- Einführung in Private Enterprise GPT und Spring AI
- Grundlagen von Large Language Models (LLMs)
- Unterschied zwischen Public GPTs und Private GPTs
- Architektur moderner Enterprise-AI-Anwendungen
- Überblick über Spring AI und das Ökosystem
- Grundlagen von Retrieval Augmented Generation (RAG)
- Funktionsweise von RAG-Architekturen
- Komponenten einer Retrieval-Pipeline
- Grenzen klassischer LLM-Anwendungen
- Typische Enterprise-Anwendungsfälle
- Dokumenten-Ingestion und Wissensaufbereitung
- Verarbeitung von PDF-, Office- und Textdokumenten
- Extraktion und Normalisierung von Inhalten
- Aufbau von Wissensquellen und Dokumenten-Pipelines
- Qualitätssicherung bei Unternehmensdaten
- Chunking und Chunk-Optimierung
- Grundlagen des Chunkings
- Fixed-Size-, Semantic- und Recursive-Chunking
- Chunk-Größe und Retrieval-Qualität
- Strategien zur Optimierung von Suchergebnissen
- Embeddings und Vektordatenbanken
- Erzeugung von Embeddings
- Similarity Search und Vektorsuche
- Einbindung von Vektordatenbanken
- Indexierung und Performance-Optimierung
- Metadata-Aware Retrieval und Suchstrategien
- Verwendung von Metadaten im Retrieval-Prozess
- Filterung und Ranking von Dokumenten
- Hybrid Search und Multi-Stage Retrieval
- Verbesserung der Antwortqualität
- Prompt Engineering und Prompt-Orchestrierung
- Aufbau effektiver Prompts
- Context Management für RAG-Systeme
- Prompt Templates und Workflows
- Steuerung von KI-Antworten
- Entwicklung einer produktionsreifen Private-GPT-Anwendung
- Integration aller Komponenten mit Spring AI
- Sicherheit und Datenschutz
- Monitoring, Logging und Observability
- Wartbarkeit und Skalierbarkeit von AI-Anwendungen
- Praxisworkshop: Aufbau einer vollständigen Enterprise-GPT-Lösung
- Implementierung einer End-to-End-RAG-Anwendung
- Anbindung eigener Unternehmensdaten
- Optimierung und Testing
- Best Practices für den produktiven Einsatz
LernzieleNach dem Seminar sind Sie in der Lage, eine vollständige Private-Enterprise-GPT-Lösung auf Basis von Spring AI zu konzipieren, zu entwickeln und produktionsreif bereitzustellen. Sie verstehen die zentralen Konzepte von Retrieval Augmented Generation, Embeddings, Vektordatenbanken und Retrieval-Pipelines und können Unternehmenswissen gezielt für KI-Anwendungen nutzbar machen. Darüber hinaus beherrschen Sie die Entwicklung effizienter Dokumenten-Pipelines, die Optimierung von Retrieval-Prozessen sowie die Integration moderner KI-Funktionen in bestehende Java- und Spring-Anwendungen.
ZielgruppenDas Seminar richtet sich an Java-Entwickler, Softwarearchitekten, Solution Architects, Technical Leads, Backend-Entwickler sowie IT-Professionals, die KI-Anwendungen mit eigenen Unternehmensdaten entwickeln möchten. Besonders geeignet ist die Schulung für Teams, die Retrieval-Augmented-Generation-Lösungen, Enterprise-Chatbots, Wissensmanagement-Systeme oder intelligente Suchanwendungen auf Basis moderner KI-Technologien realisieren möchten.
Voraussetzungen:
Sie verfügen über gute Kenntnisse der Java-Programmierung.
Sie besitzen praktische Erfahrung mit Spring Boot und der Entwicklung von Backend-Anwendungen.
Sie haben Grundkenntnisse moderner Softwarearchitekturen und Web-APIs.
Grundlegende Kenntnisse zu Large Language Models oder Generativer KI sind hilfreich, aber nicht zwingend erforderlich.
