ИИ-инженерия

Цель курса

Научить участниц и участников проектировать, разрабатывать, тестировать и внедрять современные AI-решения на основе больших языковых моделей (LLM).

Курс фокусируется не на использовании готовых AI-инструментов, а на инженерном подходе к созданию AI-систем: от работы с API и prompt engineering до RAG-систем, AI-агентов, tool calling, evaluation, безопасности и развертывания в production.

Для кого курс

Разработчиц и разработчиков программного обеспечения, Full-Stack Developers, которые хотят перейти в AI
Engineering-специалисток и специалистов
Python-разработчиц и разработчиков
Backend-разработчиц и разработчиков
Data Engineers и Data Scientists
QA Engineers, которые хотят работать с тестированием AI-систем
Архитекторок и архитекторов решений и программного обеспечения
Менеджерок и менеджеров по техническим продуктам, а также технических руководительниц и руководителей
IT-специалисток и специалистов, которые уже работают с LLM и хотят перейти от экспериментов к созданию production-ready AI-решений

Предварительные знания

Опыт программирования, понимание API, Git и работы с JSON.

Результаты курса

После завершения курса участницы и участники смогут:

понимать архитектуру современных LLM-based систем;
работать с LLM через API и SDK;
создавать надежные prompts и structured outputs;
строить AI-приложения с использованием Python;
подключать AI к корпоративным данным;
создавать RAG-системы и vector search;
добавлять logging, tracing и observability;
оценивать latency и cost AI-решений;
развертывать AI-приложения в production;
проектировать AI-решения с учетом безопасности, масштабируемости и надежности.

Что вы получите на курсе?

🔗 Посмотреть преимущества

Программа

Основы ИИ-инженерии и больших языковых моделей

Что такое ИИ-инженерия
Роль ИИ-инженерки/ИИ-инженера и отличия от ML-инженерки/ML-инженера, Data Scientist и Software Engineer
Архитектура современных ИИ-систем
Основы генеративного ИИ
БольИИе языковые модели (LLM)
Как работает генерация текста
Токены и контекстное окно
Параметры моделей и их влияние на результат
Выбор модели для конкретной задачи
Коммерческие и открытые модели

Разработка ИИ-приложений и работа по API

Взаимодействие с LLM через API
API-ключи и безопасная конфигурация
Структура запросов и ответов
Системные, пользовательские и разработочные инструкции
Структурированные ответы
Формат JSON
Вызов функций
Потоковая передача ответов
Обработка ошибок
Повторные запросы и резервные сценарии
Работа с несколькими моделями

Проектирование запросов и управление контекстом

Основы эффективного проектирования запросов
Zero-shot и few-shot подходы
Ролевые и задачные инструкции
Контроль формата и структуры ответа
Проектирование контекста
Управление большим объемом контекста
Шаблоны запросов
Версионирование запросов
Типичные причины нестабильных ответов
Оптимизация запросов по качеству и стоимости

Векторные представления и семантический поиск

Что такое embeddings
Семантическое сходство
Векторные базы данных
Разбиение документов на фрагменты
Стратегии фрагментации данных
Метаданные
Поиск по сходству
Ключевой и семантический поиск
Гибридный поиск
Фильтрация результатов
Переранжирование результатов
Практическое построение семантического поиска

RAG-системы и работа с корпоративными данными

Что такое RAG
Зачем нужен RAG
Архитектура RAG-системы
Загрузка и подготовка данных
Обработка документов
Фрагментация документов
Создание embeddings
Индексация
Поиск релевантной информации
Формирование контекста
Генерация ответа
Ссылки на источники
Расширенные RAG-системы
Многошаговый поиск
Типичные ошибки RAG
Оптимизация качества поиска и ответов

ИИ-агенты и использование инструментов

Что такое ИИ-агент
ИИ-приложение, рабочий процесс и агент: отличия
Архитектура ИИ-агента
Цикл работы агента
Планирование и выполнение задач
Вызов инструментов
Вызов функций
Подключение внешних API
Работа с базами данных
Подключение внешних сервисов
Память агента
Контроль контекста
Контроль автономности агента
Взаимодействие человека и агента
Обработка ошибок и условия завершения

