BASTA! 2025: Semantic AI in Action: Architektur-Patterns für Language- und Embedding-Modelle

Semantic AI als Weiterentwicklung von Generative AI kann der Schlüssel zur Integration von KI in eigene Lösungen sein. In diesem Vortrag zeigt Christian Weyer praxisnahe Architektur-Patterns und Ansätze für die Nutzung von Large und Small Language Models wie GPT oder Llama sowie Embedding-Modellen in modernen Softwarearchitekturen. Wichtige Konzepte wie Semantic Routing, Semantic Search und local RAG, Structured Output und Observability werden anhand eines End-to-End-Systems mit mehreren Services und Clientanwendungen demonstriert. Entwickler und Architekten erhalten einen pragmatischen Überblick über die mögliche Umsetzung in eigenen Projekten.

Transcript

1. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Christian Weyer | Co-Founder & CTO | Thinktecture AG | christian.weyer@thinktecture.com
2. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Our journey Models for our software Lightweight RAG Semantic Routing Observability Structured Output / Tool Calling 2
3. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle MODELS FOR OUR SOFTWARE 3
4. Language Models understand and generate semantically rich human language, transforming it into text or structured data for both humans and machines. ⚠ Non-deterministic: same input can lead to different outputs. Embedding Models capture semantic meaning by encoding human language into numerical vector representations, facilitating understanding, comparison, and retrieval for both humans and machines. ✅ Deterministic: same input always results in the same embedding. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle 🫱 🫲 Semantic AI Generative AI 4
5. § Language & embedding models part of end-to-end architectures § Embedding models can be run locally § Optimized for CPU § Language models still hard to run locally § High GPU power § High VRAM § High memory bandwidth Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle API-based AI model integrations 5
6. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Classical applications & UIs API-based data Document-based data 6
7. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Language-enabled “UIs” – Talk-to-TT 7
8. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle C4 system context diagram § Various tech stacks § Docker-based distributed system 8
9. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle PATTERN LIGHTWEIGHT RAG 9
10. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Talking to documents (Retrieval-augmented generation) Cleanup & Split Text Embedding Question Text Embedding Save Query Relevant Results Question Answ er w / sources LLM Embedding Model Embedding Model 💡 Indexing / Embedding Question Answering .md, .docx, .pdf etc. “Lorem ipsum…?” 💡 Vector DB 10
11. § Frameworks § LangChain § FastEmbed § Lightweight & efficient for generating text embeddings § Embedding model § jinaai/jina-embeddings-v2-base-de (local) – 768 dims § Vector store § PostgreSql (pgvector) vector store § LLM/SLM § Llama 3.3 70B on Cerebras (very fast) Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Technical implementation – Lightweight RAG 11
12. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle PATTERN STRUCTURED OUTPUT 12
13. § Tools integration (and more) is being standardized with MCP Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Talking to APIs (Function / Tool calling) 13 “When is CW available for a two-days workshop?” System Prompt (+ employee data) + Schema (for structured output) Web API Availability business logic
14. § Frameworks § Pydantic § Instructor § Methodology § Schema with JSON Mode (not Function Calling) § SLM/LLM § Llama 3.3 70B on Cerebras (very fast) Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Technical implementation – Structured Output 14
15. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle PATTERN SEMANTIC ROUTING 15
16. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Semantics-based decisions for user interactions Guarding (e.g. prompt injection) Routing (selecting correct target) “Lorem ipsum…?” Target RAG Target API Call Target … something else … Fine-tuned NLP Model Embedding Model 16
17. Guarding § Frameworks § llm-guard § HuggingFace Transformers § NLP model § deepset/ deberta-v3-base-injection (local) Routing § Frameworks § semantic-routing § FastEmbed § Embedding model § intfloat/ multilingual-e5-large (local) – 1024 dims § Vector store § PostgreSql (pgvector) Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Technical implementation – Semantic Guarding & Routing 17
18. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle PATTERN / SOLUTION OBSERVABILITY 18
19. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Things can get… overwhelming 19
20. § Methodology § Open Telemetry (OTel) § Frameworks § OTel Python packages § LogFire SDK § Tools § LogFire, LangFuse § Any OTel-enabled system Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Technical implementation - Observability 20
21. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle Typical Semantic AI patterns & solutions – in end-to-end software engineering Lightweight RAG Structured Output Semantic Guarding & Routing Insightful Observability 21
22. Semantic AI in Action Architektur-Patterns für Language- und Embedding-Modelle 22 AI solutions are ≅10% AI and 100% software engineering. 22
23. Thank you! Christian Weyer christian.weyer@thinktecture.com https://thinktecture.com/christian-weyer 23