Tweet
Tweet

Slide 1

Slide 1 text

Generative AI Vom Prototypen zum produktiven Einsatz … und was das alles mit Architektur zu tun hat. #WISSENTEILEN powered by Lars Röwekamp | Tim Wüllner | open knowledge GmbH Hands-on Workshop

Slide 2

Slide 2 text

(Architecture, Cloud, AI & ML) Lars Röwekamp @mobileLarson CIO New Technologies OPEN KNOWLEDGE

Slide 3

Slide 3 text

Tim Wüllner Machine Learning Engineer OPEN KNOWLEDGE

Slide 4

Slide 4 text

Was ist GenAI? Wie funktioniert eigentlich dieses „Generative AI“?

Slide 5

Slide 5 text

No content

Slide 6

Slide 6 text

No content

Slide 7

Slide 7 text

Ist das eine Katze? Neuronale Netze aka traditionelle KI Ist das eine Katze?

Slide 8

Slide 8 text

Das ist eine Katze Das ist keine Katze Neuronale Netze aka traditionelle KI fit Neural Network Katze Katze Katze Katze Hund Hund

Slide 9

Slide 9 text

Ist das eine Katze? Neuronale Netze aka traditionelle KI infer trained Neural Network mit Mustererkennug für Bilder von Katzen

Slide 10

Slide 10 text

Universelles Weltwissen Generative AI aka generierende KI Generative AI Model learn

Slide 11

Slide 11 text

Generative AI Model Prompting Was ist eine Katze? Eine Katze ist* … und sieht so aus. Generative AI aka generierende KI *basierend auf meinem Weltwissen

Slide 12

Slide 12 text

Generative AI vs traditionelle Neuronale Netze Predictive ML Model Generative Model lernt / erkennt Beziehungen zwischen Daten und Label lernt / versteht Zusammenhänge in unstrukturierten Daten Label neuer Content Label Daten Unstrukturierte Daten

Slide 13

Slide 13 text

Generative AI unter der Haube Large Language Model Mary had a … Large Language Model Mary had a little … Next Token red little delicious … Probability 0.2 0.4 0.1 … Next Token mouse lamb kettle … Probability 0.2 0.3 0.2 …

Slide 14

Slide 14 text

Generative AI unter der Haube Source: http://vectors.nlpl.eu/explore/embeddings/en/MOD_enwiki_upos_skipgram_300_2_2021/cat_NOUN/

Slide 15

Slide 15 text

Generative AI unter der Haube 1. queen – woman + man = king 2. doctor – man + woman = nurse Male-Female Verb Tense Country-Capital

Slide 16

Slide 16 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? word2vec style vectors

Slide 17

Slide 17 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? John wants his bank to cash the … ? (verb) (verb) context aka hidden state

Slide 18

Slide 18 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? John wants his bank to cash the … ? (verb) (verb) context aka hidden state Key-Vector: btw I‘am a noun describing a male person. Query-Vector: btw I‘am seeking for a noun describing a male person.

Slide 19

Slide 19 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? Transformer (LLM Layer) context aka hidden state John wants his bank to cash the … ? (verb) (verb) (John‘s) (finance) John wants his bank to cash the … ? (verb) (verb) (male) ( ... )

Slide 20

Slide 20 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? John (main character, male, married to Cheryl, cousin of Donald, from Minnesota, currently in Boise, … ) wants his bank to cash the … ?

Slide 21

Slide 21 text

Generative AI unter der Haube Transformer (LLM Layer) John wants his bank to cash the … ? Transformer (LLM Layer) John wants his bank to cash the … (verb) (verb) (John‘s) (finance) John wants his bank to cash the … ? (verb) (verb) (male) Enough context information to be able to „guess“ the next word. check ( ... )

Slide 22

Slide 22 text

Generative AI under the Hood Large Language Model Mary had a … Large Language Model Mary had a little … Next Token red little delicious … Probability 0.2 0.4 0.1 … Next Token mouse lamb kettle … Probability 0.2 0.3 0.2 …

Slide 23

Slide 23 text

GenAI am Beispiel? Wo kann ich GenAI heute realistisch nutzen - und wo eher nicht?

Slide 24

Slide 24 text

Generative AI am Beispiel

Slide 25

Slide 25 text

Generative AI am Beispiel Health Care Verbessern med. Bilder Entdecken neuer Medikamente* Vereinfachen med. Aufgaben Personalisierte Behandlung *via Generative Design

Slide 26

Slide 26 text

Generative AI am Beispiel Advertising & Marketing Erstellen von Marketinginhalten Personalisierte Empfehlungen Produktbeschreibungen Verbessern der SEO

Slide 27

Slide 27 text

Generative AI am Beispiel Manufactoring Designprozess beschleunigen Intelligente Wartung Optimieren der Lieferkette

Slide 28

Slide 28 text

Generative AI am Beispiel Media & Entertainment Audio- und Videoinhalte erstellen Event-Highlights zusammenstellen Generieren/verwalten von Tags

Slide 29

Slide 29 text

Generative AI am Beispiel Financial Services Erstellen von Anlagestrategien Kommunikation und Schulung Investment Research Drafts Regulatorische Überwachung

Slide 30

Slide 30 text

Generative AI am Beispiel Software Development Code generieren Tests automatisieren Programmiersprachen übersetzen Softwarelösungen erklären

Slide 31

Slide 31 text

GenAI am Beispiel „Know Your Business!“ *wenn du am Ende erfolgreich sein möchtest.

Slide 32

Slide 32 text

GenAI Basics Wie baue ich ein erstes, einfaches GenAI System?

Slide 33

Slide 33 text

GenAI- Model Prompt GenAI Basics „Was ist das schönste Reiseziel auf der Welt?“

Slide 34

Slide 34 text

GenAI- Model Prompt GenAI Basics Model Selection Prompt Engineering 2 1 „Was ist das schönste Reiseziel auf der Welt?“

Slide 35

Slide 35 text

GenAI Hands-on „Hello IPYNB*, hello GenAI“ *IPython Notebook aka Jupyter Notebook

Slide 36

Slide 36 text

GenAI Hands-on Was wirst du lernen in dieser Übung: • Erstellen eines Jupyter NB in der Colab Umgebung. • Aufrufen eines GenAI Models mit individuellem Prompt via Provider-spezifischer API.

