Kurs für RAG-Systeme mit Knowledge Graphs

Lektion 1 • Grundlagen von Wissensgraphen

Behandelt Knoten, Kanten, Tripel und Ontologien als Bausteine von Wissensgraphen. Vermittelt das Vokabular, das für alle nachfolgenden Themen zur Graphkonstruktion benötigt wird.

Lektion 2 • Überblick über Retrieval-Augmented Generation

Führt in die RAG-Architektur ein: Retriever, Wissensquelle und Generator-Komponenten. Verbindet Abrufkonzepte mit der Ausgabequalität von Sprachmodellen.

Lektion 3 • Datenrepräsentation in Graph-RAG

Vergleicht RDF, labeled Property Graphen und Hypergraphen hinsichtlich ihrer Eignung für RAG. Leitet Studierende bei der Auswahl der richtigen Repräsentation für ihre Domäne an.

Lektion 1 • SPARQL für RDF-Graphen

Behandelt SELECT-, CONSTRUCT- und ASK-Abfragen gegen RDF-Triple-Stores. Befähigt Studierende, semantische Fakten aus ontologiegestützten Wissensgraphen abzurufen.

Lektion 2 • Landschaft der Graphdatenbanken

Bietet einen Überblick über native Graphdatenbanken, Multi-Model-Stores und In-Memory-Graph-Engines. Hilft Studierenden, Datenbankfähigkeiten mit den Anforderungen von RAG-Systemen abzugleichen.

Lektion 3 • Entwurfsmuster für Graph-Schemata

Präsentiert wiederverwendbare Schema-Muster wie Ereignisgraphen, Hierarchien und bipartite Graphen. Bereitet Studierende darauf vor, Schemata zu entwerfen, die einen effizienten RAG-Abruf unterstützen.

Lektion 4 • Property Graph Query Language

Vermittelt Musterabgleich, Filterung und Aggregation unter Verwendung einer Property-Graph-Abfragesprache. Ermöglicht direkt die Faktenabrufabfragen, die in späteren Kapiteln zur RAG-Integration verwendet werden.

Lektion 1 • Ontologie-Abgleich und -Anreicherung

Behandelt den Abgleich von Domänenontologien, den Import öffentlicher Wissensbasen und die Anreicherung von Graphfakten. Erweitert die Graphabdeckung, um die Abrufvollständigkeit (Recall) in RAG-Systemen zu verbessern.

Lektion 2 • Pipelines zur Informationsextraktion

Behandelt Named Entity Recognition, Relationsextraktion und Koreferenzauflösung aus Text. Diese extrahierten Fakten werden zum Rohmaterial für die Graphbefüllung.

Lektion 3 • Qualitätssicherung für Graphen

Führt Metriken für Vollständigkeit, Konsistenz und Genauigkeit zur Validierung von Wissensgraphen ein. Diese Qualitätsschranken verhindern Abruf-Fehler in nachgelagerten RAG-Pipelines.

Lektion 4 • Entitätenauflösung und Deduplizierung

Behandelt Datensatzverknüpfung, unscharfen Abgleich (Fuzzy Matching) und die Zusammenführung kanonischer Entitäten aus verschiedenen Quellen. Stellt die Graphintegrität sicher, bevor Abrufabfragen ausgeführt werden.

Lektion 1 • Grundlagen der Graph-Einbettung

Erläutert translationale, bilineare und neuronale Einbettungsfamilien für Wissensgraphen. Bietet die theoretische Grundlage für die Auswahl von Einbettungen in RAG-Kontexten.

Lektion 2 • Gemeinsame Text-Graph-Einbettungen

Vermittelt das gemeinsame Training von Text-Encodern mit Graphstrukturen, um semantische und relationale Räume aufeinander abzustimmen. Ermöglicht einen einheitlichen Abruf über textuelle und graphbasierte Wissensquellen hinweg.

Lektion 3 • Knoten- und Teilgraph-Repräsentation

Behandelt node2vec, GraphSAGE und Teilgraph-Pooling zur Erzeugung von Vektoren auf Knoten- und Teilgraphebene. Diese Vektoren dienen als Abrufeinheiten in Graph-RAG-Systemen.

Lektion 4 • Pflege und Aktualisierung von Einbettungen

Behandelt inkrementelle Neu-Einbettung, Drift-Erkennung und Strategien für geplante Aktualisierungen. Hält die Abrufqualität stabil, während sich der zugrunde liegende Wissensgraph weiterentwickelt.

Lektion 1 • Abruf auf Basis von Graph-Traversierung

Behandelt entitätsverankerte Traversierung, Strahlsuche (Beam Search) über Graphen und Pfadbewertung für den Faktenabruf. Ermöglicht strukturiertes mehrstufiges logisches Schließen, das in flachen Abrufsystemen nicht verfügbar ist.

