Verdiep uw expertise in Retrieval-Augmented Generation door in twee intensieve workshops RAG-systemen uit de praktijk te bouwen, te testen en te vergelijken.

Trainingsinhoud

Deze geavanceerde, praktijkgerichte training focust op de implementatie, debugging en evaluatie van RAG-pipelines. Deelnemers bouwen een volledig RAG-systeem met codegebaseerde frameworks en verkennen no-code/low-code alternatieven, zodat ze weloverwogen architecturale keuzes kunnen maken in reële implementatiecontexten.

Deze training maakt deel uit van een driedelige RAG-cursusreeks. Dag 2 en 3 vormen één aansluitende technische module en kunnen niet afzonderlijk worden gevolgd. Terwijl dag 1 (18 maart) focust op conceptuele fundamenten, zijn dag 2 en 3 volledig gewijd aan hands-on implementatie en vereisen ze een technische achtergrond. Deelnemers die zich inschrijven voor het volledige 3-daagse programma ontvangen €50 korting. Om u in te schrijven voor het volledige programma, registreert u voor dag 1 en voegt u dag 2 en 3 toe tijdens het afrekenen.

Deze training wordt in het Engels gegeven.

Programma

DAG 2

Voormiddag – RAG bouwen met LangChain

– Introductie tot LangChain-concepten (chains, retrievers, prompts)

– Stap voor stap een volledige RAG-pipeline samenstellen

– Meerdere LLM’s gebruiken binnen één workflow

– Prompts en retrievalstrategieën beheren

Namiddag – Monitoring, Debugging en Optimalisatie

– Tracing en monitoring met LangSmith

– Retrieval- en generatieproblemen diagnosticeren

– Latentie, kosten en antwoordkwaliteit analyseren

– Itereren op chunking-, retrieval- en promptingstrategieën

DAG 3

Voormiddag – Visuele en No-code RAG-oplossingen

– RAG-pipelines bouwen met Langflow / Flowise

– Visuele configuratie van loaders, chunking, embeddings en retrievers

– Lokale uitvoering en cloudgebaseerde deploymentoverwegingen

Namiddag – Cloudgebaseerde RAG & Vergelijkende Workshop

– RAG-gebaseerde agents creëren met Microsoft Copilot Studio

– Koppelen met gestructureerde en ongestructureerde kennisbronnen

– Codegebaseerde versus no-code architecturen

– Sterktes, beperkingen en geschikte use cases

– Afwegingen op het vlak van flexibiliteit, onderhoudbaarheid en schaalbaarheid

Doelgroep

Developers (backend, full-stack)
Data-, ML- en AI-engineers
Technische consultants en solution architects
IT- en digitale teams verantwoordelijk voor AI-implementatie

Trainers

Alexandra SEBASTIEN

Opgeleid in biologie en ecologie richtte Alexandra SÉBASTIEN zich aanvankelijk op sociale insecten (mieren en honingbijen), hun gedrag, bacteriën en virussen, en later op hun eiwitten. Ze behaalde haar Bachelor- en Masterdiploma aan de Université Pierre et Marie Curie en promoveerde in 2016 aan Victoria University of Wellington. Vervolgens voerde ze postdoctoraal onderzoek uit aan de University of British Columbia, waar ze empirisch onderzoek bleef combineren met kwantitatieve analyse.

In de loop der tijd evolueerde haar werk van veld- en laboratoriumonderzoek naar meer datagedreven benaderingen. Deze overgang bracht haar ertoe een aanvullende Master in Big Data te volgen aan de Université Libre de Bruxelles, afgerond in 2025. Ze wordt gedreven door analytisch probleemoplossend denken en door de uitdaging om complexe datasets te interpreteren. Met de snelle opkomst en integratie van artificiële intelligentie in het dagelijks leven is ze bijzonder geïnteresseerd in de maatschappelijke implicaties van deze technologieën en in het belang van een verantwoorde en constructieve inzet ervan.

Lyan ALJENDI

Lyan Aljendi is een generative AI-ingenieur aan de ULB en richt zich momenteel op het ontwikkelen van impactvolle oplossingen in het onderwijs. Eerder werkte ze tijdens haar masterproef aan de toepassing van generatieve AI in medisch onderzoek. Ze is vooral geïnteresseerd in het inzetten van AI om positieve verandering te creëren in de publieke sector. Ze behaalde een bachelor in Software and Information Systems Engineering aan de Universiteit van Homs en voltooide in 2025 een master in Computerwetenschappen aan de ULB, waar ze de Babbage Prize voor academische excellentie ontving.