Schulungen

RAG und GraphRAG Training – semantische Suche mit vernetztem Wissen verbinden

Auf Anfrage

1 - 2 Tag

Online, München oder Inhouse

Auf Anfrage

Deutsch oder Englisch

Digitales Teilnehmerzertifikat

RAG und GraphRAG kombinieren, semantische Zusammenhänge erschließen und generative KI mit relevantem Kontext versorgen. Generative KI kennt nicht automatisch die internen Informationen, aktuellen Dokumente oder fachspezifischen Wissensbestände, die für belastbare Ergebnisse erforderlich sind. Retrieval-Augmented Generation (RAG) ruft relevante Informationen aus angebundenen Wissensquellen ab und stellt sie dem Sprachmodell als Kontext bereit. Vektorbasiertes Retrieval findet dabei inhaltlich ähnliche Textpassagen. GraphRAG ergänzt diesen Zugang um explizit modellierte Beziehungen zwischen Entitäten und Konzepten – damit nicht nur einzelne Fundstellen, sondern auch dokumentübergreifende Zusammenhänge in die Antwort einfließen können.
Unser RAG und GraphRAG Training verbindet den Aufbau einer vollständigen RAG-Pipeline mit einer graphgestützten Erweiterung. Sie lernen Datenaufbereitung, Embeddings, Chunking, semantische Suche, Vektordatenbanken und Evaluation kennen und setzen die Pipeline in Python-Notebooks um. Darauf aufbauend erschließen Sie Entitäten und Beziehungen in einem Wissensgraphen und kombinieren diese mit den relevanten Originaltexten zu einem gemeinsamen Antwortkontext. Dabei betrachten Sie sowohl Open-Source-LLMs als auch kommerzielle Modelle und arbeiten mit eigenen oder bereitgestellten Datenquellen.

Ansprechpartner

Jonas Kuhlmann
Top Consultant Award
Zufriedene Kunden aus Mittelstand und Konzernen

Inhalte und Ablauf des RAG und GraphRAG Trainings

Die Weiterbildung behält den Weg von den Grundlagen über die technische Umsetzung bis zur Evaluation bei. Sie entwickeln zunächst die RAG-Basis und ergänzen sie im zweiten Teil der technischen Umsetzung um GraphRAG. Im Mittelpunkt steht das Zusammenspiel: semantisch passende Inhalte finden, relevante Beziehungen erschließen und beides zu einem nachvollziehbaren Kontext für die Antwort verbinden.

  • Einführung in Generative KI und die Rolle von RAG in modernen KI‑Architekturen
  • Zusammenspiel von Wissensquellen, semantischem Retrieval, Wissensgraph und Textgenerierung verstehen
  • RAG, vektorbasiertes Retrieval und GraphRAG einordnen: GraphRAG als Erweiterung von RAG, nicht als konkurrierendes Grundprinzip
  • Bewerten, wann semantische Suche genügt und wann dokumentübergreifende Beziehungen oder mehrstufige Fragen eine graphgestützte Erweiterung sinnvoll machen
  • Dokumente, Datenbanken, Websites, Wikis und APIs als Wissensquellen anbinden
  • Unterschiedliche Integrationswege und Datenzugriffe einordnen
  • Geeignete Large Language Models für RAG‑Anwendungen auswählen
  • Open‑Source‑LLMs und kommerzielle Modelle vergleichen
  • RAG und Fine‑Tuning voneinander abgrenzen
  • Typische Fehlerquellen, Qualitätsprobleme und Best Practices analysieren

Ergebnis
Sie können eigene Anwendungsfälle einordnen und eine Wissensarchitektur skizzieren, die semantisches Retrieval bei Bedarf mit graphbasiertem Kontext verbindet.

Teil 1 – Semantische Suche und vollständige RAG-Pipeline

  • Dokumente und Wissensbestände aufbereiten und strukturieren
  • Grundlagen von Embeddings und semantischer Ähnlichkeit verstehen
  • Chunking‑Strategien entwickeln und ihren Einfluss auf die Retrieval‑Qualität bewerten
  • Ähnlichkeiten im Embedding‑Raum visualisieren und interpretieren
  • Similarity Search, Top‑K‑Retrieval und Vektordatenbanken einsetzen
  • Reranking‑Strategien zur Verbesserung relevanter Treffer nutzen
  • Prompt‑Design für kontextbasierte und nachvollziehbare Antworten entwickeln
  • Retrieval‑Ergebnisse strukturiert an das Sprachmodell übergeben
  • Eine vollständige RAG‑Pipeline in Python‑Notebooks umsetzen
  • Mit eigenen oder bereitgestellten Datenquellen arbeiten