Slide 37

Slide 37 text

Hands-on Hello Jupyter Notebook https://colab.research.google.com/

Slide 38

Slide 38 text

Hands-on Hello GenAI World

Slide 39

Slide 39 text

GenAI explained MODELS

Slide 40

Slide 40 text

GenAI- Model Prompt GenAI Basics Model Selection Prompt Engineering 2 Model Selection 1 „Was ist das schönste Reiseziel auf der Welt?“ Welches Model? Welche Parameter? Welche Infrastruktur? Welche Lizenz? Welches Preismodell? Welche Governance?

Slide 41

Slide 41 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model?“

Slide 42

Slide 42 text

Source: https://lifearchitect.ai/ look for „LLM Billboard Charts“

Slide 43

Slide 43 text

GenAI Basics Model Selection „Was misst ein AI-Benchmark?“ • Allgemeinwissen • Programmierung • Mathematik • ... Offizielle Benchmarks oftmals Teil der Trainigsdaten! • Kreativität • Faktenwissen • Logik

Slide 44

Slide 44 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“

Slide 45

Slide 45 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ • für mein Problem • für meine Daten • für meinen Kontext • für meinen Geldbeutel

Slide 46

Slide 46 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ Public, Private, Sizes, Purpose Availability

Slide 47

Slide 47 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ Public, Private, Sizes, Purpose Data Privacy, Security, Explainability Availability Governance

Slide 48

Slide 48 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ Public, Private, Sizes, Purpose Data Privacy, Security, Explainability Complexity, Business Area Availability Governance Use Case

Slide 49

Slide 49 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ Public, Private, Sizes, Purpose Data Privacy, Security, Explainability Complexity, Business Area Latency, Cost, Customizeability Availability Governance Use Case Performance

Slide 50

Slide 50 text

GenAI Basics Model Selection aka „Wie finde ich das passende Model für mich?“ Public, Private, Sizes, Purpose Data Privacy, Security, Explainability Complexity, Business Area Latency, Cost, Customizeability Traininig, Runtime, Availability Team Skills, Computational Power Availability Governance Use Case Performance Data Resources „Know Your Use-Case!“ *wenn du am Ende erfolgreich sein möchtest.

Slide 51

Slide 51 text

GenAI- Model Prompt GenAI Basics Model Integration Prompt Engineering 2 Model Selection 1 „Was ist das schönste Reiseziel auf der Welt?“ Passendes Model gefunden. Aber wie spreche ich es aus meiner Anwendung heraus an?

Slide 52

Slide 52 text

Model A-small Model Provider model-name model-parameter provider-parameter prompt Model A-big Model B e.g. openAI, Google, … Provider Client API GenAI Basics Model Integration „Was ist das schönste Reiseziel auf der Welt?“ Reminder: 00-hello-genai.ipynb

Slide 53

Slide 53 text

Model X mini Model Provider II model-name model-parameter provider-parameter prompt Model Y Model Y ++ e.g. openAI, Google, … Provider Client API GenAI Basics Model Integration „Was ist das schönste Reiseziel auf der Welt?“

Slide 54

Slide 54 text

Model X mini Model Provider II Provider II Client API model-name model-parameter provider-parameter prompt Model Y Model Y ++ e.g. openAI, Google, … GenAI Basics Model Integration „Was ist das schönste Reiseziel auf der Welt?“

Slide 55

Slide 55 text

Hub-Provider Client API model-name model-parameter hub-provider-parameter prompt e.g. Hugging-Face Provider-II hosted Models Provider-I hosted Models Hub-hosted Models* Hub-Provider Dispatcher *Provider X, fine-tuned or adapted, own GenAI Basics Model Integration Cloud based Resources „Was ist das schönste Reiseziel auf der Welt?“

Slide 56

Slide 56 text

Hub-Provider Client API model-name model-parameter hub-provider-parameter prompt e.g. Hugging-Face Provider-II hosted Models Provider-I hosted Models Hub-hosted Models* Hub-Provider Dispatcher *Provider X, fine-tuned or adapted, own GenAI Basics Model Integration cloud-not-allowed exception „Was ist das schönste Reiseziel auf der Welt?“

Slide 57

Slide 57 text

Local-Hub Provider Client API model-name model-parameter hub-provider-parameter prompt e.g. GPT4all, ollama Local hosted Models (Provider III) Local hosted Models (Provider II) Local hosted Models (own or adaptedI) Local-Hub Provider Dispatcher Local Machine GenAI Basics Model Integration „Was ist das schönste Reiseziel auf der Welt?“

Slide 58

Slide 58 text

GenAI Basics Model Adaption „Welche zusätzlichen Stellschrauben habe ich?“ • Temperature Grad der „Fantasie“ • Max Tokens Länge der Antwort • Top K Auswahl der Treffer aus den top K Treffern • Top P Auswahl der Treffer aus den top P Prozent • Presence Penalty Wiederholungen werden vermieden • Frequence Penalty Wiederholungen werden gewichtet vermieden

Slide 59

Slide 59 text

GenAI Basics Model Selection Source: https://promptengineering.org/prompt-engineering-with-temperature-and-top-p/

Slide 60

Slide 60 text

Hands-on GenAI Models Source: https://deepinfra.com/meta-llama/Llama-3.2-3B-Instruct

Slide 61

Slide 61 text

Source: https://lifearchitect.ai/ look for „Models Table“

Slide 62

Slide 62 text

GenAI explained PROMPTING

Slide 63

Slide 63 text

GenAI- Model Prompt Model Selection Prompt Engineering 2 1 GenAI Basics Prompt Engineering „„Was ist das schönste Reiseziel auf der Welt?“

Slide 64

Slide 64 text

GenAI- Model Prompt Model Selection Prompt Engineering 2 1 Parts of a Prompt System vs User Prompt Principles of Prompting Chain-of-Thought Prompts Few-Shot Learning GenAI Basics Prompt Engineering „„Was ist das schönste Reiseziel auf der Welt?“

Slide 65

Slide 65 text

GenAI Basics Prompt Engineering Role Instruction Example 1 Context Example n Question Who am I? What is my intention? What are helpful examples? Are there any additional information? BTW: what is the task I ask for? Wie sollte ein guter Prompt aufgebaut sein?

