DOAG Konferenz und Ausstellung 2026 - Notizen
/ home / computer
Inhaltsverzeichnis
Themen
DOAG 2026 Konferenz + Ausstellung: Agenda
Postgres für Oracle DBAs
Michael Banck / credativ GmbH
Sicherheitskopie der Folien
Dani Schnider / Callista
→ Database Performance Tuning Guide → Folien → FromDual PT Schulung
- Pertformance Planning
- Instance Tuning
- SQL Tuning
For Oracle: Selectivity: > 5 - 10 % or 1 - 2 % (depends) FTS is better than Index access! (Not sure, if true for MariaDB/MySQL).
→ Gute Beispiele für FromDual PT Schulung + Blog Artikel
→ Histogramme!
Aus 2 wird 4 - Erweiterung des Datenbank Portfolios um PostgreSQL und MariaDB
Matthias Fuchs / Bundesagentur für Arbeit
- Cybersecurity and antivirus software, a Smart Scan
- Security information and event management (SIEM)
Professional Postgres Monitoring Made Easy
Pavlo Golub / CYBERTEC
Sicherheitskopie der Folien
- Logging: 44 Parameters
- Statistics Collection: 13 Views
- Cumulative Views: 21 → Snapshots
→ Realtime monitoring
Hinter den Kästchen: Wie ein QR-Code Generator entsteht
Philipp Krause / ORDIX
- QR Code != 2D Barcode != Aztec Code
- Secure QR Code
Sicherheitskopie der Folien
Run PostgreSQL Like a Product: Operational Readiness for Databases
Roland Stirnimann / Accenture
- Slide 7: RPO und RTO: Good Graph!
- Slide 8: Patroni + etcd
- Slide 10: Connection Layer
- Slide 12: Alerting / Monitoring / Logging
PoWA: Collecting and visualizing PostgreSQL performance and SQL metrics
pgwatch: ready-made Grafana dashboards, SQL-defined metrics, agentless, stores in PostgreSQL or Prometheus
Sicherheitskopie der Folien
Von Drachen und Elefanten – Eine Datenbankmigration als Heldenepos
Stefan Becker / BettercallPaul
Der Vektor im Heuhaufen: Einstieg in die Vektorsuche mit HNSW
Benno Juris / TEAM
Einstieg in die Vektorsuche mit HNSW
- Retrieval-Augmented Generation (RAG)
- Embedding
- HNSW
/-> Wiki \
RAG: Frage --> Tickets --> LLM Antwort
\-> Doku /
- Dokument → Zerlegen → Embedding Model → Vektor → DB (Dokument + Vektor)
- Frage → Zerlegen → Embedding Modell → Vektor → Prompt → LLM → Antwort
- Recall: Genauigkeit
pg_vector → VACUUM oder neu indexieren
- vs. IVF
Cohere: Embed Multilingual v3 (embed-multilingual-v3.0, plus the smaller embed-multilingual-light-v3.0) is a text and multimodal embedding model supporting 100+ languages for semantic search, RAG, classification, and clustering
→ Vector Tuninhg: Recall messen!
Recall@10 = gefundene echte Nachbarn / 10 = 9 / 10 = 90 %
Sicherheitskopie der Folien.
Technisch perfekt Praktisch erfolglos. Wie UI/UX ein erfolgreiches Produkt macht
David Dürer / Der IT Macher und Henrik Wolf / WebAndMotion
Siehe auch UI Checkliste.
Nur Video, (noch) keine Folien!?!
Stop Torturing PostgreSQL - Why Your Postgres Database Needs a ClickHouse Sidekick
Dirk Krautschick / Aiven
Sicherheitskopie der Folien.
Gib mir deine Daten! – So sprechen Oracle, PostgreSQL und MariaDB miteinander
Markus Flechtner / ORDIX AG
Sicherheitskopie der Folien.
Projektbericht: Migration von Oracle-Datenbanken nach PostgreSQL
Bernd Patolla / In & Out
- Raum fast voll
- Control-M + Oracle → PostgreSQL (supported!)
- Achtung: An Sequences denken!
Sicherheitskopie der Folien.
Aufbau einer eigenen KI – mit, nicht in der Datenbank
Dr. Gudrun Pabst / Muniqsoft Consulting
- Eingabe → Model → Vector (Embedding)
- Quantisierung: Weniger Speicher / Mehr Durchsatz / Qualitätsverlust
- Laufzeitumgebung: llama.cpp
- Prompt / Token
- Prompt → Token → Model → Token
- RAG: Anreicherung
- Chuncks + Overlap
/-> Cosinus Winkel
Vektorsuche
\-> Euklidischer Abstand geom. Abstand
- In Memory
- Wechsel des Modells (Länge, Suche) → Vectoren werden nutzlos → Vectoren neu berechnen
- Modell sagt, ob Cosinus oder Euklidischer Abstand
- “Inferencer” (engl. Schlussfolgerung) → Intelligenz vs. Modell
- Aufgabe → Model → Vector → DB Suche → Resultat → “Inferencer” → Antwort
- Grosse LLM für Model UND Inferencer oder
- Kleine Modelle: Modell/Embedding (EmbeddingGemma 2) + Inferencer (gemma-4-E4B-it)
- Python: RapidOCR
- System-Prompt → Anweisung an das Modell, wie die Frage zu beantworten ist / Metadaten
Sicherheitskopie der Folien.
llama.cpp
llama.cpp ist ein Open-Source-Projekt von Georgi Gerganov, das es ermöglicht, LLaMA-basierte Sprachmodelle (und inzwischen viele andere Modelle) direkt auf dem eigenen Rechner lokal auszuführen – ganz ohne Cloud oder GPU-Cluster.
Die wichtigsten Punkte:
- Portabler C/C++-Code: Das Projekt ist in reinem C/C++ geschrieben und hat keine schweren Abhängigkeiten. Dadurch läuft es auf Windows, macOS, Linux, aber auch auf Smartphones, Raspberry Pi und anderen schwachen Geräten.
- Quantisierung: llama.cpp hat die Quantisierung (z. B. 4-Bit-GGUF-Formate) populär gemacht. Dabei werden die Modellgewichte komprimiert, sodass ein 7-Milliarden-Parameter-Modell mit nur wenigen GB RAM auskommt – bei akzeptablem Qualitätsverlust.
- GGUF-Format: Der Nachfolger von GGML ist heute ein gängiges Format, um Modelle lokal zu speichern und mit verschiedenen Tools zu laden.
- Vielseitige Hardware-Unterstützung: Es nutzt CPU-Optimierungen (AVX, ARM NEON) und unterstützt zudem GPUs via CUDA, Metal (Apple), Vulkan, ROCm und anderen Backends.
- Basis für viele Tools: Viele bekannte lokale KI-Tools – etwa Ollama, LM Studio und viele andere – bauen auf llama.cpp auf oder verwenden es als Inferenz-Engine.
Kurz gesagt: llama.cpp ist die wohl verbreitetste Software, wenn man LLMs lokal, privat und ressourcenschonend betreiben möchte – von Experimenten auf dem Laptop bis zu Servern mit mehreren GPUs.
Hebocon
hebocon.org und hebocon.io
Kampf der Low-Tech-Roboter:
Bau-Anleitung:
Bauteile: Arduino
, ESP32
, Getriebemotor Bausatz
, Getriebemotor ein Abtrieb 120:1
, Kunststoffrad für Hobby Motor
, Joy-it Roboter Fahrgestell Bausatz robot05