Онлайн-курc по математике для Data Science
Курс для backend-разработчиков о том, как внедрять AI-логику в бэкенд IT-продуктов и сохранять стабильность сервиса.
AI-агент в MVP работает.
В продакшене —
|
старт 19 мая
живые вебинары
6-12 недель
Екатерина Трофимова — Научный сотрудник, Центр ИИ, LAMBDA, к.к.н НИУ ВШЭ
Дмитрий Антипов – Мастер спорта по AI-first разработке и спикер Highload++, AI Journey, Yandex PML
Андрей Носов — AI-архитектор, Raft Ex-Nokia Bell Labs, Huawei, MTS AI
Антон Будняк — Сооснователь & CPO, Airate
Александр Ошурков – Руководитель направления ML, MTS Web Services
Дмитрий Антипов – Мастер спорта по AI-first разработке и спикер Highload++, AI Journey, Yandex PML
Андрей Носов — AI-архитектор, Raft Ex-Nokia Bell Labs, Huawei, MTS AI
Антон Будняк — Сооснователь & CPO, Airate
Александр Ошурков – Руководитель направления ML, MTS Web Services
Готовы обсудить все детали и ответить на вопросы
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Знакомо?
Если вы сталкивались с подобными проблемами — этот курс о том, как их решать
С какими задачами вы научитесь справляться
После курса вы сможете запускать AI-сервисы в production и контролировать их поведение
API → оркестрация → инструменты → хранилище состояния → мониторинг
Встроите AI-слой в backend-архитектуру
{1}
лимиты • повторные запросы • контроль действий агента
Сделаете поведение AI-агента предсказуемым
{2}
валидация • политики доступа • ограничения действий
Настроите безопасные вызовы инструментов
{6}
метрики • трассировка • оповещения
Настроите наблюдаемость системы
{4}
датасеты • регрессионные тесты • проверки качества
Научитесь тестировать AI-логику
{3}
лимиты токенов • бюджет на запрос • резервные модели
Будете контролировать стоимость
{5}
Разберем, как формируется контекст в LLM при работе нескольких агентов, где возникают лишние токены и перерасход.
Покажем, как это контролировать: сжимать историю, делить задачи между агентами, ограничивать передачу контекста и собирать промпты прямо в процессе запроса пользователя.
Спикер – Кирилл Кухарев, старший AI Engineer в Raft, спикер AI Conf и Highload++, реализовал более 50 коммерческих проектов в AI и GenAI.
В конце вебинара подарим уникальный промокод на скидку 5 000 ₽ на курс Agentops
Senior AI Engineer в Raft
Как эффективно управлять контекстным окном LLM в мультиагентных системах и не сливать бюджет на токены
Кирилл Кухарев
Зарегистрироваться на вебинар
28 апреля в 19:00 МСК
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Кем вы будете после курса
Контролировать стоимость AI-запросов
Обеспечивать надежность AI-агентов
Отслеживать и отлаживать работу AI-агентов
Проектировать backend-сервисы с AI-логикой
Внедрять AI в существующую архитектуру
Тестировать поведение AI-агентов
Что вы будете уметь
Hard Skills
Backend-разработчик, работающий с AI-агентами
Содержит тесты
Имеет систему мониторинга
Контролирует стоимость запросов
Имеет API
Использует AI-инструменты
Хранит состояние
Сервис с AI-логикой под вашу задачу
Финальный проект
GitHub
LinkedIn
Программа курса
Уроки 1−6 — базовый трек; уроки 7−12 — инженерный трек
Общие уроки для всех участников
Теория:
Ваш сервис станет устойчивее и надежнее благодаря грамотно выстроенной архитектуре и четко определённым зонам ответственности.
- Разберете, как интегрировать AI/LLM в backend-систему и какую роль в ней играют агенты;
- Научитесь выбирать между агентом и workflow в зависимости от задачи;
- Освоите типовые сценарии внедрения AI через API, внутренние инструменты и автоматизацию;
- Оцените возможности и ограничения современных AI-решений.