Slide 66

Slide 66 text

GenAI Basics Good Prompt vs. Bad Prompt You I want to cook something. LR Topic: Recipe Recommendations

Slide 67

Slide 67 text

GenAI Basics Good Prompt vs. Bad Prompt You I want to cook something. LR You Acting as an expert home cook, for someone who enjoys vegetarian Italian food and has only 30 minutes to prepare dinner, could you recommend a recipe including a list of ingredients and step-by- step instructions? LR Output Example Context Question Role Acting as an expert home cook, for someone who enjoys vegetarian Italian food and has only 30 minutes to prepare dinner, could you recommend a recipe including a list of ingredients and step-by-step instructions? You could point at recipes you like from the BBC’s Good Food guide, providing URL’s to recipes you love. Topic: Recipe Recommendations

Slide 68

Slide 68 text

GenAI Basics Good Prompt vs. Bad Prompt You I want to learn something new. LR You Acting as a coding instructor, for a beginner with a goal to learn Python within 4 weeks, please provide a learning plan including resources and a weekly schedule for 10 hours per week. LR Output Example Context Question Role Acting as a coding instructor, for a beginner with a goal to learn Python within 4 weeks, Please provide a learning plan, including resources and a weekly schedule for 10 hours per week Point it at courses you’ve done in the past that you’ve liked. Tell it you like to learn by reading books, or websites, or by watching videos, or a mixture of both. Topic: Learning new skills

Slide 69

Slide 69 text

GenAI Basics System Prompt vs. User Prompt System Assistant User „Du“ Chat-Model Verhalten des Assistenten ‘You're a friendly assistant.’

Slide 70

Slide 70 text

GenAI Basics System Prompt vs. User Prompt System Assistant User ‘You're a friendly assistant.’ „Du“ Chat-Model Verhalten des Assistenten

Slide 71

Slide 71 text

GenAI Basics System Prompt vs. User Prompt System Assistant User ‘You're a friendly assistant and always keep things brief.’ ‚Which is the most beautiful city in the world?‘ ‚Which is the most beautiful city in the world?‘ ‘You are a philosopher and have a tendency to be verbose.’ ??? ??? „Du“ Chat-Model Verhalten des Assistenten

Slide 72

Slide 72 text

GenAI Basics System Prompt vs. User Prompt System-Prompt: ‘You're a friendly assistant and always keep things brief.’ Assistant: 65 Tokens

Slide 73

Slide 73 text

GenAI Basics System Prompt vs. User Prompt System-Prompt: ‘You are a philosopher and have a tendency to be verbose.’ Assistant: 434 Tokens

Slide 74

Slide 74 text

GenAI Basics System Prompt vs. User Prompt System-Prompt: Default GPT-4o Assistant: 296 Tokens

Slide 75

Slide 75 text

GenAI Basics Prompt Engineering Looking for inspiration? Go to https://github.com/mustvlad/ChatGPT-System-Prompts

Slide 76

Slide 76 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR Prompt Engineering Principles Source: Prompt Engineering for Generative AI, James Phoenix & Mike Taylor, O‘Reilly 2024

Slide 77

Slide 77 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR 1. Give Direction Describe the desired style in detail, or reference a relevant persona.

Slide 78

Slide 78 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR 1. Give Direction Describe the desired style in detail, or reference a relevant persona. 2. Specify Format Define the rules to follow, and the required structure to respond.

Slide 79

Slide 79 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR 1. Give Direction Describe the desired style in detail, or reference a relevant persona. 2. Specify Format Define the rules to follow, and the required structure to respond. 3. Provide Examples Insert a deverse set if test cases where the task was done correctly.

Slide 80

Slide 80 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR 1. Give Direction Describe the desired style in detail, or reference a relevant persona. 2. Specify Format Define the rules to follow, and the required structure to respond. 3. Provide Examples Insert a deverse set if test cases where the task was done correctly. 4. Evaluate Quality Identify errors and rate responses, Testing what drives performance.

Slide 81

Slide 81 text

GenAI Basics Prompt Engineering You Brainstorm a list of product names for a shoe that fits any foot size, in the style of Steve Jobs. Return the result as a comma separated list, in this format: Product description: A shoe that fits any foot size Product name: [list of 3 names] ## Examples Product description: A refrigerator that dispenses beer Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Product names: iNaut, iSpace, iTime ChatGPT Product description: A shoe that fits any foot size Product names: iFitFoot, iPerfectFit, iShoeSize <10/10> LR 1. Give Direction Describe the desired style in detail, or reference a relevant persona. 2. Specify Format Define the rules to follow, and the required structure to respond. 3. Provide Examples Insert a deverse set if test cases where the task was done correctly. 4. Evaluate Quality Identify errors and rate responses, Testing what drives performance. You Please rate the product names based on their catchines, uniqueness, simplicity. Rate them on a scale from 1 to 5, with being 5 the highest score. Respond only with a table containing the results. LR ChatGPT Product Name Catchiness Uniqueness Simplicity iFitFoot 4 4 4 iPerfectFit 5 4 3 iShoeSize 3 3 5 5. Devide Labor Split the task into multiple steps, chained together for complex goals.

