GraphRAG mit Python und Neo4j
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 2 Tage
Ziele
In dieser 2-tägigen Schulung "GraphRAG mit Python und Neo4j" lernen Sie, wie Sie mit dem offiziellen neo4j-graphrag effiziente Retrieval-Augmented Generation (RAG)-Systeme entwickeln können. Der Fokus liegt auf der Erstellung und Nutzung von Wissensgraphen (Knowledge Bases) zur Optimierung von LLM-basierten KI-Anwendungen.
Sie richten eine geeignete Entwicklungsumgebung ein, verarbeiten unstrukturierte Daten zur automatisierten Graphgenerierung, integrieren Vektorindizes und Embedding-Modelle und setzen verschiedene Retriever-Strategien wie semantische Suche, Graph Traversal oder Text2Cypher ein. In einem durchgehenden Praxisprojekt entwickeln Sie einen vollständigen GraphRAG-Workflow – von der Datenextraktion bis zur Antwortgenerierung – und lernen Best Practices für den produktiven Einsatz kennen.
Zielgruppe
- Entwickler
- Data Scientist
- Machine Learning Engineers
Voraussetzungen
- Grundkenntnisse in Python
- Erste Erfahrungen mit Neo4j oder Graphdatenbanken sind von Vorteil
- Grundverständnis von KI-Konzepten
Agenda
Grundlagen von Retrieval-Augmented Generation (RAG) und Wissensgraphen
- Verständnis des RAG-Konzepts und dessen Vorteile gegenüber traditionellen KI-Ansätzen
- Einführung in Wissensgraphen und deren Rolle in der KI
- Überblick über Neo4j als Graphdatenbank und deren Einsatzmöglichkeiten
Einrichtung der Entwicklungsumgebung
- Installation und Konfiguration des neo4j-graphrag Python-Pakets
- Verbindung zu einer Neo4j-Datenbank herstellen
- Einrichtung von LLM-Providern (z. B. OpenAI) und Embedding-Modellen
Erstellung und Nutzung von Wissensgraphen
- Verarbeitung unstrukturierter Daten zur Extraktion von Entitäten und Beziehungen mithilfe von OpenAI LLMs
- Aufbau eines Wissensgraphen mit Neo4j
- Anwendung von Embeddings und Vektorindizes für semantische Suchen
Erweiterte Retrieval-Strategien
- Einsatz verschiedener Retriever-Typen:
- VectorRetriever für semantische Suchen
- VectorCypherRetriever für kombinierte Suchen
- HybridRetriever für die Kombination von Vektor- und Volltextsuche
- Text2CypherRetriever zur Übersetzung natürlicher Sprache in Cypher-Abfragen
- Integration von Graph Traversal zur Verbesserung der Suchergebnisse
Entwicklung eines vollständigen GraphRAG-Workflows
- Kombination von Wissensgraphen und RAG für End-to-End-Anwendungen
- Implementierung eines vollständigen Workflows von der Datenextraktion bis zur Antwortgenerierung
- Best Practices und Optimierungsmöglichkeiten
Praxisprojekt und Anwendung
- Eigenständige Umsetzung eines Projekts zur Anwendung der erlernten Konzepte
- Präsentation und Diskussion der Ergebnisse
- Feedback und Ausblick auf weiterführende Themen
Ziele
In dieser 2-tägigen Schulung "GraphRAG mit Python und Neo4j" lernen Sie, wie Sie mit dem offiziellen neo4j-graphrag effiziente Retrieval-Augmented Generation (RAG)-Systeme entwickeln können. Der Fokus liegt auf der Erstellung und Nutzung von Wissensgraphen (Knowledge Bases) zur Optimierung von LLM-basierten KI-Anwendungen.
Sie richten eine geeignete Entwicklungsumgebung ein, verarbeiten unstrukturierte Daten zur automatisierten Graphgenerierung, integrieren Vektorindizes und Embedding-Modelle und setzen verschiedene Retriever-Strategien wie semantische Suche, Graph Traversal oder Text2Cypher ein. In einem durchgehenden Praxisprojekt entwickeln Sie einen vollständigen GraphRAG-Workflow – von der Datenextraktion bis zur Antwortgenerierung – und lernen Best Practices für den produktiven Einsatz kennen.
Zielgruppe
- Entwickler
- Data Scientist
- Machine Learning Engineers
Voraussetzungen
- Grundkenntnisse in Python
- Erste Erfahrungen mit Neo4j oder Graphdatenbanken sind von Vorteil
- Grundverständnis von KI-Konzepten
Agenda
Grundlagen von Retrieval-Augmented Generation (RAG) und Wissensgraphen
- Verständnis des RAG-Konzepts und dessen Vorteile gegenüber traditionellen KI-Ansätzen
- Einführung in Wissensgraphen und deren Rolle in der KI
- Überblick über Neo4j als Graphdatenbank und deren Einsatzmöglichkeiten
Einrichtung der Entwicklungsumgebung
- Installation und Konfiguration des neo4j-graphrag Python-Pakets
- Verbindung zu einer Neo4j-Datenbank herstellen
- Einrichtung von LLM-Providern (z. B. OpenAI) und Embedding-Modellen
Erstellung und Nutzung von Wissensgraphen
- Verarbeitung unstrukturierter Daten zur Extraktion von Entitäten und Beziehungen mithilfe von OpenAI LLMs
- Aufbau eines Wissensgraphen mit Neo4j
- Anwendung von Embeddings und Vektorindizes für semantische Suchen
Erweiterte Retrieval-Strategien
- Einsatz verschiedener Retriever-Typen:
- VectorRetriever für semantische Suchen
- VectorCypherRetriever für kombinierte Suchen
- HybridRetriever für die Kombination von Vektor- und Volltextsuche
- Text2CypherRetriever zur Übersetzung natürlicher Sprache in Cypher-Abfragen
- Integration von Graph Traversal zur Verbesserung der Suchergebnisse
Entwicklung eines vollständigen GraphRAG-Workflows
- Kombination von Wissensgraphen und RAG für End-to-End-Anwendungen
- Implementierung eines vollständigen Workflows von der Datenextraktion bis zur Antwortgenerierung
- Best Practices und Optimierungsmöglichkeiten
Praxisprojekt und Anwendung
- Eigenständige Umsetzung eines Projekts zur Anwendung der erlernten Konzepte
- Präsentation und Diskussion der Ergebnisse
- Feedback und Ausblick auf weiterführende Themen