- Соберете архитектурную карту AI-функциональности вашего сервиса;
- Спроектируете схему интеграции AI-модулей в backend;
- Определите зоны ответственности компонентов, чтобы избежать хаоса в разработке.
Ваш сервис станет устойчивее и надежнее благодаря грамотно выстроенной архитектуре и четко определённым зонам ответственности.
Теория:
Встроите LLM в реальный backend, не нарушая архитектуру сервиса. Выберете подходящий подход (workflow или агент) под конкретную задачу, и обеспечите стабильную работу системы даже при непредсказуемом поведении модели.
- Научитесь встраивать LLM в backend-сервисы и определять место AI-логики в системе;
- Узнаете, как правильно встраивать AI-логику в инфраструктуру приложения;
- Разберете OpenAI-compatible API: как устроены запросы, как писать эффективные промпты и управлять параметрами модели;
- Научитесь формировать структурированный вывод и проектировать понятные API-контракты;
- Сравните workflow и агентный подход и выберете подходящий под задачу;
- Поймете, как интегрировать внешние сервисы и инструменты, организовывать надежную оркестрацию запросов и обрабатывать возможные ошибки.
- Соберете каркас backend-сервиса с AI-логикой;
- Настроите слой оркестрации запросов, чтобы система работала стабильно;
- Реализуете API-контракты и схемы взаимодействия между компонентами.
Встроите LLM в реальный backend, не нарушая архитектуру сервиса. Выберете подходящий подход (workflow или агент) под конкретную задачу, и обеспечите стабильную работу системы даже при непредсказуемом поведении модели.
Теория:
Контролируете качество AI-сервиса через метрики, тестирование и мониторинг, а не субъективную оценку. Своевременно выявляете деградацию и принимаете обоснованные решения по улучшению системы.
- Познакомитесь с тем, что считать качеством работы LLM в продукте и чем оно отличается от классического backend;
- Изучите offline и online метрики: как измерять качество, а не опираться на субъективные оценки;
- Разберёте подходы к оценке генерации: релевантность, точность, полнота и выявление галлюцинаций;
- Освоите методы A/B-тестирования и сбора пользовательской обратной связи;
- Поймете, как отслеживать деградацию качества и балансировать качество, скорость и стоимость.
- Подготовите набор метрик для оценки качества AI-сервиса;
- Спроектируете систему оценки и мониторинга качества в продакшене;
- Настроите подход к тестированию и сравнению моделей, промптов и конфигураций.
Контролируете качество AI-сервиса через метрики, тестирование и мониторинг, а не субъективную оценку. Своевременно выявляете деградацию и принимаете обоснованные решения по улучшению системы.
Теория:
Спроектируете слой с инструментами, который легко расширять новыми инструментами. Обеспечите устойчивость агента к сбоям внешних сервисов без падения всей системы.
- Освоите, как описывать и подключать инструменты (tools) для работы агента;
- Научитесь писать описания инструментов так, чтобы агент вызывал их точно и в нужный момент;
- Разберете логику выбора инструментов и спроектируете отдельный слой для работы с внешними сервисами;
- Изучите типовые проблемы: ошибки вызовов, задержки, лимиты и способы их обработки.
- Опишете и зарегистрируете инструменты для своего агента;
- Подключите внешние сервисы и настроите обработку ошибок и таймаутов;
- Настроите выбор инструментов в зависимости от контекста задачи.
Спроектируете слой с инструментами, который легко расширять новыми инструментами. Обеспечите устойчивость агента к сбоям внешних сервисов без падения всей системы.
Теория:
Построите систему, в которой агент работает с актуальными и проверенными данными, а не галлюцинирует. Используете RAG как полноценный инструмент агента — с поиском, чтением и применением данных из базы знаний в реальном времени.
- Освоите принципы RAG;
- Изучите архитектуру базы знаний агента: индексирование документов, векторные базы данных и гибридный поиск;
- Научитесь обновлять данные без потери качества и обеспечивать непротиворечивость знаний при росте базы;
- Освоите интеграцию RAG как отдельного инструмента агента — с автоматическим выбором, когда и что искать.
