Katalog
/
Datenbanken
/
pgvector für Vector Search und AI Applications mit PostgreSQL

pgvector für Vector Search und AI Applications mit PostgreSQL

Ein praxisnaher zweitägiger technischer Kurs für Teilnehmende, die neu mit pgvector arbeiten und Vector Search direkt in PostgreSQL integrieren möchten. Die Agenda führt von Extension Setup, Vector Data Types, Embeddings und SQL Similarity Queries über HNSW- und IVFFlat-Indexing, Filtering und Query Optimization bis zu Python Integration, Semantic Search und RAG Applications. Der Kurs konzentriert sich darauf, vertraute relationale Datenbankfunktionen mit effizientem Vector Retrieval zu verbinden.

Was werden Sie lernen?

Sie lernen, wie pgvector PostgreSQL um Vector Storage, Similarity Operators und Approximate-Nearest-Neighbor-Indexing erweitert. Sie arbeiten mit Embeddings, SQL Vector Queries, HNSW- und IVFFlat-Indexes, Filtering, Execution Plans und Performance Tuning. Zusätzlich lernen Sie, pgvector mit Python Applications zu integrieren und PostgreSQL als Retrieval Layer für Semantic Search und RAG Systems einzusetzen.

  • Vector Embeddings direkt in PostgreSQL speichern und abfragen
  • Exact und Approximate Similarity Search mit SQL, HNSW und IVFFlat implementieren
  • Vector Retrieval mit relationalen Filters kombinieren und Query Performance optimieren
  • pgvector mit Python, Semantic Search und RAG Applications integrieren

Voraussetzungen:

  • Praktische Kenntnisse in PostgreSQL, relationalen Datenbanken und SQL
  • Erfahrung mit dem Erstellen von Tables, Datenabfragen und Database Indexes
  • Grundlegendes Verständnis von Vector Embeddings und Similarity Search
  • Grundlegende Python Programmierkenntnisse für Application Integration

Kursübersicht*:

*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.

Modul 1: pgvector Architektur und Setup

  • pgvector als PostgreSQL Extension für Vector Similarity Search verstehen
  • Die vector Extension in PostgreSQL installieren und aktivieren
  • Mit den Data Types vector, halfvec, bit und sparsevec arbeiten
  • Relationale Tables gestalten, die Embeddings mit strukturierten Application Data kombinieren

Modul 2: Embeddings und SQL Vector Queries

  • Embeddings in PostgreSQL speichern und abrufen
  • Euclidean Distance, Cosine Distance und Inner Product verstehen
  • pgvector Distance Operators in SQL Queries einsetzen
  • Exact Nearest-Neighbor Search mit Ordering, Limits und Distance Thresholds implementieren

Modul 3: HNSW und IVFFlat Indexing

  • Approximate Nearest-Neighbor Search und die zugehörigen Performance Tradeoffs verstehen
  • HNSW Indexes erstellen und Search Parameters konfigurieren
  • IVFFlat Indexes erstellen und Lists sowie Probes konfigurieren
  • Exact Search, HNSW und IVFFlat anhand von Data Size und Workload auswählen

Modul 4: Filtering und Query Optimization

  • Vector Similarity Search mit relationalen WHERE Conditions kombinieren
  • Konventionelle PostgreSQL Indexes gemeinsam mit Vector Indexes einsetzen
  • Filtered Approximate Search und Iterative Index Scans verstehen
  • EXPLAIN ANALYZE und Execution Plans zur Analyse der Vector Query Performance einsetzen

Modul 5: Python Integration mit pgvector

  • Python Applications mit PostgreSQL und pgvector verbinden
  • Mit Psycopg oder SQLAlchemy Vectors speichern und abfragen
  • Vector Types registrieren und parametrisierte Similarity Searches durchführen
  • Wiederverwendbaren Ingestion- und Retrieval-Code für Application Development strukturieren

Modul 6: Semantic Search Applications entwickeln

  • Embeddings erzeugen und Documents gemeinsam mit relationaler Metadata speichern
  • User Queries in Embeddings umwandeln und semantisch ähnliche Records abrufen
  • Metadata Filters mit Vector Similarity Ranking kombinieren
  • Database Schemas für Documents, Chunks, Embeddings und Source Metadata gestalten

Modul 7: pgvector in RAG Architectures

  • PostgreSQL und pgvector innerhalb von Ingestion, Retrieval, Context Construction und Generation Workflows einordnen
  • Chunking- und Metadata-Strategien für Retrieval gestalten
  • Vector Search mit PostgreSQL Full-Text Search für Hybrid Retrieval kombinieren
  • Retrieval Quality bewerten und irrelevanten oder unvollständigen Context identifizieren

Modul 8: Performance und Production Considerations

  • Recall, Latency, Index Size und PostgreSQL Resource Usage überwachen
  • HNSW- und IVFFlat-Parameter anhand der Search Requirements optimieren
  • Reduced Precision oder Quantization Approaches dort einsetzen, wo sie geeignet sind
  • Eine praktische Production Checkliste für Indexing, Filtering, Maintenance, Monitoring, Backups, Scaling und Retrieval Quality aufbauen

Praxisnahes Lernen mit erfahrenen Trainern an Ihrem Standort für Organisationen.

3.072€*
Graph Icon - Education X Webflow Template
Niveau:
intermediate
Clock Icon - Education X Webflow Template
Dauer:
14
Stunden (Tage:
2
)
Camera Icon - Education X Webflow Template
Training angepasst an Ihre Bedürfnisse
Star Icon - Education X Webflow Template
Intensive praktische Erfahrung in einer speziellen Umgebung
*Der Preis kann je nach Teilnehmerzahl, Änderung des Programms, Standort usw. variieren.

Neue Fähigkeiten erlernen, angeleitet von erfahrenen Trainern von überall.

2.037€*
Graph Icon - Education X Webflow Template
Niveau:
intermediate
Clock Icon - Education X Webflow Template
Dauer:
14
Stunden (Tage:
2
)
Camera Icon - Education X Webflow Template
Training angepasst an Ihre Bedürfnisse
Star Icon - Education X Webflow Template
Reduzierte Schulungskosten
*Der Preis kann je nach Teilnehmerzahl, Änderung des Programms, Standort usw. variieren.

Starttermine

02.-03.02.2027
Düsseldorf
25.-26.03.2027
Köln
04.-05.05.2027
Zürich
19.-20.05.2027
Hamburg
15.-16.06.2027
Zürich
15.-16.07.2027
Wien

Kein passender Termin dabei? Sprechen Sie uns gerne auf Ihren Wunschtermin an.

Wir verwenden Cookies, um die Navigation zu verbessern, die Nutzung der Website auszuwerten und unser Marketing zu unterstützen. Sie können alle Cookies akzeptieren, nicht notwendige ablehnen oder einzelne Kategorien auswählen. Zum Cookie-Hinweis