Чему вы научитесь
- Собирать RAG-пайплайн целиком: chunking, эмбеддинги, векторный поиск, гибрид с BM25, реранкинг, генерация с цитатами
- Выбирать эмбеддер и векторное хранилище под русский язык и под объём данных
- Получать от модели structured output с валидацией через Pydantic и повтором запроса, когда схема развалилась
- Мерить качество поиска и ответов на golden-датасете: recall@k, MRR, RAGAS, доверительные интервалы
- Ставить регрессионную проверку качества в CI, чтобы правка промпта не роняла систему молча
- Писать промпты под задачу: few-shot, chain-of-thought, self-consistency, контроль токен-бюджета
- Решать классификацию, NER и суммаризацию через LLM и видеть, где дешевле обойтись классикой
- Строить агентов с tool use, ограничением числа шагов и роутингом между несколькими агентами
- Выводить LLM-сервис в прод: кеш, метрики, таймауты, fallback между провайдерами, защита от prompt injection
О курсе
Курс про инженерную часть работы с LLM на Python: промптинг, structured output, RAG, агенты, оценка качества, вывод в прод. К концу вы собираете рабочий RAG-сервис с замерами качества и выкладываете его в свой репозиторий.
Для кого этот курс
- Python- и backend-разработчики, которые заходят в LLM-стек с рабочего проекта.
- ML-инженеры без production-опыта с LLM-приложениями.
- Те, кто уже трогал LLM руками и хочет системности: дизайн-решения, надёжность, наблюдаемость.
Начальные требования
- Python на уровне intermediate: классы, async, типизация, виртуальные окружения.
- Базовое понимание ML и DL: что такое нейросеть, эмбеддинг, трансформер - обзорно.
- Не понадобится: глубокий NLP, академическая математика, GPU дома, опыт LLM в проде.
Преподаватели курса
612
Нагрузка
2-3