- Самостоятельно настроите пайплайн индексирования и подключите векторную базу данных к своему агенту;
- Реализуете поиск по базе знаний: векторный и по ключевым словам и сравните качество результатов;
- Встроите RAG как инструмент: агент будет самостоятельно обращаться к базе, читать релевантные фрагменты и использовать их при генерации ответа.
Построите систему, в которой агент работает с актуальными и проверенными данными, а не галлюцинирует. Используете RAG как полноценный инструмент агента — с поиском, чтением и применением данных из базы знаний в реальном времени.
Теория:
- Изучите основные источники нестабильности в AI-сервисах: ошибки внешних API, превышение лимитов и непредсказуемые задержки LLM;
- Освоите стратегии повторных запросов и принципы настройки оптимальных таймаутов;
- Научитесь обеспечивать идемпотентность: гарантировать уникальность операций и избегать дублирования вызовов при повторах;
- Освоите использование очередей сообщений как буфера между сервисами, стратегии снижения функциональности ради стабильности и схемы резервирования на случай полного отказа компонента.
- Соберете библиотеку обработки ошибок и таймаутов для своего AI-сервиса;
- Настроите конфигурацию лимитов и таймаутов под реальные условия работы с LLM API;
- Опишете и реализуете схему обработки отказов — что делает система, когда модель недоступна или возвращает ошибку.
Соберете backend-сервис с AI-логикой с нуля:
- Реализуете работу AI-агента
- Настроите базовые сценарии
- Протестируете ключевые функции
- Получите рабочий прототип
Включает 6 базовых недель + 6 дополнительных
Теория:
Ваш сервис станет устойчивее и надежнее благодаря грамотно выстроенной архитектуре и четко определённым зонам ответственности.
- Разберете, как интегрировать AI/LLM в backend-систему и какую роль в ней играют агенты;
- Научитесь выбирать между агентом и workflow в зависимости от задачи;
- Освоите типовые сценарии внедрения AI через API, внутренние инструменты и автоматизацию;
- Оцените возможности и ограничения современных AI-решений.
- Соберете архитектурную карту AI-функциональности вашего сервиса;
- Спроектируете схему интеграции AI-модулей в backend;
- Определите зоны ответственности компонентов, чтобы избежать хаоса в разработке.
Ваш сервис станет устойчивее и надежнее благодаря грамотно выстроенной архитектуре и четко определённым зонам ответственности.
Теория:
Встроите LLM в реальный backend, не нарушая архитектуру сервиса. Выберете подходящий подход (workflow или агент) под конкретную задачу, и обеспечите стабильную работу системы даже при непредсказуемом поведении модели.
- Научитесь встраивать LLM в backend-сервисы и определять место AI-логики в системе;
- Узнаете, как правильно встраивать AI-логику в инфраструктуру приложения;
- Разберете OpenAI-compatible API: как устроены запросы, как писать эффективные промпты и управлять параметрами модели;
- Научитесь формировать структурированный вывод и проектировать понятные API-контракты;
- Сравните workflow и агентный подход и выберете подходящий под задачу;
- Поймете, как интегрировать внешние сервисы и инструменты, организовывать надежную оркестрацию запросов и обрабатывать возможные ошибки.
- Соберете каркас backend-сервиса с AI-логикой;
- Настроите слой оркестрации запросов, чтобы система работала стабильно;
- Реализуете API-контракты и схемы взаимодействия между компонентами.
Встроите LLM в реальный backend, не нарушая архитектуру сервиса. Выберете подходящий подход (workflow или агент) под конкретную задачу, и обеспечите стабильную работу системы даже при непредсказуемом поведении модели.
Теория:
Контролируете качество AI-сервиса через метрики, тестирование и мониторинг, а не субъективную оценку. Своевременно выявляете деградацию и принимаете обоснованные решения по улучшению системы.