Slide 82

Slide 82 text

GenAI Basics Prompt Engineering You Question: Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have? Answer: The answer is 11. Question: The cafeteria had 23 apples. If they used 20 to make lunch and bought 6 more, how many apples do they have? ChatGPT The answer is 27. [NOT CORRECT] LR Chain of Thoughts Pattern

Slide 83

Slide 83 text

GenAI Basics Prompt Engineering You Question: Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have? Answer: Roger started with 5 balls. 2 cans of 3 tennis balls each is 6 tennis balls. 5 + 6 = 11. The answer is 11. Question: The cafeteria had 23 apples. If they used 20 to make lunch and bought 6 more, how many apples do they have? ChatGPT A cafeteria had 23 apples originally. They used 20 to make lunch. So they had 23 - 20 = 3. They bought 6 more apples, so they have 3 + 6 = 9. The answer is 9. [CORRECT] LR „Anstatt das Sprachmodell direkt aufzufordern, das Problem zu lösen, verwenden wir eine Gedankenkette als Aufforderung, um das Modell durch Zwischenschritte zu führen."

Slide 84

Slide 84 text

GenAI Basics Prompt Engineering LR Source: https://promptengineering.org/master-prompting-concepts-chain-of-thought-prompting/

Slide 85

Slide 85 text

GenAI Basics Prompt Engineering You Please choose the best explanation to the question: Question: How is snow formed? Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the atmosphere, which can combine and grow into snowflakes as they fall through the atmosphere and accumulate on the ground. Explanation2: Water vapor freezes into ice crystals forming snow. Answer: ChatGPT Explanation 1 is the better explanation. It provides a more detailed and complete description of the process. It explains that water vapor freezes into ice crystals in the atmosphere and how these crystals can combine to form snowflakes as they fall through the air before accumulating on the ground. This explanation gives a clearer understanding of the formation process of snow compared to the shorter Explanation 2. LR Few-Shot Learning Pattern ???

Slide 86

Slide 86 text

GenAI Basics Prompt Engineering You Please choose the best explanation to the question: Question: Why is sky blue? Explanation1: The sky appears blue because of Rayleigh scattering, … making the sky look blue. Explanation2: Due to Rayleigh scattering effect. Answer: Explanation2 Question: What is the cause of earthquakes? Explanation1: Sudden release of energy in the Earth's crust. Explanation2: Earthquakes happen when tectonic plates suddenly slip or break apart, …. cause damage. Answer: Explanation1 Question: How is snow formed? Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the atmosphere, … on the ground. Explanation2: Water vapor freezes into ice crystals forming snow. Answer: ChatGPT Explanation 2. LR Beispiel 2 Beispiel 1 ??? „Anstatt ein Modell mit vielen, vielen Daten zu füttern, geben wir ihm einige wenige Beispiele zur Orientierung."

Slide 87

Slide 87 text

GenAI Basics Prompt Injection https://gandalf.lakera.ai/

Slide 88

Slide 88 text

GenAI Hands-on „Prompting & Models“

Slide 89

Slide 89 text

GenAI Hands-on Was wirst du lernen in dieser Übung: • Prompten mit dediziertem System Prompt. • Anwenden von Prompting Patterns und Best Practices. • GenAI Completion via Model Parameter beeinflussen.

Slide 90

Slide 90 text

Hands-on Prompting & Models

Slide 91

Slide 91 text

GenAI explained myDOMAIN

Slide 92

Slide 92 text

GenAI- Model Prompt GenAI Basics myDomain „„Was ist das schönste Reiseziel auf der Welt?“

Slide 93

Slide 93 text

GenAI- Model Prompt GenAI Basics myDomain „Wie beantrage ich Urlaub bei open knowledge?“

Slide 94

Slide 94 text

GenAI- Model Prompt GenAI Basics myDomain + „Leave regulation at open knowledge“ „Wie beantrage ich Urlaub bei open knowledge?“

Slide 95

Slide 95 text

GenAI Hands-on „Augmention“

Slide 96

Slide 96 text

Hands-on Augmention

Slide 97

Slide 97 text

Hands-on Augmention

Slide 98

Slide 98 text

Hands-on Augmention

Slide 99

Slide 99 text

Hands-on Augmention

Slide 100

Slide 100 text

Hands-on Augmention

Slide 101

Slide 101 text

Hands-on Hello GenAI World

Slide 102

Slide 102 text

Hands-on GenAI meets Augmention

Slide 103

Slide 103 text

GenAI- Model Prompt GenAI Basics myDomain + „Wie beantrage ich Urlaub bei open knowledge?“ „Urlaubsregelung bei open knowledge“

Slide 104

Slide 104 text

GenAI- Model Prompt GenAI Basics myDomain + „Wie aktiviere ich die Alarmanlage bei open knowledge?“ „Urlaubsregelung bei open knowledge“

Slide 105

Slide 105 text

GenAI- Model Prompt GenAI Basics myDomain + + „Wie aktiviere ich die Alarmanlage bei open knowledge?“ „Urlaubsregelung + Alarmanlage bei open knowledge“

Slide 106

Slide 106 text

GenAI- Model Prompt GenAI Basics myDomain + „Alles interne Wissen (Wiki, DB, …) bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 107

Slide 107 text

GenAI- Model Prompt GenAI Basics myDomain + ERROR: Token Limit exceeded Output Size Context Window Size „Wie mache ich XYZ bei open knowledge?“ „Alles interne Wissen (Wiki, DB, …) bei open knowledge“

Slide 108

Slide 108 text

GenAI- Model Prompt GenAI Basics myDomain + ERROR: Out-of-Budget Exception Context Window Size „Alles interne Wissen (Wiki, DB, …) bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 109

Slide 109 text

GenAI- Model Prompt GenAI Basics myDomain + ERROR: Lost-in-the-Middle Context Window Size „Wie mache ich XYZ bei open knowledge?“

Slide 110

Slide 110 text

GenAI Basics myDomain „Was sind Token Limits?“ • Context Window Size • Output Size • lange Anfragen sind teuer • lange Antworten sind noch teurer

Slide 111

Slide 111 text

Source: GenAI Pricing on Medium.com, Ragesh Gohel, March 2024

Slide 112

Slide 112 text

Source: GenAI Pricing on Medium.com, Ragesh Gohel, March 2024 128.000 Tokens? Kling viel! Ist aber für myDomain in der Regel zu wenig! 128.000 Tokens entsprechen ca. 350 Buchseiten. Harry Potter hat > 1 Mio.Wörter auf über 6.000 Seiten!

