Graphen verstehen die Basis für strukturierte Intelligenz
  • Wie man Halluzinationen von GenAI verhindert
  • Wissensgraphen im Einsatz: Ein anschauliches Beispiel
  • Was ist ein Graph?
  • Alltägliche Graphen erkennen und deuten
  • Warum Graphen strukturierter sind als klassische Datenformate
  • Knoten, Kanten, Eigenschaften: das Vokabular der Verbindungen
  • Graphen vs. Tabellen: Wo liegt der Unterschied?
  • Graph-Typen und ihre Einsatzfelder
  • Wissensgraphen als Netzwerke der Bedeutung
  • Wie Graphen die Brücke zur Künstlichen Intelligenz schlagen
Einstieg in die Arbeit mit Graphdatenbanken
  • Was unterscheidet eine Graphdatenbank von klassischen Datenbanken?
  • Einführung in Neo4j: Architektur und Konzepte
  • Installation und Einrichtung von Neo4j
  • Arbeiten mit dem Neo4j-Browser
  • Einstieg in Cypher: Ihre ersten Abfragen
  • Abfragen mit Cypher vertiefen: Knoten und Beziehungen gezielt abrufen
  • Python mit Neo4j verbinden
Wissensgraphen für GraphRAG erstellen
  • Einführung in RAG: Retrieval-Augmented Generation verstehen
  • Wie Vektor-Embeddings mit Texten arbeiten
  • GraphRAG als Erweiterung: Mehr Kontext durch Graphen
  • Überblick über LangChain
  • Zentrale Konzepte für graphbasierte Workflows mit LangChain
  • Graphaufbau mit LangChain und Import in Neo4j
GraphRAG in die generative KI integrieren
  • Aufbau einer GraphRAG-Pipeline mit LangChain
  • Anreicherung Ihres Wissensgraphen mit zusätzlichen Informationen
  • Wie sich GraphRAG nahtlos in bestehende NLP-Systeme integrieren lässt
  • Vergleich: GraphRAG versus klassisches RAG mit Vektor-Daten
  • Bewertung der GraphRAG-Ergebnisse in der Praxis
Lernziele:

Nach Abschluss des Seminars sind Sie in der Lage:

  • die Grundprinzipien von Graphen (Knoten, Kanten, Beziehungen) zu verstehen und in KI-Anwendungen gewinnbringend einzusetzen
  • praxisrelevante Anwendungsfälle zu identifizieren, z.B. zur Minimierung von KI-Halluzinationen
  • einfache GraphRAG-Anwendungen mit Python und Neo4j zu erstellen
  • generative KI durch die Anbindung von Wissensgraphen dynamisch und kontextsensitiv zu erweitern (z.B. mit ChatGPT, Mistral, etc.)
Zielgruppe:

Dieses Seminar richtet sich an KI-Interessierte, Data Scientists, Softwareentwicklerinnen und Entscheider aus Unternehmen und Organisationen, die das Potenzial von GraphRAG für eigene Projekte erschließen möchten.


(Version: 2026-02-13T10:43:51+01:00)