- Познакомитесь с тем, что считать качеством работы LLM в продукте и чем оно отличается от классического backend;
- Изучите offline и online метрики: как измерять качество, а не опираться на субъективные оценки;
- Разберёте подходы к оценке генерации: релевантность, точность, полнота и выявление галлюцинаций;
- Освоите методы A/B-тестирования и сбора пользовательской обратной связи;
- Поймете, как отслеживать деградацию качества и балансировать качество, скорость и стоимость.
- Подготовите набор метрик для оценки качества AI-сервиса;
- Спроектируете систему оценки и мониторинга качества в продакшене;
- Настроите подход к тестированию и сравнению моделей, промптов и конфигураций.
Контролируете качество AI-сервиса через метрики, тестирование и мониторинг, а не субъективную оценку. Своевременно выявляете деградацию и принимаете обоснованные решения по улучшению системы.
Теория:
Спроектируете слой с инструментами, который легко расширять новыми инструментами. Обеспечите устойчивость агента к сбоям внешних сервисов без падения всей системы.
- Освоите, как описывать и подключать инструменты (tools) для работы агента;
- Научитесь писать описания инструментов так, чтобы агент вызывал их точно и в нужный момент;
- Разберете логику выбора инструментов и спроектируете отдельный слой для работы с внешними сервисами;
- Изучите типовые проблемы: ошибки вызовов, задержки, лимиты и способы их обработки.
- Опишете и зарегистрируете инструменты для своего агента;
- Подключите внешние сервисы и настроите обработку ошибок и таймаутов;
- Настроите выбор инструментов в зависимости от контекста задачи.
Спроектируете слой с инструментами, который легко расширять новыми инструментами. Обеспечите устойчивость агента к сбоям внешних сервисов без падения всей системы.
Теория:
Построите систему, в которой агент работает с актуальными и проверенными данными, а не галлюцинирует. Используете RAG как полноценный инструмент агента — с поиском, чтением и применением данных из базы знаний в реальном времени.
- Освоите принципы RAG;
- Изучите архитектуру базы знаний агента: индексирование документов, векторные базы данных и гибридный поиск;
- Научитесь обновлять данные без потери качества и обеспечивать непротиворечивость знаний при росте базы;
- Освоите интеграцию RAG как отдельного инструмента агента — с автоматическим выбором, когда и что искать.
- Самостоятельно настроите пайплайн индексирования и подключите векторную базу данных к своему агенту;
- Реализуете поиск по базе знаний: векторный и по ключевым словам и сравните качество результатов;
- Встроите RAG как инструмент: агент будет самостоятельно обращаться к базе, читать релевантные фрагменты и использовать их при генерации ответа.
Построите систему, в которой агент работает с актуальными и проверенными данными, а не галлюцинирует. Используете RAG как полноценный инструмент агента — с поиском, чтением и применением данных из базы знаний в реальном времени.
Теория:
- Изучите основные источники нестабильности в AI-сервисах: ошибки внешних API, превышение лимитов и непредсказуемые задержки LLM;
- Освоите стратегии повторных запросов и принципы настройки оптимальных таймаутов;
- Научитесь обеспечивать идемпотентность: гарантировать уникальность операций и избегать дублирования вызовов при повторах;
- Освоите использование очередей сообщений как буфера между сервисами, стратегии снижения функциональности ради стабильности и схемы резервирования на случай полного отказа компонента.
- Соберете библиотеку обработки ошибок и таймаутов для своего AI-сервиса;
- Настроите конфигурацию лимитов и таймаутов под реальные условия работы с LLM API;
- Опишете и реализуете схему обработки отказов — что делает система, когда модель недоступна или возвращает ошибку.
Теория:
- Изучите особенности тестирования AI-решений: почему классические unit-тесты здесь недостаточны и как работать с недетерминированными ответами модели;
- Освоите принципы создания бенчмарков: как формировать их, выбирать метрики и фиксировать базовый уровень качества;
- Освоите подходы к автоматизации проверки качества и сравнению версий промптов и конфигураций;
- Научитесь формализовывать критерии прогресса: как определить, что «новая версия лучше», и избежать субъективных оценок.