Slide 113

Slide 113 text

GenAI Advanced Wie kann ich mein eigenes Domänenwissen einbringen und abfragen?

Slide 114

Slide 114 text

GenAI- Model Prompt GenAI Advanced myDomain + ERROR: Token Limit exceeded! Output Size Context Window Size „Alles interne Wissen bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 115

Slide 115 text

myGenAI Model Prompt GenAI Advanced myDomain „Wie mache ich XYZ bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 116

Slide 116 text

myGenAI Model Prompt GenAI Advanced myDomain Option 1: Build own Model Option 2: Fine-tune existing Model ERROR: Way to expensive ERROR: Way to complex WARNING: Out-of-Sync „Wie mache ich XYZ bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 117

Slide 117 text

Prompt GenAI Advanced myDomain „Prompt Enrichment“ „Model Enrichment“ myGenAI Model + „Wie mache ich XYZ bei open knowledge?“

Slide 118

Slide 118 text

Prompt GenAI Advanced myDomain GenAI- Model SOME MAGIC „MAGIC Enrichment“ „Wie mache ich XYZ bei open knowledge?“

Slide 119

Slide 119 text

Prompt GenAI- Model GenAI Advanced myDomain „Alles interne Wissen bei open knowledge“ SOME MAGIC „Wie mache ich XYZ bei open knowledge?“

Slide 120

Slide 120 text

Prompt Retrieve Augment Ingesting- Pipeline Knowledge Database Retriever GenAI- Model GenAI Advanced myDomain „Alles interne Wissen bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 121

Slide 121 text

Prompt Ingesting- Pipeline Knowledge Database Retriever GenAI Advanced myDomain R etrieval Augmented Generation „Alles interne Wissen bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 122

Slide 122 text

GenAI explained RAG Systems

Slide 123

Slide 123 text

Prompt Ingesting- Pipeline Knowledge Database Retriever GenAI Advanced RAG Systems R etrieval Augmented Generation „Alles interne Wissen bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 124

Slide 124 text

Prompt Ingesting- Pipeline Knowledge Database Retriever GenAI Advanced RAG Systems R etrieval Augmented Generation „Alles interne Wissen bei open knowledge“ „Wie mache ich XYZ bei open knowledge?“

Slide 125

Slide 125 text

GenAI Advanced RAG Systems GenAI Model Ingesting-Pipeline (Async.) Retriever Chunking Embedding Retrieval-Pipeline (Sync.) Query- Embedding Top-k Fetching Augmenting UI/UX „Wie mache ich XYZ bei open knowledge?“

Slide 126

Slide 126 text

„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen. Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats. Für das Jahr 2024 wurde erwartet, dass der Sprung vom explorativen Herumspielen mit Large Language Models […].“ Document (Doc. Id:1) Chunking Embedding Ingesting Pipeline am Beispiel

Slide 127

Slide 127 text

„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen. Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats. Für das Jahr 2024 wurde erwartet, dass der Sprung vom explorativen Herumspielen mit Large Language Models […].“ [„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen.“] [„Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats.“] […] Document (Doc. Id:1) Chunking Embedding Ingesting Pipeline am Beispiel

Slide 128

Slide 128 text

„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen. Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats. Für das Jahr 2024 wurde erwartet, dass der Sprung vom explorativen Herumspielen mit Large Language Models […].“ [„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen.“] [„Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats.“] […] Document (Doc. Id:1) Chunking Embedding [-0.24, 0.15, …, 0.52] [-0.13, 0.95, …, 0.31] […] Ingesting Pipeline am Beispiel

Slide 129

Slide 129 text

„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen. Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats. Für das Jahr 2024 wurde erwartet, dass der Sprung vom explorativen Herumspielen mit Large Language Models […].“ [„Die Veröffentlichung von ChatGPT jährt sich nun bald zum zweiten Mal. Ein Ende des Hypes ist noch lange nicht abzusehen.“] [„Zu groß sind die Mehrwerte dieser Technologie, zu intuitiv ist der Umgang in Form eines Chats.“] […] Document (Doc. Id:1) Id Doc. Id Embedding 1 1 [-0.24, 0.15, …, 0.52] 2 1 [-0.13, 0.95, …, 0.31] […] […] […] Chunking Embedding [-0.24, 0.15, …, 0.52] [-0.13, 0.95, …, 0.31] […] Ingesting Pipeline am Beispiel

Slide 130

Slide 130 text

Retrieval Pipeline am Beispiel Embedding Top-k Fetching Augmenting „Wovon handelt der Vortrag „Die Architektur für Sprachmodelle in der Praxis - Retrieval Augmented Generation“?“

Slide 131

Slide 131 text

Retrieval Pipeline am Beispiel Embedding Top-k Fetching Augmenting „Wovon handelt der Vortrag „Die Architektur für Sprachmodelle in der Praxis - Retrieval Augmented Generation“?“ [0.35, 0.25, …, 0.62]

Slide 132

Slide 132 text

Retrieval Pipeline am Beispiel Embedding Top-k Fetching Augmenting Embeddings aus Knowledge Base Embeddings Dimension 1 Embed. Dim. 2 Top-k=1 Dokument „Wovon handelt der Vortrag „Die Architektur für Sprachmodelle in der Praxis - Retrieval Augmented Generation“?“ [0.35, 0.25, …, 0.62]

Slide 133

Slide 133 text

Retrieval Pipeline am Beispiel Embedding Top-k Fetching Augmenting Embeddings aus Knowledge Base Embeddings Dimension 1 Embed. Dim. 2 Top-k=1 Dokument „Wovon handelt der Vortrag „Die Architektur für Sprachmodelle in der Praxis - Retrieval Augmented Generation“?“ [0.35, 0.25, …, 0.62] & „Wovon handelt der Vortrag […] basierend auf folgendem Kontext: „Durch ein vorgeschaltetes Retrieval, um relevante Informationen aus einer eigenen dynamischen Datenbasis hinzuziehen, können fundierte Antworten geliefert werden.“

Slide 134

Slide 134 text

Sherlock RAG in Action

Slide 135

Slide 135 text

No content

Slide 136

Slide 136 text

No content

Slide 137

Slide 137 text

No content

Slide 138

Slide 138 text

GenAI Hands-on „Simple RAG“

Slide 139

Slide 139 text

GenAI Hands-on Was wirst du lernen in dieser Übung: • Implementieren eines RAG-Systems mit Hilfe von Ingestion- und Retrieval-Pipelines. • Anwenden des RAG für Fragen aus der Domäne.

