Seminar RisingWave – Echtzeitdaten für KI- und Agentenanwendungen

KI- und Agentenanwendungen benötigen aktuelle, konsistente und schnell abrufbare Kontexte statt gelegentlicher Batch-Exporte. Die Schulung entwickelt Streaming-Daten zu Echtzeitmerkmalen, Vektorrepräsentationen und kontrolliert bereitgestellten Agentenkontexten.

Inhaltsverzeichnis

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik

Zielsetzung

• Aktuelle Merkmale und Kontexttabellen aus Ereignisströmen ableiten
• Vektordaten und Ähnlichkeitssuche in ein Streaming-Modell integrieren
• Anwendungen über SQL, Python und standardisierte Kontextzugriffe anbinden
• Aktualität, Qualität, Datenschutz und Antwortlatenz gemeinsam überwachen

Zielgruppe

Data Engineers, Machine-Learning-Engineering, KI-Plattformteams, Backend-Entwicklung, Data Architects und technische Produktentwicklung.

Voraussetzungen

Gute SQL-Kenntnisse, Grundverständnis von Embeddings, Vektorsuche und Python-Anwendungen. RisingWave-Grundlagen sind hilfreich.

Seminarinhalte

1. Schritt 1: Echtzeit-KI-Anwendungsfall abgrenzen

   Entscheidungslatenz, Aktualitätsbedarf, Entitäten, Kontextquellen, Datenschutz und tolerierbare Inkonsistenzen werden fachlich festgelegt.

2. Schritt 2: Online-Merkmale modellieren

   Zustandsbehaftete Zählungen, letzte Ereignisse, gleitende Kennzahlen und Entitätsprofile werden als materialisierte Echtzeitmerkmale aufgebaut.

3. Schritt 3: Kontext aus mehreren Quellen verbinden

   Transaktionen, Interaktionen, Stammdaten und externe Signale werden über stabile Schlüssel und zeitliche Regeln zusammengeführt.

4. Schritt 4: Embeddings in den Datenfluss integrieren

   Erzeugung, Version, Dimension, Modellbezug, Aktualisierung und Fehlerbehandlung von Vektorrepräsentationen werden als Datenvertrag behandelt.

5. Schritt 5: Vektorindizes einsetzen

   Distanzmaß, Indexaufbau, Filterung, Aktualisierung und Qualitätskontrolle werden für aktuelle semantische Suche konfiguriert.

6. Schritt 6: Hybrid Retrieval gestalten

   Strukturierte Filter, zeitliche Aktualität, fachliche Regeln und Vektorähnlichkeit werden zu einem reproduzierbaren Retrieval-Verfahren kombiniert.

7. Schritt 7: Python-Anwendung anbinden

   Verbindung, parametrisierte Abfragen, Ergebnistypen, Timeouts, Wiederholung und Pooling werden in einem robusten Zugriffsmuster umgesetzt.

8. Schritt 8: Agentenkontext standardisieren

   Freigegebene Werkzeuge, zulässige Abfragen, Kontextgrenzen und nachvollziehbare Rückgaben werden für einen kontrollierten Agentenzugriff definiert.

9. Schritt 9: Qualität und Sicherheit prüfen

   Freshness, Vollständigkeit, Drift, unzulässige Attribute, Mandantentrennung und Löschanforderungen werden kontinuierlich kontrolliert.

10. Schritt 10: Latenz und Betrieb überwachen

    Quellverzug, Merkmalsaktualität, Indexzustand, Abfragelatenz und Anwendungsfehler werden in einer gemeinsamen Betriebsansicht zusammengeführt.

Praxisübungen

• Echtzeitmerkmale für eine Kunden- oder Geräteentität modellieren
• Vektordaten laden und eine gefilterte Ähnlichkeitssuche aufbauen
• Eine Python-Abfrage für aktuellen strukturierten und semantischen Kontext implementieren
• Freshness-, Datenschutz- und Latenzprüfungen für den Gesamtfluss definieren

Methodik

Ein zusammenhängender KI-Anwendungsfall wird von der Ereignisaufnahme bis zum abrufbaren Kontext aufgebaut. Technische Resultate werden mit Qualitäts-, Sicherheits- und Latenzkriterien abgenommen. Die gewählte Seminardauer beträgt 2 Tage. Zwei Tage sind notwendig, um Streaming-Merkmale, Vektorsuche, Anwendungsintegration sowie Qualitäts- und Sicherheitskontrollen als vollständigen Echtzeitpfad praktisch aufzubauen.