Онлайн-курc по математике для Data Science
Курс для разработчиков и LLM инженеров о том, как внедрять AI-логику в бэкенд и сохранять стабильность сервиса
AI-агент в MVP работает.
В продакшене —
|
старт 2 июля
живые вебинары
8 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
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, почему AI-продукты ломаются на практике: кейсы стартапов, ограничения LLM и рабочие архитектуры (RAG, human-in-the-loop, контроль качества)
Ответим на ваши вопросы и разберем реальные кейсы участников
Спикер — Эмиль Сатаев, Backend Platform Developer (8+ лет в разработке), внедряет LLM и агентные системы в реальные коммерческие сервисы
Backend Platform Developer, SMIT.Studio
Почему AI-продукты на базе LLM ломаются и как сделать, чтобы работало
Эмиль Сатаев
Получить запись вебинара
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
AI-инженер
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
Теория:
Получите рабочую рамку, через которую можно смотреть на AI-сервис как на продукт: с экономикой, ограничениями и зонами ответственности.
- Разберетесь, чем production-агент отличается от демо или прототипа: цена ошибки, границы доверия, реальные ожидания бизнеса;
- Изучите unit-экономику AI-сервиса: стоимость токенов, ценность действия, цена поддержки и разработки;
- Поймёте, какие ошибки можно откатить, а какие — нет, и как это влияет на архитектуру;
- Познакомитесь с подходом Agent Charter: SLA, правила эскалации, зоны ответственности;
- Разберетесь, чем отличаются goal-oriented и chat-oriented агенты и где какой подход уместен.
- Попробуете посчитать unit-экономику AI-сервиса для прикладного сценария;
- Сформулируете Agent Charter для своего или учебного кейса;
- Зафиксируете первое архитектурное решение, к которому будете возвращаться на протяжении курса.
Получите рабочую рамку, через которую можно смотреть на AI-сервис как на продукт: с экономикой, ограничениями и зонами ответственности.
Теория:
Поймете, как делать архитектуру AI-агента более воспроизводимой, управляемой и устойчивой к изменениям.
- Разберетесь со state machine как способом контролировать стохастическое поведение LLM;
- Изучите паттерны маршрутизации: Supervisor, ReAct, Plan-and-Solve — и поймёте, когда применять каждый из них;
- Поймёте, как находить циклы и проектировать безопасные аварийные выходы;
- Разберетесь, как делать архитектуру менее зависимой от конкретной модели и провайдера;
- Познакомитесь с подходами к версионированию графов и миграции состояний.
- Попробуете построить state machine с явными инвариантами;
- Разберете один из routing-паттернов на практическом примере;
- Поработаете с защитой от циклов и сценариями аварийного завершения.
Поймете, как делать архитектуру AI-агента более воспроизводимой, управляемой и устойчивой к изменениям.
Теория:
Поймете, как сделать вход в AI-систему более безопасным, а промпты — управляемыми и воспроизводимыми.
- Разберетесь, как контекст влияет на поведение LLM и почему его нужно проектировать осознанно;
- Изучите стратегии работы с длинным контекстом: суммаризация, ротация буфера, Map-Reduce;
- Познакомитесь с подходами к защите системы от prompt injection;
- Разберете подход «prompt as code»: версии, шаблоны, тестирование промптов;
- Поймёте, как отделять системные инструкции от пользовательских данных на уровне архитектуры.
- Попробуете вынести промпты в отдельный слой с версионированием;
- Поработаете с валидацией и санитизацией входных данных;
- Сравните несколько стратегий работы с длинным контекстом под разные задачи.
Поймете, как сделать вход в AI-систему более безопасным, а промпты — управляемыми и воспроизводимыми.
Теория:
Поймете, как проектировать слой инструментов так, чтобы он был расширяемым и устойчивым к сбоям внешних сервисов.
- Разберете подход contract-first: инструмент агента — это API с понятным контрактом, а не просто функция для вызова;
- Поймёте, как описывать инструменты, чтобы модель вызывала их точнее и в нужный момент;
- Изучите schema-guided reasoning для получения валидируемых ответов от LLM;
- Познакомитесь с подходами к тестированию инструментов: unit-тесты, contract-тесты, edge cases;
- Разберетесь, где выбор инструмента можно доверить модели, а где лучше задать правила явно.
- Попробуете описывать инструменты в contract-first формате;
- Разберете кейс подключения внешнего сервиса с обработкой ошибок и таймаутов;
- Поработаете с автоматической проверкой ответов LLM и повторными запросами.
Поймете, как проектировать слой инструментов так, чтобы он был расширяемым и устойчивым к сбоям внешних сервисов.
