Schulung – RAG & LLM-Apps – Legacy-Modernisierung

RAG & LLM-Apps für Legacy-Modernisierung

RAG und LLM-Anwendungen entwickeln: Embeddings, Vektordatenbanken, Chunking, Retrieval, Evaluierung, Kosten und Datenschutz.

Dauer
6 Stunden, ein Termin
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

„RAG & LLM-Apps für Legacy-Modernisierung“ ist ein praxisorientiertes Training für Rollen wie Entwickler:innen, die COBOL-, PL/I- oder RPG-Systeme betreuen, Java- und .NET-Teams mit älteren Monolithen und Framework-Altlasten und Software- und Enterprise-Architekt:innen in Modernisierungsprogrammen. Sie lernen RAG & LLM-Apps nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Legacy-Modernisierung.

Retrieval-Augmented Generation verbindet Sprachmodelle mit Ihrem eigenen Wissen: Handbücher, Verträge, Tickets, Wikis oder Produktdaten werden durchsuchbar gemacht und dem Modell zur Laufzeit als Kontext übergeben. So entstehen Assistenten, die fundiert mit Quellenangaben antworten, statt zu halluzinieren. In dieser kompakten Schulung bauen Sie eine vollständige RAG-Pipeline von der Dokumentaufbereitung über Embeddings und Vektordatenbank bis zur Antwortgenerierung und lernen anhand eigener Testdokumente, an welchen Stellschrauben die Qualität der Antworten tatsächlich entschieden wird.

Der zweite Tag führt vom Prototyp zur belastbaren Anwendung. Sie vergleichen Chunking-Strategien, kombinieren semantische und lexikalische Suche, setzen Reranking, Metadatenfilter und Query-Umformulierung ein und messen die Wirkung mit systematischen Evaluierungen. Hinzu kommen Prompt-Caching, Kostensteuerung, Latenzoptimierung, Berechtigungskonzepte auf Dokumentebene und datenschutzkonformer Betrieb mit Blick auf DSGVO und EU AI Act. Am Ende wissen Sie, wann klassisches RAG genügt, wann ein großes Kontextfenster oder ein agentisches Retrieval besser passt und wie Sie Ihre Architektur begründet auswählen.

Viele geschäftskritische Systeme laufen auf COBOL-Programmen im Mainframe, alten Java-EE-Anwendungen oder .NET-Framework-Lösungen, deren ursprüngliche Entwickler:innen längst nicht mehr verfügbar sind. KI-Coding-Assistenten und Agenten machen solche Codebasen zugänglicher: Sie erklären Programmlogik, rekonstruieren Geschäftsregeln, erzeugen Charakterisierungstests und unterstützen die schrittweise Migration in moderne Sprachen, Frameworks und Cloud-Plattformen. Erfolgreiche Modernisierung bleibt dennoch Ingenieursarbeit: Automatische Übersetzung ohne Verständnis erzeugt nur neuen Legacy-Code. Im Kurs lernen Sie, KI entlang bewährter Muster wie Strangler Fig, Branch by Abstraction und Anti-Corruption Layer einzusetzen, Verhalten vor jeder Änderung mit Tests abzusichern und Modernisierungsentscheidungen auf eine belastbare Analyse des Bestands zu stützen.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Entwickler:innen, die COBOL-, PL/I- oder RPG-Systeme betreuen
  • Java- und .NET-Teams mit älteren Monolithen und Framework-Altlasten
  • Software- und Enterprise-Architekt:innen in Modernisierungsprogrammen
  • IT-Leitungen und Projektverantwortliche für Migrationen
  • Berater:innen für Anwendungsmodernisierung und Cloud-Migration

Typische Herausforderungen, die wir adressieren

  • Geschäftsregeln stecken undokumentiert im Code, das Wissen der ursprünglichen Entwickler:innen ist verloren
  • Fehlende automatisierte Tests machen jede Änderung riskant
  • Veraltete Frameworks, Bibliotheken ohne Sicherheitsupdates und proprietäre Laufzeitumgebungen
  • Big-Bang-Migrationen scheitern an Umfang, Datenmigration und Parallelbetrieb

