Python-Workflows - LLMs, NLP & RAG für Texte

Ziele der Schulung

In dieser 3-tägigen Schulung "Python-Workflows - LLMs, NLP & RAG für Texte" lernen Sie, Texte aus Ihrem Unternehmen mit Python sowohl über klassische NLP-Verfahren als auch mit modernen Large Language Models (LLMs) automatisiert zu verarbeiten. Sie entwickeln praxisnahe Lösungen, um Texte zu klassifizieren, zu segmentieren, Informationen gezielt zu extrahieren und mit Retrieval Augmented Generation (RAG) Unternehmensdokumente sicher mit LLMs zu verbinden. Dabei steht nicht die Theorie komplexer Modelle im Vordergrund, sondern der Aufbau robuster Workflows mit Bibliotheken wie spaCy und LLM-APIs, die sich in bestehende Systeme und Prozesse integrieren lassen.

Zum Beispiel:

• Texte automatisch klassifizieren, z.B. Geht es im Text um das Thema X?
• Texte segmentieren, d.h. Textteile erkennen: Wo steht X, wo steht Y im Text?
• Relevante Informationen aus Texten automatisch extrahieren: Um welches Produkt X geht es in der Kundenanfrage?
• Retrieval Augmentation Generation (RAG): Unternehmensdokumente und LLMs miteinander verbinden

Zielgruppe Seminar

Die Schulung richtet sich an technisch arbeitende Mitarbeitende, die Texte automatisiert verarbeiten oder textbasierte Workflows aufbauen. Dazu gehören insbesondere:​

• Python-affine Entwickler, Data Engineers und Data Scientists, die Textdaten produktiv nutzen möchten.​
• Business- und Data-Analysten, die Kundenanfragen, Tickets, Protokolle oder Dokumente automatisch auswerten wollen.​​
• BI-/DWH- und Reporting-Teams, die Textquellen als zusätzliche Datenquelle erschließen möchten.​
• AI-/Automation-Teams, die RAG- oder LLM-basierte Assistenten auf Unternehmensdokumenten aufbauen.

Voraussetzungen

• Teilnahme am Seminar Python - Grundlagen oder vergleichbare Kenntnisse

Seminarinhalt

Einführung in die Textverarbeitung mit Neuronalen Netzen

• Wie funktionieren Neuronale Netze?
• Wie funktionierten Transformer?
• Wie funktionieren LLMs wie ChatGPT?
• Wie werden Texte für Neuronale Netze codiert? Word Embeddings

Einführung in APIs (Programmierschnittstellen) für LLMs

• Ueberblick über APIs / Anbieter
• LLM Benchmarks
  • Das passende LLM für eine Aufgabe auswählen
  • Wie laufen LLM Benchmarks ab?
  • Benchmark Leakage
• LLMs in der Cloud nutzen
  • Die OpenAI API
• LLMs lokal nutzen
  • Die Ollama API
• Hands-On / Praktische Übungen in Jupyter-Notebooks

Einführung in das klassische NLP mit Hilfe von spaCy

• Überblick
  • Ziele, Einsatzbereiche und Architektur von spaCy
• Installation & Grundkonzepte (Language Pipeline, Docs, Tokens, Spans)
• Linguistische Basisfunktionen
  • Tokenisierung
  • POS-Tagging
  • Lemmatization
  • Dependency Parsing
• Named Entity Recognition (NER) und weitere eingebaute Modelle
• Arbeiten mit Pipelines
  • Komponenten hinzufügen, entfernen, konfigurieren

Konkrete Textverarbeitungsprobleme lösen

• Texte automatisch einteilen (klassifizieren)
  • Worum geht es in einem Dokument?
• Texte automatisch zerlegen (segmentieren)
  • z.B. ein Freitextfeld in Problem- und Lösungsbeschreibung zerlegen
• Automatisierte Zusammenfassung von Meeting Protokollen
• Texte im Unternehmen als zusätzliche Informationsquelle nutzen
  • Retrieval Augmented Generation (RAG)
• LLMs auf Unternehmensdokumenten "einschleifen"
  • Fine-Tuning von vortrainierten LLMs für spezifische Aufgaben
• zu allen diesen Aufgaben:
  • Hands-On / Praktische Übungen in Jupyter-Notebooks

Open Badge für dieses Seminar - Ihr digitaler Kompetenznachweis

Durch die erfolgreiche Teilnahme an einem Kurs bei IT-Schulungen.com erhalten Sie zusätzlich zu Ihrem Teilnehmerzertifikat ein digitales Open Badge (Zertifikat) – Ihren modernen Nachweis für erworbene Kompetenzen.

Ihr Open Badge ist jederzeit in Ihrem persönlichen und kostenfreien Mein IT-Schulungen.com-Konto verfügbar. Mit wenigen Klicks können Sie diesen digitalen Nachweis in sozialen Netzwerken teilen, um Ihre Expertise sichtbar zu machen und Ihr berufliches Profil gezielt zu stärken.

Übersicht: Python Schulungen Portfolio

Mehr zu den Vorteilen von Badges

Seminare kurz vor der Durchführung