Teil 2 – GraphRAG: Beziehungen erschließen und mit semantischer Suche kombinieren

Semantische Ähnlichkeit beantwortet die Frage „Welche Inhalte passen zur Anfrage?“. Der Wissensgraph ergänzt „Welche Entitäten hängen wie miteinander zusammen?“. Eine kombinierte Retrieval-Architektur nutzt beide Perspektiven: Sie findet semantisch relevante Einstiegspunkte und ergänzt verknüpfte Entitäten, Beziehungen und zugehörige Originalpassagen. So entsteht ein Antwortkontext, der inhaltliche Nähe und explizite Zusammenhänge zusammenführt.

  • Entitäten und Konzepte aus Texten extrahieren, vereinheitlichen und ihre Beziehungen als Knoten und Kanten modellieren
  • Beziehungsbedeutung explizit machen, beispielsweise „ist Bestandteil von“, „verwendet“ oder „hängt ab von“; Ähnlichkeit nicht mit einer belegten Beziehung gleichsetzen
  • Semantisches Retrieval als Einstieg nutzen und den Kontext durch verbundene Entitäten und passende Quellpassagen erweitern
  • Mehrstufige Fragen über mehrere Beziehungen hinweg bearbeiten (Multi-Hop) und dabei die Verbindung zu den Originalquellen erhalten
  • Am Beispiel von Microsoft GraphRAG lokale, entitätsbezogene Suche und globale Suche über Zusammenfassungen thematischer Graph-Communities unterscheiden
  • Texttreffer, Entitäten, Beziehungen und gegebenenfalls Community-Zusammenfassungen priorisieren, filtern und innerhalb des verfügbaren Kontextfensters zusammenführen
  • Hands-on: Die bestehende RAG-Pipeline um graphgestütztes Retrieval ergänzen und beide Ansätze an denselben Fragen vergleichen
  • Antworten mit Quellenbezug erzeugen und prüfen, ob dargestellte Zusammenhänge durch die zugrunde liegenden Dokumente gedeckt sind

Illustratives Praxisbeispiel: Eine Frage lautet: „Welche Produkte könnten von einer Änderung an Bauteil A betroffen sein?“ Die semantische Suche findet passende Änderungsdokumente. Der Graph ergänzt die modellierten Verbindungen zwischen Bauteil, Baugruppe und Produkt; verknüpfte Originalpassagen liefern die Belege. Das Sprachmodell kann daraus eine begründete Antwort erstellen – soweit diese Beziehungen in der Wissensbasis vorhanden und korrekt erfasst sind.

Ergebnis
Eine funktionsfähige RAG-Pipeline mit graphgestützter Erweiterung: semantisch relevante Inhalte und explizite Beziehungen werden zu einem quellenbezogenen Antwortkontext verbunden.

  • Retrieval‑ und Antwortqualität systematisch bewerten
  • Geeignete Testdatensätze und Bewertungsmaßstäbe entwickeln
  • Qualitätsmetriken für Retrieval, Quellenbezug und generierte Antworten definieren
  • Automatisierte und LLM‑gestützte Evaluation einsetzen
  • Chunking, Embeddings, Retrieval, Reranking und Prompts gezielt optimieren
  • Parameter vergleichen und Experimente nachvollziehbar durchführen
  • Experiment‑Tracking und Versionierung, beispielsweise mit MLflow
  • Eine RAG‑Anwendung als API‑Service mit FastAPI bereitstellen
  • Grundlagen von Deployment, Monitoring und Betrieb verstehen
  • Daten‑ und Konzeptdrift in RAG‑Systemen erkennen
  • Veränderte Datenbestände analysieren und Gegenmaßnahmen ableiten
  • Den Übergang vom Prototyp zur wartbaren und produktionsfähigen Lösung gestalten
  • Vektorbasiertes RAG und die kombinierte RAG-/GraphRAG-Pipeline an denselben Testfragen vergleichen: Einzelfakten, dokumentübergreifende Beziehungen und übergreifende Themen
  • Extrahierte Entitäten und Beziehungen auf Vollständigkeit, Mehrdeutigkeit und Quellenbezug prüfen; fehlerhafte Verknüpfungen als mögliche Fehlerquelle berücksichtigen
  • Zusätzlichen Indexierungsaufwand, Antwortlatenz und Kosten gegen den gemessenen Qualitätsgewinn abwägen – GraphRAG ist nicht für jede Frage automatisch die bessere Wahl

Ergebnis
Ein evaluierter RAG-/GraphRAG-Ansatz mit nachvollziehbarem Vergleich von Antwortqualität und Aufwand sowie einer Perspektive für API-Betrieb, Monitoring und produktive Nutzung.