Slide 140

Slide 140 text

Hands-on Simple RAG

Slide 141

Slide 141 text

Retrieval Augmented Knowledge Database Retriever Generation Ingesting- Pipeline GenAI Advanced RAG Systems „Wie beantrage ich Urlaub bei open knowledge?“

Slide 142

Slide 142 text

Retrieval Augmented Knowledge Database Retriever Generation Ingesting- Pipeline GenAI Advanced RAG Systems „Urlaub? So wie du arbeitest? Du faules Stück!“ „Wie beantrage ich Urlaub bei open knowledge?“

Slide 143

Slide 143 text

GenAI Professional Was fehlt noch für einen nachhaltigen produktiven Betrieb?

Slide 144

Slide 144 text

Retrieval Augmented Knowledge Database Retriever Generation Ingesting- Pipeline „Wie beantrage ich Urlaub bei open knowledge?“ GenAI Professional Guardrails „Urlaub? So wie du arbeitest? Du faules Stück!“

Slide 145

Slide 145 text

Retrieval Augmented Knowledge Database Retriever Generation Guarding Output Ingesting- Pipeline GenAI Professional Guardrails Output Profanity Check „Wie beantrage ich Urlaub bei open knowledge?“ „Urlaub? So wie du arbeitest? Du faules Stück!“

Slide 146

Slide 146 text

Retrieval Augmented Knowledge Database Retriever Generation Guarding Output Ingesting- Pipeline GenAI Professional Guardrails „Das kann ich leider nicht beantworten.“ Output Profanity Check „Wie beantrage ich Urlaub bei open knowledge?“ „Urlaub? So wie du arbeitest? Du faules Stück!“ „…. Faules Stück …“

Slide 147

Slide 147 text

Retrieval Augmented Knowledge Database Retriever Generation Input Output Ingesting- Pipeline GenAI Professional Guardrails Guarding „Was soll ich heute Abend kochen?“ Topic Check

Slide 148

Slide 148 text

Retrieval Augmented Knowledge Database Retriever Generation Input Output Ingesting- Pipeline GenAI Professional Guardrails Guarding „Was soll ich heute Abend kochen?“ „Sorry, aber das fällt nicht in meinen Aufgabenbereich.“ Topic Check

Slide 149

Slide 149 text

Retrieval Augmented Knowledge Database Retriever Generation Input Output Ingesting- Pipeline GenAI Professional Guardrails Output-Governance: Toxic Speech, Fact-Checking, Ethical-Guidelines, Cross-Validation, … Input-Evaluation: Prompt-Injection, Jailbreak-Versuche, Topic-Filter, PII-Cleansing, Rate-Limiting,… Guarding

Slide 150

Slide 150 text

Sherlock RAG in Action

Slide 151

Slide 151 text

No content

Slide 152

Slide 152 text

GenAI Hands-on „Guardrails to the rescue“

Slide 153

Slide 153 text

GenAI Hands-on Was wirst du lernen in dieser Übung: • Erstellen eigener Guardrails zum Verhindern toxischer Sprache. • Implementieren eines Fact- Checkers Output Guardrails.

Slide 154

Slide 154 text

Hands-on Guardrails to the rescue

Slide 155

Slide 155 text

Hands-on Guardrails to the rescue

Slide 156

Slide 156 text

Retrieval Augmented Knowledge Database Retriever Generation Input Output Ingesting- Pipeline GenAI Professional Guarding Was fehlt noch für ein professionelles und produktives System?

Slide 157

Slide 157 text

Retrieval Augmented Knowledge Database Retriever Generation Input Output Ingesting- Pipeline RAG-Monitoring Cost- Monitoring Model- Monitoring Response-Quality- Monitoring GenAI Professional Monitoring Guarding Ragas: https://docs.ragas.io/en/stable/concepts/metrics

Slide 158

Slide 158 text

Retrieval Augmented Generation GenAI Professional Response Quality Monitoring https://docs.confident-ai.com/docs/metrics-llm-evals G-Eval Summerization Answer Relevancy Faithfulness Summerization Hallucination Contextual Recall Contextual Relevancy Contextual Precision relevanter Kontext generierte Antwort User Input

Slide 159

Slide 159 text

Retrieval Augmented Generation GenAI Professional Response Quality Monitoring Faithfulness relevanter Kontext generierte Antwort User Input Wird die durch unterstützt?

Slide 160

Slide 160 text

Retrieval Augmented Generation relevanter Kontext generierte Antwort User Input GenAI Professional Response Quality Monitoring Answer Relevancy Passt die zum ?

Slide 161

Slide 161 text

GenAI Professional Response Quality Monitoring Step 1: Generiere mögliche Antworten ( ) aus Embeddings Dimension 1 Embed. Dim. 2 Answer Relevancy Passt die zum ?

Slide 162

Slide 162 text

GenAI Professional Response Quality Monitoring Step 1: Generiere mögliche Antworten ( ) aus Step 2: Berechne die mittlere Distanz von Embeddings Dimension 1 Embed. Dim. 2 Answer Relevancy Passt die zum ?

Slide 163

Slide 163 text

RAG in Action aka Sherlock RAG

Slide 164

Slide 164 text

No content

Slide 165

Slide 165 text

Best Practices Was sind typische Stolperfallen, in die ich reinlaufen werde – und wie gehe ich damit um?

