Erschliessen Sie das Potenzial der semantischen Suche und der künstlichen Intelligenz mit dieser praxisnahen Schulung zur Vektorsuche mit PostgreSQL. In zwei intensiven Tagen werden Sie von "Was ist eine Einbettung?" zu einem voll funktionsfähigen Retrieval-Augmented Generation (RAG) Chatbot gelangen, der vollständig auf PostgreSQL basiert – eine externe Vektordatenbank ist nicht erforderlich.
Warum Vektorsuche mit PostgreSQL?
Workshop Inhalt
Zunächst werden Sie untersuchen, warum die herkömmliche stichwortbasierte Suche oft nicht in der Lage ist, die Bedeutung zu erfassen. Wir erklären, wie die semantische Suche mit Hilfe von Einbettungen das Spiel verändert, indem sie sich auf die Absicht und den Kontext konzentriert, anstatt nur Wörter zu finden.
Abbildung einer RAG-Architektur in der realen Welt
Als Nächstes werden wir uns mit dem grossen Ganzen befassen. Sie werden sehen, wie Daten durch ein RAG-System fliessen – von der Anfrage des Benutzers über die Einbettung und Abfrage bis hin zum Sprachmodell. Dadurch wird klar, wo PostgreSQL in dieser modernen KI-Pipeline genau hinpasst.
Erste Schritte mit pgvector
Dann werden Sie selbst aktiv. Anhand von Schritt-für-Schritt-Anleitungen und gebrauchsfertigen Skripten installieren Sie pgvector und richten Ihre erste Einbettungstabelle ein. Sie können das Ganze auf Ihrem Laptop oder in der Cloud verfolgen.
Die Wahl des richtigen Ähnlichkeitsoperators
Danach werden wir uns mit der Leistung befassen. Sie werden Ähnlichkeitsmethoden wie Kosinus, Euklidisches und Inneres Produkt vergleichen. Anhand von Live-SQL-Demos werden Sie verstehen, wie sich die einzelnen Optionen auf Geschwindigkeit, Genauigkeit und Speicherplatz auswirken.
Backend-Integration mit Python oder Node
Sobald Ihre Vektorsuche funktioniert, werden Sie lernen, wie Sie sie mit realen Anwendungen verbinden können. Mithilfe von LangChain- und LangFlow-Vorlagen werden Sie SQL-Aufrufe, Filter, Rankings und LLM-Anfragen in Python- oder Node-Backends integrieren.
Aufbau eines minimalen RAG-Chatbots
Zum Schluss fügen Sie alles zusammen. Sie werden einen FAQ-Beispieldatensatz einbetten, die Top-K-Treffer abrufen und sie an eine OpenAI-Funktion übergeben. Das Ergebnis? Ein voll funktionsfähiger Chatbot, der Nutzern fundierte Antworten in Echtzeit gibt.
Ziele
- die Grenzen der stichwortbasierten Suche und die Rolle der semantischen Vektoren zu verstehen
- Installieren und konfigurieren Sie pgvector mit einem Einstiegs-Workflow für die OpenAI-Einbettung
- Schreiben von effektivem SQL für Vektorähnlichkeit, Filterung, Ranking und Paginierung
- Erstellen und Bereitstellen einer minimalen RAG-Pipeline nur mit PostgreSQL
- Anwendung bewährter Verfahren zur Optimierung von Leistung, Datenschutz und Speicherplatz
Schulungsansatz
Dieser Workshop besteht aus einer praxisorientierten Mischung aus kurzen Vorträgen, Live-SQL-Walkthroughs und praktischen Übungen. Zunächst werden Sie durch kurze, konzentrierte Präsentationen in die Kernkonzepte eingeführt. Anschliessend wenden Sie das Gelernte sofort in geführten Übungen an – entweder in einer Cloud-VM oder auf Ihrem eigenen Laptop.
Darüber hinaus baut jedes Thema auf dem vorherigen auf und vertieft Ihr Verständnis Schritt für Schritt. Schliesslich werden Sie alles in einem Abschlussprojekt zusammenfassen: Sie bauen einen voll funktionsfähigen Q&A-Chatbot, der vollständig auf PostgreSQL basiert.
Zielgruppe
- DBAs bereit für die Ausweitung der semantischen KI-Suche
- Backend- und Full-Stack-Entwickler
- Analytikingenieure und Plattformteams
- Jeder, der neu in die Vektorsuche oder RAG einsteigt und eine Einzeldatenbanklösung sucht
Voraussetzungen
- Grundlegende SQL-Kenntnisse
- Fähigkeit, auf eine PostgreSQL-Instanz zuzugreifen und zu navigieren
- Vertrautheit mit Python auf Anfängerniveau
Wichtigste Vorteile
- Einfachheit auf einen Schlag: Speichern Sie Vektoren, Metadaten und Geschäftsdaten in einem PostgreSQL-Cluster
- Schnelleres Prototyping: Nutzen Sie Notebooks und LangChain-Blaupausen, um die Zeit bis zur Wertschöpfung zu verkürzen
- Operatives Vertrauen: Lernen Sie vom ersten Tag an die Dimensionierung von Speichern, Kostenkontrolle und Beobachtbarkeit
Ressourcen & Dokumentation
- Einführung in Vektordatenbanken, Einführung in Vektordatenbanken während der Veranstaltung Future Data Driven 2024
- PostgreSQL und AI Blog Serie, dbi services Blogbeiträge über PostgreSQL
- Glossar: Was ist RAG?, pgvector, ein Leitfaden für DBA – Teil3 KI-Agent und Arbeitsabläufe
- pgvector GitHub Repository, Lernen Sie, wie man pgvector mit PostgreSQL installiert und benutzt
- PostgreSQL Docs, Offizielle Anleitung zur Benutzung von PostgreSQL
- LangChain Docs, Verwendung von LangChain zur Verbindung von SQL, Vektoren und LLMs
- OpenAI API Docs, Erfahren Sie, wie Sie OpenAI APIs für Ihren Chatbot nutzen können
- LangFlow GitHub, Visuelles Programmierwerkzeug für LLM-Orchestrierung
Rabatt von 5 % für SOUG-, SwissPUG- und DOAG-Mitglieder