Ein praxisnaher zweitägiger technischer Kurs für Teilnehmende, die neu mit Qdrant arbeiten und Vector Search, Semantic Search und Retrieval-basierte AI Applications entwickeln möchten. Die Agenda führt von Vector Database Architecture, Collections, Embeddings und Similarity Search über Filtering, Indexing und Hybrid Retrieval bis zu Python Integration, RAG, Performance Optimisation und Deployment. Der Kurs konzentriert sich auf zuverlässige Retrieval Workflows, die von lokaler Entwicklung bis hin zu Production-Szenarien weiterentwickelt werden können.
Sie lernen, wie Qdrant Vector Embeddings gemeinsam mit strukturierten Payload-Daten speichert und durchsucht. Sie arbeiten mit Collections, Similarity Metrics, Filters, Payload Indexes, Dense und Sparse Retrieval, dem Python SDK und Hybrid Search Patterns. Zusätzlich lernen Sie, Qdrant in RAG- und Semantic-Search-Anwendungen zu integrieren und Storage, Search Performance, Scaling und Deployment zu optimieren.
*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.
Modul 1: Qdrant Architektur und Vector Search Grundlagen
Modul 2: Collections, Embeddings und das Python SDK
Modul 3: Similarity Search, Filtering und Indexing
Modul 4: Hybrid und Multi-Stage Retrieval
Modul 5: Semantic Search Applications mit Python
Modul 6: Qdrant in RAG Architectures
Modul 7: Performance Optimisation und Quantization
Modul 8: Scaling und Production Deployment
Praxisnahes Lernen mit erfahrenen Trainern an Ihrem Standort für Organisationen.
Neue Fähigkeiten erlernen, angeleitet von erfahrenen Trainern von überall.