- Разработаете бенчмарк качества для конкретной задачи своего агента: опишете тестовые кейсы, выберете метрики и зафиксируете показатели качества;
- Запустите автоматизированную проверку и сравните две версии конфигураций по своему бенчмарку.
Теория:
- Разберете ключевые паттерны многоагентных систем и поймете, в каких сценариях применять каждый из них;
- Освоите разделение ролей между управляющим агентом и рабочими агентами: кто принимает решения, а кто выполняет специализированные задачи;
- Изучите механизмы передачи данных между агентами и принципы координации действий без конфликтов;
- Освоите подходы к изоляции контекста: как обеспечивать независимую работу агентов и объединять их результаты в единый итог.
- Спроектируете схему оркестрации для многоагентной системы: определите роли агентов, потоки данных и точки управления;
- Реализуете управляющую часть сервиса, которая запускает сабагентов, агрегирует результаты и принимает решение о следующем шаге.
Теория:
- Разберете основные шаблоны развертывания AI-сервисов и поймете, чем они отличаются от деплоя обычного backend-приложения;
- Освоите принципы контейнеризации: как упаковать сервис с его зависимостями так, чтобы он стабильно работал в любой среде и легко масштабировался;
- Изучите подходы к интеграции в инфраструктуру компании: подключение к внутренним сервисам, управление секретами и доступ к ресурсам;
- Освоите требования к продакшн-запуску: конфигурирование окружений, управление переменными, логирование и стратегии обновления.
- Подготовите конфигурацию для развертывания AI-сервиса: от Dockerfile до настроек окружения;
- Опишете сценарий обновления и релиза новой версии.
Теория:
- Разберете специфику мониторинга AI-сервисов: какие метрики и события важны для LLM-систем — латентность, стоимость токенов, качество ответов — и чем это отличается от классического backend-мониторинга;
- Освоите принципы трассировки вызовов агентов: как отслеживать цепочку обращений к инструментам и зависимым компонентам и восстанавливать полный путь выполнения задачи;
- Изучите подходы к наблюдению за качеством в продакшене: как фиксировать деградацию до того, как её заметят пользователи;
- Освоите механизмы сбора пользовательской обратной связи и ее интеграцию в цикл улучшения сервиса.
- Настроите систему накопления и хранения данных о работе сервиса: логи вызовов, трассы агентов, метрики качества;
- Реализуете механизм быстрого поиска и диагностики неполадок — чтобы при инциденте за минуты находить, на каком шаге и почему произошел сбой.
Теория:
- Разберете, как структура запроса влияет на стоимость вызова модели: длина контекста, количество токенов, выбор модели — и как небольшие изменения в промпте дают ощутимую экономию;
- Освоите принципы подбора модели под задачу: когда дорогая модель избыточна и чем её можно заменить без потери качества;
- Изучите механизмы кэширования результатов, оптимизации частоты вызовов и настройки лимитов — как на уровне бюджета, так и на уровне нагрузки;
- Освоите понятие «цены качества»: как формализовать баланс между точностью ответов и стоимостью их получения при масштабировании.
- Сформируете схему настройки лимитов и бюджетов для своего AI-сервиса;
- Построите карту контроля финансовых показателей: какие метрики собирать, как визуализировать расходы и где искать точки оптимизации.
Теория:
- Оцените, когда имеет смысл переходить на локальный интерфейс: контроль данных, независимость от провайдеров и предсказуемая стоимость;
- Научитесь подбирать модель под задачу с учетом ресурсов: размер, архитектура, требования к памяти и GPU;
- Освоите варианты инфраструктуры: оборудование, фреймворки (Ollama, vLLM, llama. cpp) и способы развертывания;
- Освоите стратегии миграции с облачных API на локальные модели с минимальными изменениями в коде;
- Учтете ограничения локальных решений и научитесь принимать архитектурные компромиссы.
- Развернете локальную модель в своей среде и подключите ее к сервису вместо внешнего API;
- Измерите производительность и сравните качество с облачной моделью под свою задачу.
