Embedding Modelle sind das Herz moderner KI, denn sie verwandeln Bedeutung in Vektoren und machen Kontext messbar. Seit 2017 hat sich die Erkennung semantischer Beziehungen zwischen Wörtern revolutioniert, sodass Systeme echten Kontext verstehen. Diese Fähigkeit treibt semantische Suche an und versorgt Decoder Modelle wie GPT, Qwen, Llama oder Mistral mit präzisem Wissen. Gregor Biswanger zeigt dir anhand realer Projekte, wie aus einem allgemeinen Embedding Modell durch Fine-Tuning eine zuverlässige Dokumentklassifizierung entsteht und wie Embeddings für Semantic Routing fruchten, damit Anfragen automatisch zur passenden Pipeline, zum richtigen Tool oder Modell gelangen. Du lernst, welche Daten sich eignen, wie Evaluation stabil wird und wie du Schwellenwerte und Ähnlichkeitsmaße praxistauglich wählst. Im Deep Dive erklärt er die Psychologie der Encoder, die Struktur von Bedeutungsräumen und den Einfluss von Normalisierung auf Relevanz. So erhöhst du die Qualität von Antworten, reduzierst Halluzinationen und verbesserst das Nutzererlebnis. Die Session richtet sich an Entwickler, Architekten sowie Data Scientists mit Grundlagenwissen.