🚀 Demo: Autoencoder
Aufgabe: Falls nicht bereits passiert, verfolgen Sie das Code-Beispiel in im Jupyter Notebook zum MNIST Autoencoder und spielen Sie ein wenig mit den Parametern und Einstellungen.
🚀 Demo: Einen Chatbot bauen
Lassen Sie uns gemeinsam die Bot-Implementierungen hinter diesem Link auf Github studieren.
Hier finden Sie verschiedene Ansätze im Beispiel-Code für einen Chatbot auf Basis eines Open Source Modells, dass in der KI-Werkstatt läuft.
Aufgabe: Lassen Sie uns gemeinsam den Code studieren.
Alternative Aufgabe: Wenn Ihnen das Beispiel für den Einstieg zu komplex ist, fangen Sie etwas kleiner an - werfen Sie einen Blick auf simple_example.py oder alternativ in example.ipynb
🚀 Demo: Ein RAG bauen
Der Trend geht weg von einfachen LLMs und hin zu komplexen agentischen Systemen.
Aufgabe 1: Lassen Sie uns zum Einstieg einen Blick auf simple_rag.py werfen, um zu verstehen, wie RAGs grundsätzlich im Code aussehen.
Aufgabe 2: Lassen Sie uns nun betrachten, wie die Profis das machen - auf zu LangChain!
📓 Recherche: Bots, die einfach mehr können
Durchforsten Sie das Internet nach Use Cases für Chatbots und RAGs. Folgen Sie gerne auch einem der Tutorials, zum Beispiel zum Bauen eines SQL Agenten oder zur Automatisierung von Emails.
Aufgabe: Erstellen Sie eine graphische Zusammenfassung des Gelernten erklären Sie uns die Use Case Implementierung in einem kurzen Vortrag.
📓 Recherche: Bots, die einfach besser sind
Folgen Sie dem Vortrag von Jerry Liu über RAG Engineering und/oder studieren Sie verwandte Quellen, (z.B. hier). Finden Sie heraus, warum vanilla RAGs nicht gut sind, was “nicht gut” überhaupt bedeutet, und wie man RAGs verbessern kann.
Aufgabe: Erstellen Sie eine graphische Zusammenfassung des gelernten im Miro und erklären Sie das Engineering in einem kurzen Vortrag.