen
eine Grundlage, um Anbieter und fertige Produkte fachlich zu bewerten

Für wen diese Schulung gedacht ist

Python-Entwickler, die KI-Funktionen in Anwendungen bauen sollen
AI Engineers, die von Prototypen zu belastbaren Anwendungen kommen wollen
Backend- und Software-Architekten, die RAG in bestehende Systeme integrieren
Technische Leitungen, die RAG-Vorhaben bewerten und steuern

Nicht geeignet für

Teilnehmende ohne Programmiererfahrung in Python, Teams, die eine fertige Chatbot-Software nur konfigurieren wollen, und alle, die Modelle trainieren oder feintunen möchten – der Unterschied zu RAG wird erklärt, Fine-Tuning selbst ist nicht Inhalt.

Nach zwei Tagen kann Ihr Team …

erklären, wie RAG funktioniert und wann RAG, Fine-Tuning oder keines von beidem sinnvoll ist
Dokumente mit Docling einlesen und dabei Tabellen, Überschriften und Struktur erhalten
Inhalte sinnvoll in Abschnitte zerlegen, mit Embedding-Modellen indexieren und semantisch durchsuchen
eine RAG-Pipeline mit Quellenbelegen bauen und als FastAPI-Schnittstelle bereitstellen
die Wissensdatenbank an eine Chat-Oberfläche und an bestehende Anwendungen anbinden
Antwortqualität messen, Halluzinationen reduzieren sowie Berechtigungen und Datenschutz berücksichtigen

Wie gut eine RAG-Anwendung in Ihrem Unternehmen funktioniert, hängt stark von Ihren Dokumenten ab. Das lässt sich im Anschluss in einem Proof of Concept prüfen.

Voraussetzungen

solide Python-Kenntnisse: Funktionen, Pakete, virtuelle Umgebungen
Verständnis von HTTP-APIs und JSON
Grundkenntnisse in Git
Machine-Learning-Vorwissen ist nicht nötig

Technisch genügt ein Laptop mit Browser. In der vorbereiteten Lab-Umgebung stehen Python, eine Open-Source-Vektordatenbank, Docling und ein Open-Source-Sprachmodell bereit. API-Schlüssel für externe KI-Dienste sind nicht nötig.

Zwei Tage im Detail.

Tag 1 — Dokumente und Suche

09:00

Grundlagen von RAG

Funktionsweise · RAG oder Fine-Tuning · typische Anwendungsfälle in Unternehmen

Input

10:00

Dokumentenverarbeitung mit Docling

PDFs, Office-Dokumente und Scans einlesen · Tabellen, Überschriften und Struktur erhalten · Chunking und Metadaten

Input, Demo

11:15

Embeddings und Vektorsuche

Semantische Suche verstehen · Embedding-Modelle einsetzen · Open-Source-Vektordatenbank

Input, Demo

12:30