Was Sie nach dem RAG und GraphRAG Training direkt anwenden können

Nach dem Training können Sie RAG-Systeme konzipieren, um GraphRAG erweitern und den Nutzen der Kombination anhand konkreter Fragen bewerten. Sie unterscheiden semantische Ähnlichkeit von expliziten Beziehungen und führen beide in einem nachvollziehbaren Antwortkontext zusammen.

Für wen eignet sich das RAG und GraphRAG Training?

Dieses Training richtet sich an:

  • Data Scientists und Machine‑Learning‑Engineers
  • Softwareentwickler und Data Engineers
  • KI‑ und Innovationsteams
  • Solution‑ und Softwarearchitekten
  • Verantwortliche für Wissensmanagement und digitale Produkte
  • Technische Projektleiter und Product Owner
  • Unternehmen, die generative KI mit eigenen Daten verbinden möchten

Die Weiterbildung eignet sich für Teilnehmer mit technischem Grundverständnis und ersten Erfahrungen mit Python oder generativer KI.

Teilnahmevoraussetzung für das RAG und GraphRAG Training

Grundkenntnisse in Python, Softwareentwicklung oder Data Science sind empfehlenswert. Erste Erfahrungen mit Large Language Models oder generativer KI sind hilfreich, aber keine zwingende Voraussetzung.

Individuelle RAG und GraphRAG Trainings und Inhouse-Workshops

Über uns als Schulungsanbieter

Wir sind eine erfahrene Unternehmensberatung mit Expertise in künstlicher Intelligenz, Data Science, Softwareentwicklung und digitaler Transformation. Unsere RAG‑Trainings verbinden technologische Grundlagen mit konkreter Umsetzung und zeigen, wie generative KI sicher mit Unternehmenswissen und eigenen Daten verbunden werden kann.

Wir unterstützen Unternehmen dabei, RAG‑Systeme von der ersten Idee über Prototyping und Evaluation bis hin zu API‑Integration, Monitoring und produktiver Skalierung zu entwickeln.

01

Praxisorientiert statt theoretisch
Unsere Schulungen basieren auf realen Projekterfahrungen, nicht nur auf Lehrbuchwissen.

02

Mehr als 20 Jahre Erfahrung
Wir kennen Anforderungen und Herausforderungen zahlreicher Branchen und bringen wertvolle Insights direkt in Ihre Schulung ein.

03

Sofort anwendbares Know-how
Alles, was wir vermitteln, setzen wir selbst tagtäglich beim Kunden um – garantiert praxistauglich und zielgerichtet.

04

Individuell für Ihr Unternehmen
Inhalte, Beispiele und Tools können exakt auf Ihre Prozesse und Herausforderungen zugeschnitten werden.

05

Trainer:innen mit Projekt-Hintergrund
Sie lernen von Berater:innen, die selbst aktiv Projekte führen und begleiten – kein reines Schulungspersonal.

06

Modernste Methoden und Technologien
Sie profitieren von aktuellen Trends, bewährten Best Practices und praxisrelevanten Tools, die zu Ihrer Situation passen.

Kompetenz in Retrieval-Augmented Generation – Ihr Trainer

Jonas Kuhlmann

Jonas Kuhlmann begleitet Unternehmen bei der Entwicklung und Einführung moderner KI‑Systeme. Sein Schwerpunkt liegt auf generativer KI, Datenintegration und der Umsetzung produktiver RAG‑Anwendungen. Er vermittelt technische Zusammenhänge verständlich und führt die Teilnehmer strukturiert von der Use‑Case‑Bewertung bis zur funktionsfähigen Pipeline.

Dabei verbindet Jonas fundiertes Wissen zu LLMs, Datenaufbereitung und Softwareentwicklung mit einem klaren Blick für Qualität, Skalierbarkeit und produktive Nutzung. So lernen Sie nicht nur, einen RAG‑Prototyp zu entwickeln, sondern auch, welche Voraussetzungen für einen stabilen Betrieb im Unternehmen erforderlich sind.