Lektion 2 • Bewertung und Iteration des Abrufs

Führt Precision, Recall, MRR und NDCG zur Bewertung der Graphabrufqualität ein. Leitet die iterative Verbesserung der Abrufkomponenten vor der Generator-Integration an.

Lektion 3 • Anfrageverständnis und -zerlegung

Vermittelt Entity Linking, Relationships-Erkennung und die Zerlegung mehrstufiger Anfragen (Multi-Hop Queries) aus natürlicher Sprache. Wandelt Benutzerfragen in strukturierte Graphabrufoperationen um.

Lektion 4 • Spärliche und dichte Abruf-Baselines

Etabliert BM25 und dichten Dokumentenabruf (Dense Passage Retrieval) als Baselines, bevor graphbewusste Methoden eingeführt werden. Bietet Benchmarks zur Messung von Verbesserungen durch den Graphabruf.

Lektion 1 • Agentenbasierte Graph-RAG-Architekturen

Führt Tool-Calling-Agenten ein, die während der Generierung iterativ den Wissensgraphen abfragen. Ermöglicht dynamisches, mehrschrittiges logisches Schließen über Graphwissen zur Inferenzzeit.

Lektion 2 • Zusammenbau einer durchgängigen Pipeline

Leitet den Zusammenbau von Aufnahme-, Abruf- und Generierungskomponenten zu einer bereitstellbaren Pipeline an. Bereitet Studierende auf die folgenden Kapitel zu Systemdesign und Optimierung vor.

Lektion 3 • Techniken zur Reduzierung von Halluzinationen

Behandelt Attribution, Faktenverifikation und Konfidenzbewertung, um unbelegte Behauptungen zu reduzieren. Stellt sicher, dass generierte Antworten auf bestimmte Graphfakten zurückverfolgbar sind.

Lektion 4 • Graph-konditionierte Generierung

Vermittelt die Konditionierung von Sprachmodellen auf graphstrukturierte Eingaben mittels Linearisierung und Aufmerksamkeit. Verbessert die faktische Fundierung über die standardmäßige Prompt-basierte Einspeisung hinaus.

Lektion 1 • Kostenmanagement und Ressourcenplanung

Behandelt die Kostenmodellierung für Rechenleistung, Speicher und API-Nutzung in der Graph-RAG-Infrastruktur. Ermöglicht fundierte Abwägungsentscheidungen zwischen Leistung und Betriebsbudget.

Lektion 2 • Caching und Latenzoptimierung

Vermittelt Caching von Abfrageergebnissen, Einbettungs-Cache-Schichten und Anforderungsstapelung (Request Batching) zur Reduzierung der Latenz. Verbessert direkt die benutzerseitigen Antwortzeiten in produktiven RAG-Systemen.

Lektion 3 • Architekturmuster für Graph-RAG

Präsentiert Microservice-, monolithische und ereignisgesteuerte Architekturen für Graph-RAG-Deployments. Leitet die Auswahl basierend auf Teamgröße, Abfragevolumen und Aktualisierungshäufigkeit.

Lektion 4 • Skalierung von Graphdatenbanken

Behandelt horizontale Partitionierung, Replikation und Read-Replica-Strategien für große Wissensgraphen. Stellt sicher, dass der Abrufdurchsatz mit wachsender Graphgröße und Abfragelast skaliert.

Lektion 1 • Workflows zur kontinuierlichen Verbesserung

Präsentiert Regressionstests, gestaffelte Rollouts und Planungsrhythmen für Modellaktualisierungen zur Aufrechterhaltung der Qualität. Operationalisiert Verbesserung als wiederholbaren Engineering-Prozess.

Lektion 2 • Feedback-Schleifen und aktives Lernen

Behandelt die Erfassung von Benutzerfeedback, die Gewinnung impliziter Signale und aktives Lernen für Graphaktualisierungen. Schließt den Kreislauf zwischen produktiver Nutzung und der Verbesserung des Wissensgraphen.

Lektion 3 • Durchgängige RAG-Evaluierungs-Frameworks

Behandelt Faithfulness, Antwortrelevanz, Kontextpräzision und Recall als ganzheitliche RAG-Metriken. Bietet ein vollständiges Evaluierungs-Toolkit, das auf Graph-RAG-Pipelines anwendbar ist.

Lektion 4 • Beobachtbarkeit von Abruf und Generierung

Führt verteiltes Tracing, Abrufprotokollierung und Generierungs-Audit-Trails für RAG-Systeme ein. Ermöglicht die Ursachenanalyse von Qualitätsverschlechterungen in der Produktion.