Slide 166

Slide 166 text

Retrieval Augmented Knowledge Database Retriever Generation Guarding Input Output Ingesting- Pipeline RAG-Monitoring Cost- Monitoring Model- Monitoring Response-Quality- Monitoring GenAI Best Practices Real Life Survival Guide

Slide 167

Slide 167 text

„Die Antworten klingen schlüssig, sind aber falsch!“ GenAI Best Practices Real Life Survival Guide

Slide 168

Slide 168 text

GenAI Model UI/UX Guardrails Output Ingesting-Pipeline (Async.) Chunking Embedding Retrieval-Pipeline (Sync.) Query- Embedding Top-k Fetching Augmenting Input GenAI Best Practices Real Life Survival Guide Hallucination (via Faithfulness / Answer Relevancy)

Slide 169

Slide 169 text

GenAI Model UI/UX Guardrails Output Ingesting-Pipeline (Async.) Chunking Embedding Retrieval-Pipeline (Sync.) Query- Embedding Top-k Fetching Augmenting Input Missing Data GenAI Best Practices Real Life Survival Guide

Slide 170

Slide 170 text

GenAI Model UI/UX Guardrails Output Ingesting-Pipeline (Async.) Chunking Embedding Retrieval-Pipeline (Sync.) Query- Embedding Top-k Fetching Augmenting Input Missing Data GenAI Best Practices Real Life Survival Guide Chunk not found

Slide 171

Slide 171 text

GenAI Model UI/UX Guardrails Output Ingesting-Pipeline (Async.) Chunking Embedding Retrieval-Pipeline (Sync.) Query- Embedding Top-k Fetching Augmenting Input Missing Data GenAI Best Practices Real Life Survival Guide Chunk not found Chunk not relevant

Slide 172

Slide 172 text

Ingesting-Pipeline (Async.) Chunking Embedding Real Life RAG #1 Missing-Data Challenge Missing Data

Slide 173

Slide 173 text

Ingesting-Pipeline (Async.) Chunking Embedding Real Life RAG #1 Missing-Data Challenge Missing Data Problem: RAG kennt die benötigten Daten nicht.

Slide 174

Slide 174 text

Ingesting-Pipeline (Async.) Chunking Embedding Real Life RAG #1 Missing-Data Challenge Missing Data Problem: RAG kennt die benötigten Daten nicht. Lösung: Passenden Ingestor implementieren.

Slide 175

Slide 175 text

Ingesting-Pipeline (Async.) Chunking Embedding Real Life RAG #1 Missing-Data Challenge Missing Data Problem: Snapshot der Daten ist nicht aktuell genug.

Slide 176

Slide 176 text

Ingesting-Pipeline (Async.) Chunking Embedding Real Life RAG #1 Missing-Data Challenge Missing Data Problem: Snapshot der Daten ist nicht aktuell genug. Lösung: Schnittstelle zum „kontinuierlichen“ Data-Sync.

Slide 177

Slide 177 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Query- Embedding

Slide 178

Slide 178 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Query- Embedding

Slide 179

Slide 179 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Lösung #1: Chunk-Sizes und Overlapping adaptieren. Query- Embedding

Slide 180

Slide 180 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Lösung #2: Andere Splitter verwenden (e.g. Semantic-Splitter). Query- Embedding

Slide 181

Slide 181 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Lösung#3: Optimierung des Distanz-Thresholds bzw. k aus Top-k Query- Embedding

Slide 182

Slide 182 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Lösung #4: Auswahl eines besser geeigneten Embedding-Models. Query- Embedding

Slide 183

Slide 183 text

Top-k Fetching Ingesting-Pipeline (Async.) Chunking Embedding Augmenting Retrieval-Pipeline (Sync.) Real Life RAG #2 Chunk-not-found Challenge Chunk not found Problem: Vorhandene Chunks werden nicht gefunden. Lösung #5: Hypothetical Document Embeddings (HyDE) Input HyDE Query- Embedding

Slide 184

Slide 184 text

Guardrails Input Output Gao et al. (2023) HyDE = Hypothetical Document Embeddings Real Life RAG #2 Chunk-not-found Challenge HyDE

Slide 185

Slide 185 text

Real Life RAG #3 Chunk-not-relevant Challenge Chunk not relevant GenAI Model Top-k Fetching Augmenting Retrieval-Pipeline (Sync.) Query- Embedding

Slide 186

Slide 186 text

Real Life RAG #3 Chunk-not-relevant Challenge Problem: Chunk wird vom Model nicht als relevant erachtet. Chunk not relevant GenAI Model Top-k Fetching Augmenting Retrieval-Pipeline (Sync.) Query- Embedding

Slide 187

Slide 187 text

Real Life RAG #3 Chunk-not-relevant Challenge Chunk not relevant Top-k Fetching Augmenting Retrieval-Pipeline (Sync.) Problem: Chunk wird vom Model nicht als relevant erachtet. Lösung #1: Für den Use-Case besser geeignetes Modell wählen. GenAI Model Query- Embedding

Slide 188

Slide 188 text

Real Life RAG #3 Chunk-not-relevant Challenge Chunk not relevant Top-k Fetching Augmenting Retrieval-Pipeline (Sync.) GenAI Model Problem: Chunk wird vom Model nicht als relevant erachtet. Lösung #2: Chunk um zusätzlichen Context erweitern (small-to-big). Chunk Query- Embedding

Slide 189

Slide 189 text

GenAI Model UI/UX Guardrails Input Output Ingesting-Pipeline (Async.) Chunking Embedding Retrieval-Pipeline (Sync.) Top-k Fetching Augmenting Query- Embedding

Slide 190

Slide 190 text

GenAI Hands-on „RAG Pitfalls“

Slide 191

Slide 191 text

GenAI Hands-on Was wirst du lernen in dieser Übung: • Überleben im RAG-Dschungel: Anwenden von Pattern und Best Practices für Content- Ingestion und -Retrieval.

Slide 192

Slide 192 text

Hands-on Surviving the RAG jungle

Slide 193

Slide 193 text

Ausblick Was ist neben der reinen Wissensabfrage noch alles möglich?

