Embeddings und RAG: effizientes Arbeiten mit großen Codebasen

Die Teilnehmenden lernen die Grundlagen von Embeddings kennen, einer Technik zur Repräsentation von Textdaten als hochdimensionale Vektoren. Durch Embeddings lassen sich semantische Ähnlichkeiten zwischen Codeabschnitten und Dokumentationen erfassen. Unser Experte erklärt, wie RAG diese Embeddings nutzt, um relevante Informationen aus großen Datenbeständen abzurufen und in die Antwortgenerierung einzubeziehen.

Anhand praktischer Beispiele erfahren Sie zudem, wie RAG in modernen Coding-Assistants zum Einsatz kommt. Sie erleben, wie KI-Assistenten mithilfe von Embeddings und RAG präzise und kontextbezogene Antworten liefern, selbst wenn die benötigten Informationen ursprünglich nicht Teil des Trainingsdatensatzes waren. Dadurch eröffnen sich neue Möglichkeiten für effizientes Arbeiten mit großen Codebasen und umfangreichen Dokumentationen.

Voraussetzungen

Der Fokus liegt auf TypeScript als gemeinsamer Basis für die Demonstrationen, jedoch sind die Konzepte auf eine Vielzahl von Programmiersprachen übertragbar. Eine Vertrautheit mit den Grundlagen von TypeScript wird empfohlen. Basiskenntnisse über die Entwicklung verteilter Systeme, insbesondere mit Web APIs, werden vorausgesetzt. Praxiserfahrung im Umgang mit AI-Systemen wie ChatGPT (Prompting) ist von Vorteil, jedoch keine Voraussetzung.

Für Teilnehmende, die tiefer in die Materie eintauchen möchten, besteht die Möglichkeit, die vorgestellten Beispiele aktiv mitzuverfolgen. Dazu benötigen sie lediglich gültige API-Keys für die OpenAI- und Anthropic-Plattformen.

Agenda

• Grundlagen von Embeddings und Retrieval Augmented Generation (RAG)

• Anwendung von RAG in Coding-Assistants

• Nutzung von Embeddings zur Arbeit mit großen Codebasen