Das können Sie nach dem Training

  • Sie bauen eine vollständige RAG-Pipeline von der Dokumentaufbereitung bis zur Antwort mit Quellenangaben.
  • Sie wählen Embedding-Modell, Chunking-Strategie und Vektordatenbank begründet aus.
  • Sie verbessern die Trefferqualität mit hybrider Suche, Reranking und Metadatenfiltern.
  • Sie messen die Qualität Ihrer Anwendung mit systematischen Evaluierungen und erkennen Regressionen.
  • Sie nutzen KI-Agenten, um Altsysteme zu verstehen, Geschäftsregeln zu dokumentieren und Abhängigkeiten sichtbar zu machen.
  • Sie sichern bestehendes Verhalten mit generierten Charakterisierungstests ab, bevor Sie Code migrieren oder refaktorieren.
  • Sie planen und begleiten schrittweise Modernisierungen nach bewährten Mustern statt riskanter Big-Bang-Umstellungen.

Inhalte & Ablauf

Modul 1 Grundlagen von RAG und LLM-Anwendungen
  • Architektur einer RAG-Pipeline: Ingestion, Indexierung, Retrieval, Generierung
  • Embeddings verstehen: semantische Ähnlichkeit, Dimensionen, Modellauswahl
  • RAG, Fine-Tuning und lange Kontextfenster sinnvoll gegeneinander abwägen
  • Strukturierte Ausgaben, Quellenangaben und Umgang mit Halluzinationen
Modul 2 Dokumentaufbereitung und Chunking
  • PDF, Office-Dokumente, HTML und Tabellen zuverlässig extrahieren
  • Chunking-Strategien: feste Größe, strukturbasiert, semantisch, mit Überlappung
  • Metadaten anreichern und kontextuelle Zusammenfassungen pro Chunk erzeugen
  • Inkrementelle Aktualisierung und Löschung von Dokumenten im Index
Modul 3 Vektordatenbanken und Retrieval-Strategien
  • Vektordatenbanken und -erweiterungen im Vergleich, etwa pgvector, Qdrant, Weaviate oder OpenSearch
  • Hybride Suche aus Vektor- und Volltextsuche mit BM25
  • Reranking, Metadatenfilter und Query-Umformulierung
  • Agentisches Retrieval: das Modell entscheidet selbst über Suchschritte und Werkzeuge
Modul 4 Evaluierung und Qualitätssicherung
  • Testdatensätze aus echten Fragen aufbauen und pflegen
  • Retrieval-Metriken wie Recall und Precision sowie Antwortmetriken wie Faithfulness
  • LLM-as-a-Judge sinnvoll einsetzen und kalibrieren
  • Regressionstests bei Änderungen an Chunking, Modell oder Prompt
Modul 5 Betrieb, Kosten und Datenschutz
  • Prompt-Caching, Batch-Verarbeitung und Modellwahl zur Kostensenkung
  • Latenz optimieren und Antworten streamen
  • Berechtigungen auf Dokumentebene, Mandantentrennung und Schutz vor Prompt Injection
  • Datenschutz: Datenresidenz, Auftragsverarbeitung, Löschkonzepte, DSGVO und EU AI Act
Modul 6 Praxislabor: Legacy-Modernisierung
  • Geschäftsregeln extrahieren
  • Abhängigkeiten kartieren
  • Charakterisierungstests erzeugen
  • Framework-Upgrades durchführen
  • Code übersetzen und refaktorieren
  • Strangler-Fig-Architektur entwerfen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Altsysteme verarbeiten häufig Kunden-, Finanz- oder Versicherungsdaten: Sie lernen, Code und Testdaten vor der Nutzung mit KI zu bereinigen, Lizenz- und Urheberrechtsfragen bei übersetztem Code zu klären und Anforderungen von DSGVO, DORA und Branchenaufsicht an Änderungen kritischer Systeme zu berücksichtigen.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

Geschäftsregeln extrahieren

COBOL-Paragraphen, Copybooks oder Java-Serviceklassen analysieren lassen, enthaltene Berechnungs- und Entscheidungslogik als fachlich lesbare Regeln dokumentieren und mit Fachbereichen gemeinsam validieren. So entsteht eine belastbare fachliche Grundlage für Migration und Neuentwicklung.