Inhouse Academy: Kompetenz aufbauen. Wirkung messen. Organisation stärken.

Auf Wunsch entwickeln wir für Sie eine vollständige Lernorganisation, die Einzeltrainings mit strukturierten Lernpfaden, internen Champions und digitalem Praxistransfer verbindet.

Jetzt unverbindlichen
Termin anfragen

TISAX und ISO-Zertifizierung nur für den Standort in München

Ihre Nachricht



    *Pflichtfeld

    Bitte beweise, dass du kein Spambot bist und wähle das Symbol Auto.

    TISAX und ISO-Zertifizierung nur für den Standort in München

    Entdecken Sie weitere Weiterbildungen, Seminare & Schulungen

    ChatGPT Schulung: KI professionell im Arbeitsalltag nutzen

    Weniger Aufwand, mehr Wirkung: Mit gezielter Nutzung von ChatGPT verwandeln Sie tägliche Routinen in echte Wertschöpfung.

    ChatGPT und Copilot Schulung: Zeit im Alltag sparen mit KI und effektiven Prompt Engineering

    Erfahren Sie in dieser Schulung, wie Sie ChatGPT, Copilot und gezieltes Prompt Engineering nutzen, um Künstliche Intelligenz effizient in Ihren Arbeitsalltag zu integrieren – für mehr Innovation, Wertschöpfung und Produktivität.

    Product Owner Training: Ihr Wegbereiter für erfolgreiche Scrum-Teams

    In dieser Schulung erfahren Sie, wie Sie als Product Owner Ihre Rolle strategisch und effektiv ausfüllen – für mehr Klarheit, Fokus und nachhaltigen Erfolg im agilen Projektalltag.

    Resilienz Seminar für Führungskräfte

    Erfahren Sie in diesem Resilienz Seminar für Führungskräfte, wie Sie mit praxiserprobten Methoden und wirkungsvollen Routinen Ihre eigene Widerstandskraft und die Ihres Teams stärken – für mehr Souveränität, Klarheit und Stabilität in herausfordernden Führungssituationen.

    Releasemanager Training

    Lernen Sie in diesem Training, wie Sie strukturierte und agile Release-Management-Prozesse aufbauen und optimieren, um eine schnellere und verlässlichere Servicebereitstellung in Ihrem Unternehmen zu gewährleisten.

    Requirements Engineering Schulung: Der Schlüssel zu erfolgreichen Projekten

    Erfahren Sie in dieser Schulung, wie Sie klar definierte Anforderungen erstellen und dadurch Ihre Projekte effizienter, kundenorientierter und risikoärmer gestalten – für nachweisbaren Erfolg von Anfang an.

    Resilienz Training für Führungskräfte, Teams und Mitarbeitende: Widerstandskraft gezielt stärken

    Lernen Sie in dieser Schulung, wie Sie mit praxiserprobten Methoden Ihre persönliche und kollektive Resilienz stärken, Stress wirksam reduzieren und Veränderungen im Arbeitsalltag souverän meistern.

    Schulung: Wie Sie die Generation Z gewinnen, führen und binden

    Entdecken Sie hier, wie Sie moderne Führungsansätze anwenden, um junge Talente der Generation Z erfolgreich zu begeistern, zu gewinnen und dauerhaft ans Unternehmen zu binden.

    Scrum Basic Schulung – Agile Grundlagen für nachhaltigen Unternehmenserfolg

    Lernen Sie in diesem Kurs, die Grundlagen agiler Arbeit mit Scrum kennen. Sie bekommen praxisnahe Einblicke und erfahren, wie Sie moderne Projektmethoden gezielt einsetzen und direkt anwenden können.

    FAQ – Häufige Fragen zum RAG und GraphRAG Training

    Retrieval-Augmented Generation ist ein Ansatz, bei dem ein Sprachmodell relevante Informationen aus externen Wissensquellen abruft und für die Antwortgenerierung verwendet. Dadurch kann die KI auf aktuelle, unternehmensspezifische oder fachliche Inhalte zugreifen. Die Antworten werden dadurch stärker mit bereitgestellten Quellen verknüpft als bei einer reinen Nutzung des Sprachmodells.

    GraphRAG ist ein graphgestützter Ansatz innerhalb von Retrieval-Augmented Generation. Zusätzlich zu Textpassagen werden Entitäten und ihre Beziehungen für den Antwortkontext erschlossen. Microsoft GraphRAG erzeugt dafür einen Wissensgraphen aus Texten und nutzt unter anderem Zusammenfassungen thematischer Communities. Die lokale Suche verbindet Graphinformationen mit relevanten Originalpassagen. Damit ergänzt GraphRAG RAG um einen strukturierten Zugang zu vernetztem Wissen; es ersetzt die Dokumente und deren Quellenbezug nicht.

