Private Enterprise GPT mit Spring AI - Eigene Unternehmensdaten für KI-Anwendungen nutzen

• 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.