MCP и интеграция ИИ с внешними системами

Что такое Model Context Protocol
Архитектура MCP
MCP-серверы и клиенты
Инструменты, ресурсы и шаблоны
Подключение ИИ к внешним системам
Использование MCP в ИИ-агентах
Интеграция с корпоративными инструментами
Безопасность MCP-интеграций
Практическое построение интеграции

Мультиагентные ИИ-системы

Что такое мультиагентная система
Одноагентная и мультиагентная архитектура
Распределение ролей между агентами
Архитектура «руководитель / руководитель — исполнительницы / исполнители»
Планировщик и исполнители
Делегирование задач
Взаимодействие между агентами
Совместный контекст
Обмен информацией между агентами
Контроль сложности системы
Типовые проблемы мультиагентных решений

Тестирование и оценка ИИ-систем

Почему ИИ-системы нельзя тестировать так же, как традиционное программное обеспечение
Стратегия оценки ИИ
Эталонные наборы данных
Тестовые сценарии для LLM
Критерии оценки
Автоматизированная оценка
Оценка с помощью LLM
Оценка человеком
Обнаружение галлюцинаций
Оценка соответствия источникам
Тестирование RAG
Тестирование ИИ-агентов
Регрессионное тестирование
Метрики качества
Построение процесса автоматической оценки

Безопасность и защита ИИ-систем

Атаки из-за запросов
Утечка данных
Защита персональных и конфиденциальных данных
Обход ограничений моделей
Проверка входных и исходящих данных
Защитные механизмы
Контроль доступа ИИ-агентов
Безопасный вызов инструментов
Человек в контуре принятия решений
Злоупотребление ИИ-системами
Ответственное использование ИИ
Безопасность на этапе проектирования

Мониторинг и эксплуатация ИИ-систем

Что такое LLMOps
Журналирование
Трассировка выполнения
Мониторинг
Мониторинг работы ИИ-агентов
Использование токенов
Время ответа
Контроль стоимости запросов
Диагностика ИИ-приложений
Управление версиями моделей
Версионирование запросов
Оценка качества в production
Выявление ухудшения качества

Развертывание ИИ-решений в production

Архитектура production-решений
Создание серверной части -приложения
FastAPI и -сервисы
Докер
Конфигурация среды
Управление секретами
Развертывание -приложений
Масштабирование
Кэширование
Ограничение частоты запросов
Резервные сценарии
Оптимизация стоимости
Надежность -систем
Основы облачного развертывания

Практический проект: от идеи до production

13-16

Формулировка задачи и требований к ИИ-решению
Выбор архитектуры
Выбор модели
Работа с данными
Реализация RAG
Интеграция инструментов
Создание ИИ-агента
Добавление защитных механизмов
Тестирование и оценка
Мониторинг
Оптимизация производительности и стоимости
Развертывание решения
Презентация готового ИИ-продукта

Часто задаваемые вопросы

Нужно ли уметь программировать?

Да, навыки программирования важны. Курс ориентирован на технических специалистов, поэтому значительная часть практики предполагает работу с программированием, API и кодом.

Нужно ли знать Machine Learning?

Нет. Курс сфокусирован на AI Engineering и построении приложений на основе готовых моделей, а не на обучении собственных LLM с нуля.

Будем ли создавать AI-агентов?

Да. AI Agents – одна из частей программы: tool calling, memory, workflows, MCP, multi-agent architectures и human-in-the-loop.

Будет ли RAG?

Да. Участники построят RAG-решения от ingestion и embeddings к retrieval, reranking, generation и evaluation.

Будем ли тестировать AI-системы?

Да. Отдельный модуль посвящен evaluation, regression testing, hallucination detection, LLM-as-a-Judge и оценке AI-агентов.

Подходит ли курс для корпоративного обучения?

Да. Программа может быть адаптирована под конкретный технологический стек и бизнес-задачи компании — от внутреннего AI Assistant до корпоративных RAG и agentic systems.

Что у участника будет после курса?

Главный результат – не набор теоретических знаний, а работающий end-to-end AI-проект, демонстрирующий навыки AI Engineering от архитектуры к deployment.