Теория:
Получите представление о том, как закладывать обработку ошибок и отказоустойчивость в архитектуру AI-сервиса.
- Разберете основные источники нестабильности AI-сервисов: ошибки API, лимиты, задержки LLM;
- Изучите retry-стратегии и настройку таймаутов;
- Поймёте, почему вероятностная система не работает идеально «с первого раза»;
- Познакомитесь с подходом self-correction: когда модель может исправить ошибку сама, а когда нужен детерминированный код;
- Разберете принципы graceful degradation вместо полного отказа сервиса.
- Попробуете настроить hard limits: ограничения на количество шагов, токенов и время выполнения;
- Разберете self-correction loop на практическом примере;
- Сравните сценарии с fallback на детерминированный код и более дешёвую модель.
Получите представление о том, как закладывать обработку ошибок и отказоустойчивость в архитектуру AI-сервиса.
Теория:
Поймете, как AI-агенты взаимодействуют с корпоративной инфраструктурой и где MCP действительно оправдан.
- Разберетесь, как AI-агенты встраиваются в реальные бизнес-процессы и корпоративные системы;
- Познакомитесь с MCP (Model Context Protocol): где он действительно полезен, а где только усложняет архитектуру;
- Поймёте, как интегрироваться с legacy-системами при ограниченном контексте;
- Изучите паттерны human-in-the-loop: формы подтверждения, мессенджеры, интерактивные шаги;
- Разберете OAuth2 delegation для безопасных действий от имени пользователя.
- Разберете на примере реализацию MCP-сервера для инструментов;
- Попробуете подключение внешнего MCP к агенту;
- Поработаете со сценарием human approval для критичных действий.
Поймете, как AI-агенты взаимодействуют с корпоративной инфраструктурой и где MCP действительно оправдан.
Теория:
Поймете, как организовать хранение состояния и восстановление AI-сервиса после сбоев.
- Изучите принципы checkpointing для AI-агентов;
- Разберете варианты хранилищ: PostgreSQL, Redis, in-memory storage — и где какой подход уместен;
- Поймёте, как восстанавливать выполнение после сбоев без потери прогресса;
- Познакомитесь с паттерном human-in-the-loop для ручного вмешательства оператора;
- Разберетесь с изоляцией пользовательских сессий при конкурентной работе.
- Попробуете подключить checkpointing к графу агента;
- Разберете восстановление после симулированного сбоя;
- Поработаете со сценарием human-in-the-loop для необратимых действий.
Поймете, как организовать хранение состояния и восстановление AI-сервиса после сбоев.
Теория:
Поймете, как делать AI-сервис более прозрачным и быстрее разбираться в причинах инцидентов.
- Разберете специфику мониторинга AI-сервисов: latency, стоимость токенов, качество ответов;
- Изучите трассировку вызовов и восстановление цепочки выполнения задачи;
- Поймете, как замечать деградацию качества до жалоб пользователей;
- Познакомитесь с подходами к санитизации логов, чтобы не утекали PII и секреты;
- Разберете, как встроить пользовательский feedback в цикл улучшения сервиса.
- Попробуете настроить observability со сквозной трассировкой от UI до LLM;
- Разберете сценарий диагностики инцидента;
- Поработаете с воспроизведением цепочки ошибок через трейсы.
Поймете, как делать AI-сервис более прозрачным и быстрее разбираться в причинах инцидентов.
Теория:
- Поймёте, почему классических unit-тестов недостаточно для AI-систем;
- Изучите подход LLM-as-a-Judge: критерии оценки, метрики, устройство judge-модели;
- Разберете создание golden datasets и регрессионных тестов;
- Познакомитесь с генерацией тестовых данных под свою задачу;
- Изучите подходы к quality gate в CI/CD.
- Попробуете собрать benchmark качества для AI-агента;
- Сравните две версии конфигурации на одном benchmark;
- Поработаете с настройкой проверки метрик перед релизом.
Теория:
- Разберете, как на стоимость влияют контекст, токены и выбор модели;
- Изучите cost attribution по фичам, командам и пользователям;
- Познакомитесь с подходами к кэшированию и оптимизации частоты вызовов;
- Разберете cascade routing: дешёвая модель → дорогая по триггеру качества;
- Поймёте, как настраивать алерты на аномальные расходы и циклы.
- Попробуете несколько подходов к снижению cost и сравните их влияние на качество;
- Разберите пример проверки качества после оптимизации;
- Поработаете с лимитами, бюджетами и алертами.
