ШІ-інженерія

Мета курсу

Навчити учасниць та учасників проєктувати, розробляти, тестувати та впроваджувати сучасні AI-рішення на основі великих мовних моделей (LLM).

Курс фокусується не на використанні готових AI-інструментів, а на інженерному підході до створення AI-систем: від роботи з API та prompt engineering до RAG-систем, AI-агентів, tool calling, evaluation, безпеки та розгортання у production.

Для кого курс

Розробниць та розробників програмного забезпечення, Full-Stack Developers, які хочуть перейти в AI
Engineering-фахівчинь та фахівців
Python-розробниць та розробників
Backend-розробниць та розробників
Data Engineers та Data Scientists
QA Engineers, які хочуть працювати з тестуванням AI-систем
Рішень та архітекторок і архітекторів програмного забезпечення
Менеджерок та менеджерів з технічних продуктів, а також технічних керівниць та керівників
IT-фахівчинь та фахівців, які вже працюють із LLM та хочуть перейти від експериментів до створення production-ready AI-рішень

Попередні знання

Досвід програмування, розуміння API, Git та роботи з JSON.

Результати курсу

Після завершення курсу учасниці та учасники зможуть:

розуміти архітектуру сучасних LLM-based систем;
працювати з LLM через API та SDK;
створювати надійні prompts та structured outputs;
будувати AI-застосунки з використанням Python;
підключати AI до корпоративних даних;
створювати RAG-системи та vector search;
додавати logging, tracing та observability;
оцінювати latency та cost AI-рішень;
розгортати AI-застосунки у production;
проєктувати AI-рішення з урахуванням безпеки, масштабованості та надійності.

Що ви отримаєте на курсі?

🔗 Переглянути переваги

Програма

Основи ШІ-інженерії та великих мовних моделей

Що таке ШІ-інженерія
Роль ШІ-інженерки / ШІ-інженера та відмінності від ML-інженерки / ML-інженера, Data Scientist і Software Engineer
Архітектура сучасних ШІ-систем
Основи генеративного ШІ
Великі мовні моделі (LLM)
Як працює генерація тексту
Токени та контекстне вікно
Параметри моделей та їхній вплив на результат
Вибір моделі для конкретної задачі
Комерційні та відкриті моделі

Розробка ШІ-застосунків та робота з API

Взаємодія з LLM через API
API-ключі та безпечна конфігурація
Структура запитів і відповідей
Системні, користувацькі та розробницькі інструкції
Структуровані відповіді
Формат JSON
Виклик функцій
Потокова передача відповідей
Обробка помилок
Повторні запити та резервні сценарії
Робота з декількома моделями

Проєктування запитів та керування контекстом

Основи ефективного проєктування запитів
Zero-shot та few-shot підходи
Рольові та задачні інструкції
Контроль формату та структури відповіді
Проєктування контексту
Управління великим обсягом контексту
Шаблони запитів
Версіонування запитів
Типові причини нестабільних відповідей
Оптимізація запитів за якістю та вартістю

Векторні представлення та семантичний пошук

Що таке embeddings
Семантична схожість
Векторні бази даних
Розбиття документів на фрагменти
Стратегії фрагментації даних
Метадані
Пошук за схожістю
Ключовий та семантичний пошук
Гібридний пошук
Фільтрація результатів
Переранжування результатів
Практична побудова семантичного пошуку

RAG-системи та робота з корпоративними даними

Що таке RAG
Навіщо потрібен RAG
Архітектура RAG-системи
Завантаження та підготовка даних
Обробка документів
Фрагментація документів
Створення embeddings
Індексація
Пошук релевантної інформації
Формування контексту
Генерація відповіді
Посилання на джерела
Розширені RAG-системи
Багатокроковий пошук
Типові помилки RAG
Оптимізація якості пошуку та відповідей

ШІ-агенти та використання інструментів

Що таке ШІ-агент
ШІ-застосунок, робочий процес та агент: відмінності
Архітектура ШІ-агента
Цикл роботи агента
Планування та виконання завдань
Виклик інструментів
Виклик функцій
Підключення зовнішніх API
Робота з базами даних
Підключення зовнішніх сервісів
Пам'ять агента
Контроль контексту
Контроль автономності агента
Взаємодія людини та агента
Обробка помилок та умови завершення