Доведете сервис до уровня, который можно показать работодателю:
- Усилите архитектуру и структуру системы
- Подключите мониторинг и контроль качества
- Проверите стабильность работы агента
- Интегрируете базу знаний (RAG)
- Подготовите демонстрацию проекта
Эксперты курса
Практики, которые создают и поддерживают AI-агентов в реальных продуктах
Senior AI Engineer в Raft, спикер AI Conf и Highload++
Кирилл Кухарев
Андрей Носов
💪 Суперсила:
Проектирует AI-системы с учетом реальных ограничений бизнеса: нагрузки, инфраструктуры и требований к отказоустойчивости. Специализируется на создании независимых и масштабируемых решений, где архитектура сразу закладывается под работу в продакшене.
На курсе:
Андрей разберет, как работать с данными и знаниями в AI-системах: построение RAG, выбор подходов к поиску и организация хранения данных. Покажет, как выстраивается взаимодействие агентов и сервисов, как устроена оркестрация компонентов, а также какие практики используются для мониторинга, диагностики и поддержки качества AI-решений в продакшене.
Проектирует AI-системы с учетом реальных ограничений бизнеса: нагрузки, инфраструктуры и требований к отказоустойчивости. Специализируется на создании независимых и масштабируемых решений, где архитектура сразу закладывается под работу в продакшене.
На курсе:
Андрей разберет, как работать с данными и знаниями в AI-системах: построение RAG, выбор подходов к поиску и организация хранения данных. Покажет, как выстраивается взаимодействие агентов и сервисов, как устроена оркестрация компонентов, а также какие практики используются для мониторинга, диагностики и поддержки качества AI-решений в продакшене.
Достижения:
- Ведущий AI-архитектор (Raft, Astra Development, международные проекты в MENA)
- Работал в Nokia Bell Labs, Huawei, ABBYY, MTS AI, Promobot
- Руководил R&D и AI-подразделениями (Raft, ОЦРВ РЖД, Promobot)
- Запускал NLP-направления с нуля и реализовал десятки AI/ML-проектов
- Опыт работы в международных исследовательских командах (Финляндия, Бельгия)
Образование: MSc KU Leuven (Belgium) – Linguistics & AI PhD Tampere University (Finland) – Communication Science
Александр Ошурков
💪 Суперсила:
Работает с AI-системами на уровне продакшена: от внедрения до контроля качества. Фокусируется на том, как измерять результат и поддерживать стабильную работу моделей в реальных сервисах.
На курсе:
Александр разберет, как оценивать качество работы LLM в backend-сервисах: какие метрики использовать, как выявлять ошибки и деградацию, и как выстроить процесс контроля качества после внедрения.
Работает с AI-системами на уровне продакшена: от внедрения до контроля качества. Фокусируется на том, как измерять результат и поддерживать стабильную работу моделей в реальных сервисах.
На курсе:
Александр разберет, как оценивать качество работы LLM в backend-сервисах: какие метрики использовать, как выявлять ошибки и деградацию, и как выстроить процесс контроля качества после внедрения.
Достижения:
- Более 20 лет в IT: от системной архитектуры до руководства ML-направлениями
- Руководитель направления машинного обучения в MTS Web Services
- Развивал и внедрял AI/ML-решения в крупных компаниях (МТС, МКБ)
- Работал на стыке архитектуры, аналитики и ML (IBM, Netcracker)
Руководитель направления ML, MTS Web Services Ex-IBM, Netcracker, МКБ
Образование: Образование: МГТУ им. Н.Э. Баумана
Екатерина Трофимова
💪 Суперсила:
Соединяет академическую экспертизу и практику: умеет объяснить, как устроены AI-системы «под капотом» и как их корректно встроить в реальные сервисы через инструменты и взаимодействие с внешними системами.
На курсе:
Екатерина разберет, как проектировать инструменты для AI-агентов и выстраивать взаимодействие с внешними сервисами: как описывать tool layer, как агент принимает решения о вызове инструментов и какие ограничения возникают в продакшене.