Abhängigkeiten kartieren

Aufrufbeziehungen, JCL-Jobketten, Datenbankzugriffe und Schnittstellen aus dem Quellcode rekonstruieren und als Diagramme darstellen, um sinnvolle Schnitte für eine schrittweise Ablösung zu finden. Auch tote Codepfade werden sichtbar.

Charakterisierungstests erzeugen

Das bestehende Verhalten mit Golden-Master- und Approval-Tests festhalten, Testdaten aus Produktionsmustern anonymisiert ableiten und so ein Sicherheitsnetz vor jeder Migration schaffen. Abweichungen fallen damit sofort auf.

Framework-Upgrades durchführen

Migrationen von Java EE zu Jakarta EE oder Spring Boot sowie vom .NET Framework zu modernem .NET planen, API-Brüche identifizieren und Anpassungen in vielen Dateien konsistent umsetzen.

Code übersetzen und refaktorieren

COBOL-Module in idiomatisches Java oder C# überführen, statt Zeile für Zeile zu übersetzen, Datentypen wie gepackte Dezimalzahlen korrekt abbilden und Ergebnis per Vergleichstest gegen das Original prüfen.

Strangler-Fig-Architektur entwerfen

Fassaden, Routing-Schichten und Anti-Corruption Layer konzipieren, über die neue Services Funktionen des Altsystems Schritt für Schritt übernehmen, inklusive Datensynchronisation und Rückfalloptionen. Jede Ablösestufe bleibt einzeln auslieferbar.

Mögliche Praxisprojekte im Kurs

Copybook-zu-Schema-Konverter

Ein Tool, das COBOL-Copybooks einliest und daraus JSON-Schemas, Java-Records oder SQL-Tabellen inklusive korrekter Abbildung von Dezimal- und Redefine-Feldern erzeugt. Das beschleunigt Schnittstellen zum Altsystem.

Legacy-Wissensportal

Eine kleine Web-App, die analysierte Programme, Geschäftsregeln und Abhängigkeiten durchsuchbar macht und Fragen zum Altsystem mit Quellenangabe beantwortet. Neue Teammitglieder finden sich so schneller zurecht.

Vergleichstest-Harness

Ein Testrahmen, der dieselben Eingaben an Alt- und Neusystem sendet, Ausgaben feldgenau vergleicht und Abweichungen übersichtlich protokolliert. So wird die fachliche Gleichwertigkeit der Migration nachweisbar.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Sie haben Programmiererfahrung in mindestens einer Sprache des Altsystems oder der Zielplattform, etwa COBOL, Java oder C#, sowie Grundverständnis von Softwarearchitektur.

Technische Voraussetzungen

Laptop mit Python, Git, Docker und Code-Editor sowie API-Zugang zu mindestens einem LLM- und Embedding-Anbieter. Zugangsdaten für die Übungen können bei Bedarf gestellt werden.

Datenschutz & Compliance

Altsysteme verarbeiten häufig Kunden-, Finanz- oder Versicherungsdaten: Sie lernen, Code und Testdaten vor der Nutzung mit KI zu bereinigen, Lizenz- und Urheberrechtsfragen bei übersetztem Code zu klären und Anforderungen von DSGVO, DORA und Branchenaufsicht an Änderungen kritischer Systeme zu berücksichtigen.

Termine & Standorte

Pro Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Ihr Wunschtermin ist jederzeit möglich.