Slide 194

Slide 194 text

Prompt Retrieve Augment Ingesting- Pipeline Knowledge Database Retriever GenAI- Model GenAI Outlook Was gibt es noch zu bedenken? „How to apply for vacation at open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 195

Slide 195 text

GenAI explained I18N

Slide 196

Slide 196 text

UI/UX Enterprise Integration „Comment demander des vacances chez ok?“ Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Knowledge Database „Wie beantrage ich Urlaub bei open knowledge?“ GenAI Outlook Multi-Language RAG „Alles interne Wissen bei open knowledge“

Slide 197

Slide 197 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Language- Detection Translation Translation Translation GenAI Outlook Multi-Language RAG Knowledge Database „Comment demander des vacances chez ok?“ „Alles interne Wissen bei open knowledge“

Slide 198

Slide 198 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Knowledge Database Retriever GenAI- Model Translation Translation Translation Translation FR_fr language not supported domain specific wording GenAI Outlook Multi-Language RAG Language- Detection „Comment demander des vacances chez ok?“ „Alles interne Wissen bei open knowledge in mehreren Sprachen.“

Slide 199

Slide 199 text

GenAI explained ACCESS CONTROL

Slide 200

Slide 200 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Knowledge Database GenAI Outlook Access Control „Wie beantrage ich Urlaub bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 201

Slide 201 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Knowledge Database GenAI Outlook Access Control „Was sind die geheimen KPIs von open knowledge?“ „Alles interne Wissen bei open knowledge“ incl C-Level Informationen.“

Slide 202

Slide 202 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Token Knowledge Database Input Guardrail Eine Art von Attacke? Prompt-Injection? Prompt-Abuse? Rate-Limit? GenAI Outlook Access Control „Was sind die geheimen KPIs von open knowledge?“ „Alles interne Wissen bei open knowledge“ incl C-Level Informationen.“

Slide 203

Slide 203 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Knowledge Database incl. AC Meta Data Retriever GenAI- Model RBAC via PBF Token Token Input Guardrail GenAI Outlook Access Control RBAC = Role based Access Control PBF = Permission based Filtering „Was sind die geheimen KPIs von open knowledge?“ „Alles interne Wissen bei open knowledge“ incl C-Level Informationen.“

Slide 204

Slide 204 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Knowledge Database with AC Meta Data Retriever GenAI- Model RBAC via PBF Token Token Input Guardrail Output Guardrail PII: Personally identifiable information? GenAI Outlook Access Control „Wie sehen die persönlchen Daten von X aus bei ok?“ „Alles interne Wissen bei open knowledge“ incl C-Level Informationen.“

Slide 205

Slide 205 text

GenAI explained INTEGRATION

Slide 206

Slide 206 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Retriever GenAI- Model Knowledge Database GenAI Outlook Integration „Wie beantrage ich Urlaub bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 207

Slide 207 text

GenAI Outlook Integration GenAI based Service A P I ML as a Service Input Output UI/UX Enterprise Integration „Wie beantrage ich Urlaub bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 208

Slide 208 text

GenAI Hands-on „GenAI as a Service“

Slide 209

Slide 209 text

Hands-on GenAI-as-a-Service

Slide 210

Slide 210 text

Hands-on GenAI-as-a-Service

Slide 211

Slide 211 text

GenAI explained AGENTS

Slide 212

Slide 212 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Knowledge Database Retriever GenAI- Model GenAI Outlook Multi-Agenten Systeme „Wie beantrage ich Urlaub bei open knowledge?“ „Alles interne Wissen bei open knowledge“

Slide 213

Slide 213 text

UI/UX Enterprise Integration Retrieve Augment Ingesting- Pipeline Knowledge Database Retriever GenAI- Model GenAI Outlook Multi-Agenten Systeme „Beantrage meinen Urlaub von […] bis [… ] bei ok, bitte.“ „Alles interne Wissen bei open knowledge“

Slide 214

Slide 214 text

GenAI Outlook Multi-Agenten Systeme Retriever Memory Tools Planning Database Prompting Models API-Call UI/UX „Ich habe deinen Urlaub beantragt.“ „Beantrage meinen Urlaub von […] bis [… ] bei ok, bitte.“

Slide 215

Slide 215 text

Fazit Was sollte ich aus dem Workshop für mich und mein Team mitnehmen?

Slide 216

Slide 216 text

GenAI vom Prototypen zum produktiven Einsatz Was du heute mitnehmen solltest: • GenAI ist mächtig. Mächtig teuer. • Der Prompt ist dein Freund. • Jedes Modell ist anders. • RAG für eigenes Domänenwissen. • GenAI ist auch nur Software. Dein Use Case bestimmt den richtigen Weg!

Slide 217

Slide 217 text

„When deploying Generative AI technology, it is essential to adhere to best practices including employing models through validation, understanding the model’s limitations, ensuring ethical use, and monitoring for biases continuously.“ (Source: https://www.tredence.com/generative-ai-101)

Slide 218

Slide 218 text

No content

Slide 219

Slide 219 text

Zeit für Fragen? Immer!

Slide 220

Slide 220 text

#WISSENTEILEN #WISSENTEILEN by open knowledge GmbH @_openKnowledge | @mobileLarson Lars Röwekamp, CIO New Technologies Vielen Dank!

Slide 221

Slide 221 text

Ein Blick über den RAG-Tellerrand: Cognitive Architecture blog.langchain.dev/what-is-a-cognitive-architecture Wir sind hier

Slide 222

Slide 222 text

#WISSENTEILEN #WISSENTEILEN BILDNACHWEISE Folie 21: © photoplotnikov - istockphoto.com Folie 23: © Mix und Match Studios - shutterstock.com Folie 23: © Mix und Match Studios - shutterstock.com Alle anderen Bilder, , Zeichnungen und icons stammen aus den folgenden freien Quellen • pexels.com, • pixabay.com, • unsplash.com, • flaticon.com oder wurden von mir selbst erstellt.