Соединяет академическую экспертизу и практику: умеет объяснить, как устроены AI-системы «под капотом» и как их корректно встроить в реальные сервисы через инструменты и взаимодействие с внешними системами.
На курсе:
Екатерина разберет, как проектировать инструменты для AI-агентов и выстраивать взаимодействие с внешними сервисами: как описывать tool layer, как агент принимает решения о вызове инструментов и какие ограничения возникают в продакшене.
Достижения:
- Научный сотрудник Центра И И Сколтеха
- Научный сотрудник лаборатории LAMBDA НИУ ВШЭ
- Специализируется на ML, NLP и интеллектуальных системах
- Разрабатывает и преподает курсы по LLM, генеративным моделям и AI
- Публикуется в международных журналах (PeerJ, Journal of Physics)
- Исследует генерацию ML-пайплайнов и кодогенерацию
- Участвует в прикладных и образовательных проектах (в том числе Сбер)
Образование: МГУ (экономический факультет) Магистратура: ВШЭ × Сколтех (Data Science) Кандидат компьютерных наук, НИУ ВШЭ
Дмитрий Антипов
💪 Суперсила:
Объяснять сложное просто, умение работать руками и широкая технологическая насмотренность.
На курсе:
Дмитрий разберет, как понять, что система «стала лучше»: как тестировать и оценивать качество AI-систем через построение своих бенчмарков и развитие культуры evals-driven, а так же как превратить это в постоянный инженерный процесс.
Объяснять сложное просто, умение работать руками и широкая технологическая насмотренность.
На курсе:
Дмитрий разберет, как понять, что система «стала лучше»: как тестировать и оценивать качество AI-систем через построение своих бенчмарков и развитие культуры evals-driven, а так же как превратить это в постоянный инженерный процесс.
Достижения:
- 16+ лет в разработке, из них 6 лет в AI
- Разработал десятки сложных AI-проектов по данным и речевым технологиям
- Спикер ключевых технологических конференций: Highload++, Yandex PML, AI Journey и других
- Участник программного комитета AIConf
- Куратор ODS
- Собрал свой agentic harness, который создает проекты по голосовым сообщениям в мессенджере
- Пишет статьи на Habr и ведет канал про разработку и AI
Антон Будняк
💪 Суперсила:
Способность быстро создавать масштабируемые AI-решения. Умеет в сжатые сроки спроектировать и запустить MVP, а затем плавно перевести его в отказоустойчивую систему.
На курсе:
Антон разберет, как обеспечивать надежность AI-сервисов в backend: как обрабатывать ошибки внешних сервисов, настраивать таймауты и повторные запросы, выстраивать работу с очередями и проектировать систему так, чтобы она оставалась устойчивой под нагрузкой и сбоями.
Способность быстро создавать масштабируемые AI-решения. Умеет в сжатые сроки спроектировать и запустить MVP, а затем плавно перевести его в отказоустойчивую систему.
На курсе:
Антон разберет, как обеспечивать надежность AI-сервисов в backend: как обрабатывать ошибки внешних сервисов, настраивать таймауты и повторные запросы, выстраивать работу с очередями и проектировать систему так, чтобы она оставалась устойчивой под нагрузкой и сбоями.
Достижения:
- Архитектор AI-продуктов и ведущий ML-инженер (Airate, Банк «Открытие»)
- Создал и вывел в продакшн AI-продукт с аудиторией 6 000+ пользователей
- Реализовывал полный цикл AI-решений: от no-code MVP до высоконагруженных систем
- Выстроил ETL-процессы и автоматизированную аналитику по 40 торговым сетям
- Руководил разработкой ML-моделей в финтехе с экономическим эффектом более 100 млн ₽
- Оптимизировал ML-пайплайны и кратно сократил время от начала разработки до релиза
Образование: ВМК МГУ (Прикладная математика и информатика) Магистратура: ВМК МГУ x Сеченовский университет (ИИ в медицине)
Эмиль Сатаев
💪 Суперсила:
Работает на стыке backend-разработки и AI: внедряет LLM и агентные подходы в реальные сервисы, проектируя архитектуру интеграции и взаимодействия с внешними системами.