MCP та інтеграція ШІ із зовнішніми системами

Що таке Model Context Protocol
Архітектура MCP
MCP-сервери та клієнти
Інструменти, ресурси та шаблони
Підключення ШІ до зовнішніх систем
Використання MCP у ШІ-агентах
Інтеграція з корпоративними інструментами
Безпека MCP-інтеграцій
Практична побудова інтеграції

Мультиагентні ШІ-системи

Що таке мультиагентна система
Одноагентна та мультиагентна архітектури
Розподіл ролей між агентами
Архітектура «керівниця / керівник — виконавиці / виконавці»
Планувальник та виконавці
Делегування завдань
Взаємодія між агентами
Спільний контекст
Обмін інформацією між агентами
Контроль складності системи
Типові проблеми мультиагентних рішень

Тестування та оцінювання ШІ-систем

Чому ШІ-системи не можна тестувати так само, як традиційне програмне забезпечення
Стратегія оцінювання ШІ
Еталонні набори даних
Тестові сценарії для LLM
Критерії оцінювання
Автоматизоване оцінювання
Оцінювання за допомогою LLM
Оцінювання людиною
Виявлення галюцинацій
Оцінювання відповідності джерелам
Тестування RAG
Тестування ШІ-агентів
Регресійне тестування
Метрики якості
Побудова процесу автоматичного оцінювання

Безпека та захист ШІ-систем

Атаки через запити
Витік даних
Захист персональних та конфіденційних даних
Обхід обмежень моделей
Перевірка вхідних та вихідних даних
Захисні механізми
Контроль доступу ШІ-агентів
Безпечний виклик інструментів
Людина в контурі прийняття рішень
Зловживання ШІ-системами
Відповідальне використання ШІ
Безпека на етапі проєктування

Моніторинг та експлуатація ШІ-систем

Що таке LLMOps
Журналювання
Трасування виконання
Моніторинг
Моніторинг роботи ШІ-агентів
Використання токенів
Час відповіді
Контроль вартості запитів
Діагностика ШІ-застосунків
Керування версіями моделей
Версіонування запитів
Оцінювання якості у production
Виявлення погіршення якості

Розгортання ШІ-рішень у production

Архітектура production-рішень
Створення серверної частини ШІ-застосунку
FastAPI та ШІ-сервіси
Docker
Конфігурація середовища
Керування секретами
Розгортання ШІ-застосунків
Масштабування
Кешування
Обмеження частоти запитів
Резервні сценарії
Оптимізація вартості
Надійність ШІ-систем
Основи хмарного розгортання

Практичний проєкт: від ідеї до production

13-16

Формулювання задачі та вимог до ШІ-рішення
Вибір архітектури
Вибір моделі
Робота з даними
Реалізація RAG
Інтеграція інструментів
Створення ШІ-агента
Додавання захисних механізмів
Тестування та оцінювання
Моніторинг
Оптимізація продуктивності та вартості
Розгортання рішення
Презентація готового ШІ-продукту

Поширені запитання

Чи потрібно вміти програмувати?

Так, навички програмування важливі. Курс орієнтований на технічних спеціалістів, тому значна частина практики передбачає роботу з програмуванням, API та кодом.

Чи потрібно знати Machine Learning?

Ні. Курс сфокусований на AI Engineering та побудові застосунків на базі готових моделей, а не на навчанні власних LLM з нуля.

Чи будемо створювати AI-агентів?

Так. AI Agents — одна з частин програми: tool calling, memory, workflows, MCP, multi-agent architectures та human-in-the-loop.

Чи буде RAG?

Так. Учасники побудують RAG-рішення від ingestion та embeddings до retrieval, reranking, generation та evaluation.

Чи будемо тестувати AI-системи?

Так. Окремий модуль присвячений evaluation, regression testing, hallucination detection, LLM-as-a-Judge та оцінюванню AI-агентів.

Чи підходить курс для корпоративного навчання?

Так. Програму можна адаптувати під конкретний технологічний стек та бізнес-задачі компанії — від внутрішнього AI Assistant до корпоративних RAG та agentic systems.

Що учасник/учасниця матиме після курсу?

Головний результат — не набір теоретичних знань, а працюючий end-to-end AI-проєкт, який демонструє навички AI Engineering від архітектури до deployment.