Generative KI mit Python (eBook)

  Materialien zum Buch ... 15

  1.  Vorwort ... 17

       1.1 ... Zielsetzung des Buches ... 18

       1.2 ... Zielgruppe ... 19

       1.3 ... Was Sie schon wissen sollten ... 20

       1.4 ... Struktur des Buches ... 20

       1.5 ... Wie man dieses Buch effektiv nutzt ... 24

       1.6 ... Systemeinrichtung ... 25

       1.7 ... Danksagung ... 32

       1.8 ... Konventionen in diesem Buch ... 33

  2.  Einführung in die generative KI ... 35

       2.1 ... Einführung in die künstliche Intelligenz ... 38

       2.2 ... Die Säulen des Fortschritts in der generativen KI ... 42

       2.3 ... Deep Learning ... 46

       2.4 ... Schwache und allgemeine KI ... 48

       2.5 ... Natural Language Processing (NLP) ... 51

       2.6 ... Large Language Models (LLMs) ... 56

       2.7 ... Use-Cases ... 59

       2.8 ... Die Grenzen von LLMs ... 61

       2.9 ... Large Multimodal Models (LMMs) ... 62

       2.10 ... Generative KI-Anwendungen ... 64

       2.11 ... Zusammenfassung ... 66

  3.  Vortrainierte Modelle ... 69

       3.1 ... Was sind vortrainierte Modelle? ... 71

       3.2 ... Hugging Face ... 71

       3.3 ... Modellauswahl ... 72

       3.4 ... Coding: Textzusammenfassung ... 73

       3.5 ... Übung: Übersetzung ... 75

       3.6 ... Coding: Zero-Shot-Klassifikation ... 77

       3.7 ... Coding: Füllmaske ... 80

       3.8 ... Coding: Frage-Antwort-Modelle ... 81

       3.9 ... Coding: Erkennung benannter Entitäten (Named Entity Recognition) ... 83

       3.10 ... Coding: Text-zu-Bild ... 85

       3.11 ... Übung: Text-zu-Audio ... 87

       3.12 ... Abschlussprojekt: Kunden-Feedback analysieren ... 88

       3.13 ... Zusammenfassung ... 91

  4.  Large Language Models ... 93

       4.1 ... Eine kurze Geschichte der Sprachmodelle ... 94

       4.2 ... LLMs mithilfe von Python nutzen ... 95

       4.3 ... Modellparameter ... 109

       4.4 ... Modellauswahl ... 113

       4.5 ... Messages ... 116

       4.6 ... Prompt Templates ... 117

       4.7 ... Chains ... 122

       4.8 ... LLM-Schutz und -Sicherheit ... 135

       4.9 ... Modellverbesserungen ... 143

       4.10 ... Neue Trends ... 144

       4.11 ... Zusammenfassung ... 151

  5.  Prompt Engineering ... 153

       5.1 ... Prompting -- die Grundlagen ... 154

       5.2 ... Meta-Prompting ... 164

       5.3 ... Strukturierte Inputs ... 165

       5.4 ... Coding: Few-Shot-Prompting ... 166

       5.5 ... Chain-of-Thought ... 168

       5.6 ... Zero-Shot Chain-of-Thought ... 169

       5.7 ... Coding: Self-Consistency Chain-of-Thought ... 169

       5.8 ... Coding: Prompt-Chaining ... 173

       5.9 ... Coding: Self-Feedback ... 175

       5.10 ... Zusammenfassung ... 180

  6.  Vektordatenbanken ... 183

       6.1 ... Einleitung ... 183

       6.2 ... Der Data-Ingestion-Prozess ... 186

       6.3 ... Dokumente importieren ... 187

       6.4 ... Dokumente aufteilen ... 194

       6.5 ... Einbettungen erstellen ... 211

       6.6 ... Daten speichern ... 226

       6.7 ... Daten abrufen ... 232

       6.8 ... Abschlussprojekt ... 239

       6.9 ... Zusammenfassung ... 251

  7.  Retrieval-Augmented Generation ... 253

       7.1 ... Einleitung ... 254

       7.2 ... Ein einfaches System zur Retrieval-Augmented Generation ... 258

       7.3 ... Fortgeschrittene Techniken ... 265

       7.4 ... Coding: Prompt-Caching ... 286

       7.5 ... Evaluierung ... 292

       7.6 ... Zusammenfassung ... 296

  8.  Agentensysteme ... 297

       8.1 ... Einführung in KI-Agenten ... 298

       8.2 ... Verfügbare Frameworks ... 300

       8.3 ... Einfache Agentensysteme ... 301

       8.4 ... Agenten-Framework: LangGraph ... 310

       8.5 ... Agenten-Framework: Microsoft Agent Framework ... 324

       8.6 ... Agenten-Framework: CrewAI ... 336

       8.7 ... Agenten-Framework: OpenAI Agents ... 350

       8.8 ... Agenten-Framework: Pydantic AI ... 356

       8.9 ... Überwachung von Agentensystemen ... 359

       8.10 ... Zusammenfassung ... 366

  9.  Model Context Protocol ... 369

       9.1 ... Was ist das Model Context Protocol? ... 370

       9.2 ... Das M×N-Integrationsproblem ... 371

       9.3 ... Architektur: Host, Client und Server ... 372

       9.4 ... Finden von geeigneten MCP-Servern ... 374

       9.5 ... Coding: Einen bestehenden MCP-Server einbinden ... 374

       9.6 ... Coding: Einen eigenen MCP-Server entwickeln ... 377

       9.7 ... MCP in Agenten-Frameworks nutzen ... 383

       9.8 ... Sicherheit und Grenzen ... 383

       9.9 ... Zusammenfassung ... 387

10.  Agentic Coding ... 389

       10.1 ... Was ist Agentic Coding? ... 390

       10.2 ... Die Werkzeuglandschaft ... 392

       10.3 ... Kontextmanagement ... 405

       10.4 ... Skills ... 412

       10.5 ... Hooks ... 419

       10.6 ... MCP-Anbindung ... 420

       10.7 ... Arbeitsweisen und Workflows ... 422

       10.8 ... Coding: Ein Projekt mit OpenCode umsetzen ... 424

       10.9 ... Mit lokalen Modellen arbeiten ... 425

       10.10 ... Best Practices, Kosten und Grenzen ... 426

       10.11 ... Zusammenfassung ... 427

11.  Deployment ... 429

       11.1 ... Die Anwendungsarchitektur ... 430

       11.2 ... Die Deploymentstrategie ... 432

       11.3 ... Entwicklung einer eigenständigen Anwendung ... 442

       11.4 ... Deployment auf Heroku ... 449

       11.5 ... Deployment auf Streamlit.io ... 456

       11.6 ... Deployment auf Render ... 459

       11.7 ... Zusammenfassung ... 461

12.  Ausblick ... 463

       12.1 ... Fortschritte in der Modellarchitektur ... 463

       12.2 ... Grenzen und Probleme von LLMs ... 464

       12.3 ... Regulatorische Entwicklungen ... 470

       12.4 ... Künstliche allgemeine Intelligenz und künstliche Superintelligenz ... 470

       12.5 ... KI-Fähigkeiten in der nahen Zukunft ... 471

       12.6 ... Hilfreiche Ressourcen und Empfehlungen ... 473

       12.7 ... Zusammenfassung ... 474

  Über den Autor ... 477

  Index ... 479