На курсе:
Эмиль разберет, где AI-функциональность появляется в backend-системах и как ее правильно встроить: какие есть сценарии использования, как интегрировать LLM через API, выстраивать workflow и агентную логику, а также организовывать взаимодействие с внешними сервисами.
Работает на стыке backend-разработки и AI: внедряет LLM и агентные подходы в реальные сервисы, проектируя архитектуру интеграции и взаимодействия с внешними системами.
На курсе:
Эмиль разберет, где AI-функциональность появляется в backend-системах и как ее правильно встроить: какие есть сценарии использования, как интегрировать LLM через API, выстраивать workflow и агентную логику, а также организовывать взаимодействие с внешними сервисами.
Достижения:
- Backend Platform Developer, SMIT.Studio
- Ex-HSE AI Institute, NUS
- Более 8 лет в разработке (backend и frontend)
- Backend Platform Developer в SMIT. Studio
- Ex-Researcher in Institute for Functional Intelligent Materials, National University of Singapore
- Ex-Исследователь в Институте И И и цифровых наук НИУ ВШЭ
- Ex-Fullstack Developer в Uno Foundation
- Ведет семинары в НИУ ВШЭ, в том числе по агентским системам
Образование: НИУ ВШЭ, факультет МИЭМ
Выберите формат обучения
Инженерный трек
Для тех, кто хочет делать production-ready решения
Доступ к материалам курса «Разработка ИИ-агентов» — в подарок при покупке Инженерного трека
Проект: Сервис с AI-логикой под вашу задачу
- Все из базового тарифа
- 12 недель обучения
- 16 вебинаров
- 40+ часов практики
- Архитектура и сложные сценарии
- Деплой и интеграция в инфраструктуру
- Мониторинг и диагностика в проде
- Контроль стоимости и оптимизация
{Осталось 8 мест}
Базовый трек
- 6 недель обучения
- 8 вебинаров
- 20+ часов практики
- Чат студентов курса
- Доступ к материалам 12 месяцев
- Интеграция LLM в backend
- Работа с агентами и инструментами
- Работа с данными и базой знаний
Проект: Соберете рабочий MVP продукта с AI-логикой
Для старта разработке AI -сервисов
{Осталось 20 мест}
Вы получите:
• записи завершенного потока
• задания с автопроверкой
• самостоятельное прохождение
• записи завершенного потока
• задания с автопроверкой
• самостоятельное прохождение
Выстави счёт и оплати как юридическое лицо
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Что говорят наши студенты о курсе «Разработка ИИ-агентов»:
Вопросы – ответы
Да. Организаторы помогают получить доступ, а также предусмотрена траектория импортозамещения с отечественными моделями и open-source решениями.
Да, все занятия записываются и остаются доступными в течение года после окончания курса.
Для базового трека достаточно уверенного знания Python и базового понимания backend-разработки. Для инженерного трека рекомендуется опыт разработки сервисов, работы с API и базовое знакомство с Docker. Знания машинного обучения не обязательны.
Курс проходит в формате живых вебинаров с экспертами (1,5−2 часа) и практических заданий. Проверка заданий включает автотесты, задания с разбором и обратную связь по ключевым работам.
В курсе используются OpenAI-compatible API, инструменты для работы с агентами и внешними сервисами, а также решения для работы с данными (RAG, векторные базы). Дополнительно разбираем деплой (Docker), мониторинг и трассировку, а также подходы к работе с локальными моделями.
Да. Курс ориентирован на практическую разработку AI backend-сервисов: вы разберете типовые сценарии интеграции, ошибки и ограничения, а итоговый проект сможете адаптировать под задачи вашей компании.
Остались вопросы?
Оставьте заявку, и мы свяжемся с вами для консультации
Я ничего не понял, у меня есть вопрос, куда писать как быть, что делать????
{???}