Katalog
/
Datenbanken
/
Qdrant für Vector Search, RAG und semantische Anwendungen

Qdrant für Vector Search, RAG und semantische Anwendungen

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.

Was werden Sie lernen?

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.

  • Qdrant Collections, Vectors, Payloads und Indexes erstellen und verwalten
  • Similarity-, Filtered- und Hybrid-Search für Semantic Retrieval implementieren
  • Qdrant mit Python Applications, Embedding Models und RAG Workflows integrieren
  • Qdrant mit Quantization, Sharding, Replication und Production-orientierter Configuration optimieren und bereitstellen

Voraussetzungen:

  • Grundlegende Python Programmierkenntnisse einschließlich der Arbeit mit Libraries und APIs
  • Verständnis von Databases, Data Structures und grundlegenden Queries
  • Grundlegendes Verständnis von Machine-Learning-Konzepten, Vector Embeddings und Similarity Search
  • Vertrautheit mit JSON und REST APIs

Kursübersicht*:

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

Modul 1: Qdrant Architektur und Vector Search Grundlagen

  • Vector Databases und ihre Rolle für Semantic Retrieval verstehen
  • Embeddings, Vector Dimensionality und Similarity Metrics verstehen
  • Qdrant Collections, Points, Vectors, Payloads, Segments und Indexes kennenlernen
  • Qdrant lokal installieren oder eine Verbindung zu einem Qdrant Deployment herstellen

Modul 2: Collections, Embeddings und das Python SDK

  • Collections mit geeigneter Vector Dimension und Distance Metric erstellen
  • Embeddings erzeugen und Points mit strukturierten Payload Metadata einfügen
  • Den Qdrant Python Client zum Erstellen, Aktualisieren, Abrufen und Löschen von Daten einsetzen
  • Mit Named Vectors arbeiten, wenn ein Point mehrere Vector Representations benötigt

Modul 3: Similarity Search, Filtering und Indexing

  • Nearest-Neighbor Similarity Searches durchführen
  • Vector Similarity mit strukturierten Payload Filters kombinieren
  • Payload Indexes für häufig gefilterte Metadata Fields erstellen
  • HNSW Indexing und die Tradeoffs zwischen Recall, Latency und Resource Usage verstehen

Modul 4: Hybrid und Multi-Stage Retrieval

  • Dense Semantic Retrieval mit Sparse oder Lexical Search kombinieren
  • Hybrid Retrieval und Result Fusion verstehen
  • Prefetch und Multi-Stage Queries zum Abrufen und Reranking von Candidates einsetzen
  • Retrieval Strategies anhand von Semantic Meaning, exakten Begriffen, Metadata und Query Requirements auswählen

Modul 5: Semantic Search Applications mit Python

  • Einen Semantic Search Workflow von Documents über Embeddings bis zu indexierten Points aufbauen
  • Payload Metadata für Filtering, Display und Downstream Processing strukturieren
  • User Queries in Embeddings umwandeln und relevante Ergebnisse abrufen
  • Wiederverwendbare Python Components für Ingestion- und Retrieval-Workflows gestalten

Modul 6: Qdrant in RAG Architectures

  • Qdrant innerhalb von Document Ingestion, Retrieval, Context Construction und Generation Pipelines einordnen
  • Chunking-, Metadata- und Collection-Strategien für RAG Applications gestalten
  • Filters für Tenant-, User-, Document- oder Access-aware Retrieval einsetzen
  • Retrieval Quality bewerten und irrelevanten oder unvollständigen Context analysieren

Modul 7: Performance Optimisation und Quantization

  • Memory-, Disk-, Indexing- und Search-Performance-Aspekte verstehen
  • Scalar, Product oder Binary Quantization dort einsetzen, wo sie geeignet sind
  • Quantization, Rescoring, Recall, Latency und Resource Consumption gegeneinander abwägen
  • Collection- und Search-Parameter anhand von Dataset Size und Workload Characteristics optimieren

Modul 8: Scaling und Production Deployment

  • Shards, Replicas und Distributed Qdrant Deployments verstehen
  • Replication für Availability und Read Scalability planen
  • Qdrant hinter geeigneter Application- und Load-Balancing-Infrastruktur betreiben
  • Eine praktische Production Readiness Checkliste für Capacity, Indexing, Backups, Security, Monitoring, Scaling und Recovery 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

14.-15.01.2027
Frankfurt
02.-03.02.2027
Berlin
16.-17.02.2027
München
24.-25.02.2027
Frankfurt
19.-20.05.2027
Frankfurt

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