  • München Mi, 16. Dezember 2026 6 Std. Anfragen
  • Salzburg Do, 10. Dezember 2026 6 Std. Anfragen
  • Berlin Mo, 14. Dezember 2026 6 Std. Anfragen
  • Augsburg Mo, 14. Dezember 2026 6 Std. Anfragen
  • Hannover Mi, 16. Dezember 2026 6 Std. Anfragen
  • Bremen Mo, 14. Dezember 2026 6 Std. Anfragen
  • Stuttgart Do, 10. Dezember 2026 6 Std. Anfragen
  • Kaiserslautern Mi, 16. Dezember 2026 6 Std. Anfragen
  • Online Di, 15. Dezember 2026 6 Std. Anfragen

Häufige Fragen

Wann ist RAG besser als Fine-Tuning?

RAG eignet sich, wenn ein Modell auf aktuelles, umfangreiches oder häufig wechselndes Wissen zugreifen und Quellen angeben soll. Fine-Tuning verändert eher Stil, Format oder spezialisiertes Verhalten. In vielen Projekten ist RAG der schnellere, günstigere und besser kontrollierbare Weg, gelegentlich ergänzt durch Fine-Tuning für Spezialaufgaben.

Welche Vektordatenbank sollten wir verwenden?

Das hängt von Datenmenge, bestehender Infrastruktur, Filteranforderungen und Betriebsmodell ab. Wer bereits PostgreSQL nutzt, kommt mit pgvector oft weit, spezialisierte Systeme punkten bei großen Datenmengen und hybrider Suche. Im Kurs vergleichen Sie mehrere Optionen praktisch und leiten Kriterien für Ihre Entscheidung ab.

Wie lässt sich RAG datenschutzkonform betreiben?

Wichtig sind die Wahl von Anbietern mit passender Datenresidenz und Auftragsverarbeitungsvertrag, Berechtigungsprüfungen auf Dokumentebene, ein Löschkonzept für Index und Logs sowie Datenminimierung bei personenbezogenen Inhalten. Für sensible Daten kommen auch selbst betriebene Modelle infrage. Wir behandeln diese Optionen anhand realistischer Architekturen.

Kann KI ein COBOL-System automatisch nach Java übersetzen?

KI kann einzelne Module deutlich schneller übersetzen als manuelle Arbeit, doch eine reine Eins-zu-eins-Übersetzung erzeugt oft schwer wartbaren Code. Sinnvoller ist ein Vorgehen, bei dem Geschäftsregeln zuerst verstanden und mit Tests abgesichert werden und die Zielarchitektur bewusst gestaltet wird. Im Kurs kombinieren Sie KI-gestützte Übersetzung mit Vergleichstests und Refactoring.

Wie gehen wir mit sehr großen Codebasen um?

Große Altsysteme passen nicht vollständig in den Kontext eines Modells. Bewährt sind eine systematische Inventarisierung, Zusammenfassungen pro Modul, Abhängigkeitsgraphen und gezielter Abruf relevanter Stellen. Agenten arbeiten dann Modul für Modul mit klar definiertem Auftrag. Sie lernen, diese Struktur aufzubauen und die Ergebnisse für Architekturentscheidungen nutzbar zu machen.

Was kostet die Schulung „RAG & LLM-Apps für Legacy-Modernisierung“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 6 Stunden Live-Training mit Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Für jeden Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Im Anfrageformular können Sie aber jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und melden uns innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Kann der Kurs auf unser Team zugeschnitten werden?

Ja. Maßgeschneiderte Kurse kosten ca. 4.500 € mehr, je nach Thema und nach Absprache. Wir stimmen Inhalte, Beispiele und Übungen vorab mit Ihnen ab.

Weitere Kurse für Legacy-Modernisierung

Weitere Kurse zu RAG & LLM-Apps

Alle 29 Kurse zu RAG & LLM-Apps

RAG & LLM-Apps – MünchenRAG & LLM-Apps – SalzburgRAG & LLM-Apps – BerlinRAG & LLM-Apps – AugsburgRAG & LLM-Apps – HannoverRAG & LLM-Apps – BremenRAG & LLM-Apps – StuttgartRAG & LLM-Apps – KaiserslauternRAG & LLM-Apps – Online