    Die semantische Suche identifiziert Inhalte oder Entitäten, deren Bedeutung zur Anfrage passt – auch bei unterschiedlichen Formulierungen. Diese Treffer können als Einstiegspunkte in den Wissensgraphen dienen. Von dort werden relevante Beziehungen und zugehörige Textstellen erschlossen und für das Sprachmodell priorisiert. So verbindet die Antwort inhaltliche Nähe mit dokumentierten Zusammenhängen, statt allein auf ähnlichen Textausschnitten zu beruhen.

    Die Kombination ist besonders dann prüfenswert, wenn Antworten Informationen aus mehreren Dokumenten verbinden, Beziehungen über mehrere Schritte verfolgen oder übergreifende Themen erschließen müssen. Für einfache, lokal beantwortbare Fragen kann vektorbasiertes RAG ausreichen. Ein Wissensgraph verursacht zusätzlichen Aufbau- und Pflegeaufwand; fehlende oder fehlerhaft extrahierte Beziehungen können Antworten beeinträchtigen. Deshalb prüfen Sie im Training den tatsächlichen Mehrwert mit geeigneten Testfragen, statt automatisch höhere Qualität zu unterstellen.

    Für die technische Umsetzung sind Grundkenntnisse in Python oder Softwareentwicklung empfehlenswert. Das Training behandelt neben den Konzepten auch eine vollständige Pipeline in Python‑Notebooks. Teilnehmer ohne Programmiererfahrung können die Architektur und Funktionsweise verstehen, werden die praktischen Implementierungen jedoch nur eingeschränkt selbstständig umsetzen können.

    Typische Quellen sind Dokumente, PDFs, Datenbanken, Websites, Wikis und APIs. Im Training lernen Sie, wie Inhalte aufbereitet, strukturiert und für das Retrieval verfügbar gemacht werden. Eigene Datenquellen können bei Inhouse‑Formaten berücksichtigt werden.

    RAG ergänzt ein Sprachmodell zur Laufzeit um relevante Informationen aus externen Wissensquellen. Fine‑Tuning verändert dagegen das Modell selbst durch zusätzliches Training. Im Training lernen Sie, für welche Anforderungen RAG, Fine‑Tuning oder eine Kombination beider Ansätze sinnvoll ist.

    Embeddings wandeln Inhalte in Zahlenrepräsentationen um, mit denen semantische Ähnlichkeiten berechnet werden können. Vektordatenbanken speichern diese Repräsentationen und ermöglichen eine schnelle Suche nach relevanten Inhalten. Beide Komponenten bilden eine wichtige Grundlage für leistungsfähiges Retrieval.

    Die Qualität wird auf mehreren Ebenen betrachtet: Werden die richtigen Informationen abgerufen? Sind die Quellen relevant? Bezieht sich die Antwort korrekt auf den bereitgestellten Kontext? Im Training entwickeln Sie Testdatensätze und nutzen geeignete Metriken sowie automatisierte und LLM‑gestützte Evaluationsmethoden.

    Beim Chunking werden Dokumente in kleinere Abschnitte unterteilt. Sind die Abschnitte zu groß, enthalten sie möglicherweise zu viele irrelevante Informationen; sind sie zu klein, können wichtige Zusammenhänge verloren gehen. Im Training untersuchen Sie verschiedene Strategien und deren Einfluss auf Retrieval und Antwortqualität.

    Ja. Besonders bei Inhouse‑Trainings können eigene Dokumente, Wissensbestände und Datenquellen verwendet werden. Dadurch lässt sich die Pipeline auf konkrete Anforderungen Ihres Unternehmens ausrichten. Vertrauliche Informationen sollten dabei nur in freigegebenen oder anonymisierten Umgebungen verarbeitet werden.

    Ein Prototyp benötigt für den produktiven Betrieb zusätzliche Komponenten wie API‑Bereitstellung, Monitoring, Zugriffsschutz, Versionierung und Qualitätssicherung. Außerdem müssen Daten‑ und Konzeptdrift regelmäßig geprüft werden. Das Training zeigt, welche Schritte vom Notebook‑Prototyp bis zu einer wartbaren Lösung erforderlich sind.

    Nach oben scrollen