Теория:
- Изучите основные типы атак на AI-приложения: prompt injection, jailbreak, tool hijacking, data exfiltration;
- Познакомитесь с threat modeling для AI-агентов;
- Разберете DLP-подходы и защиту PII в логах и ответах;
- Изучите RBAC для агентов: scoped tokens, allow-lists, kill switch;
- Поймёте, как проводится red teaming AI-систем.
- Попробуете построить threat model для AI-агента;
- Разберите пример внедрения DLP-слоя и базовых guardrails;
- Поучаствуете в мини-сессии red teaming с разбором найденных уязвимостей.
Теория:
Поймете, как делать окружение AI-сервиса более воспроизводимым и управляемым.
- Разберете, чем deployment AI-сервисов отличается от обычного backend;
- Изучите контейнеризацию и упаковку зависимостей для воспроизводимого запуска;
- Познакомитесь со streaming и интерактивной отдачей ответов в UI;
- Разберете подходы к code sandboxing для безопасного выполнения пользовательского кода;
- Изучите queue-based архитектуру: воркеры, масштабирование, сетевые политики и секреты.
- Попробуете подготовить инфраструктуру для развертывания AI-сервиса;
- Разберите пример подключения streaming-ответов агента в UI;
- Поработаете с локальной инфраструктурой: агент, хранилище состояния, observability.
Поймете, как делать окружение AI-сервиса более воспроизводимым и управляемым.
Теория:
Поймете, как делать релизы AI-сервисов более управляемыми и снижать риски при выкладке новых версий.
- Изучите безопасные стратегии релиза: canary deployment, shadow mode, постепенная выкатка;
- Познакомитесь с A/B-тестированием промптов и конфигураций на живом трафике;
- Разберете подходы к runbook и postmortem;
- Изучите rollback и сравнение версий агента в production;
- Поймёте, как выстраивать культуру работы с инцидентами внутри команды.
- Попробуете сценарии canary deployment или shadow mode;
- Разберете A/B-тестирование через feature flags;
- Поработаете с runbook и сценарием быстрого отката.
Поймете, как делать релизы AI-сервисов более управляемыми и снижать риски при выкладке новых версий.
Теория:
Поймете, как готовить AI-сервис к требованиям регуляторов и внутренней службы безопасности.
- Разберете требования 152-ФЗ и их влияние на архитектуру AI-сервисов;
- Изучите подходы к air-gap deployment для enterprise-сред;
- Познакомитесь с audit logs и фиксацией действий агента;
- Поймёте, как проводить compliance-проверки и аудит ответов;
- Разберете подходы к документации для службы безопасности и регуляторов.
- Попробуете картировать data flow AI-сервиса;
- Разберёте пример compliance-check по 152-ФЗ;
- Поработаете с audit logs и документацией системы.
Поймете, как готовить AI-сервис к требованиям регуляторов и внутренней службы безопасности.
Теория:
Получите представление о том, как выбирать между облаком и локальным deployment в зависимости от ограничений проекта и требований безопасности.
- Разберетесь, когда стоит переходить на локальные модели: контроль данных, независимость от провайдера, требования регуляторов;
- Научитесь выбирать модель под задачу с учётом памяти, GPU и архитектуры;
- Изучите инфраструктуру для локального inference;
- Познакомитесь с квантованием и запуском моделей на доступном железе;
- Разберете гибридные сценарии: локальная разработка и облачный production.
- Попробуете развернуть локальную модель для прикладного сценария;
- Сравните производительность локальной и облачной модели;
- Поработаете со сравнением подходов «локально vs облако».
Получите представление о том, как выбирать между облаком и локальным deployment в зависимости от ограничений проекта и требований безопасности.
К концу курса вы соберете практическую работу — AI-сервис, в котором примените подходы из основных блоков программы: архитектуру, инструменты, надежность, наблюдаемость и контроль качества.
В проект войдут:
В проект войдут:
- Архитектура с зафиксированными решениями
- Инструменты агента и внешние интеграции
- Слой надежности: retries, таймауты, fallback-механизмы
- Наблюдаемость и трассировка
- Benchmark качества и регрессионные проверки
- Контроль стоимости и лимиты
- Threat model и набор guardrails
- Конфигурация deployment и стратегия релиза
Применишь в своей работе
Разбираем кейсы из разных индустрий – сможешь адаптировать под свои задачи
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
Все для запуска AI-агента в проде
Для тех, кто хочет делать production-ready решения
Проект: Сервис с AI-логикой под вашу задачу
- 8 недель обучения - 16 живых вебинаров
- Чат студентов курса
- Доступ к материалам 12 месяцев
- 40+ часов практики
{Осталось 8 мест}
Доступ к материалам курса «Разработка ИИ-агентов» — в подарок
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.
Выпускники Proglib Academy
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????
{???}