Чему вы научитесь
- Определять, когда задачу стоит решать с помощью LLM, и проектировать AI-функции для backend-приложений.
- Работать из Python с API языковых и мультимодальных моделей, а также запускать локальные модели через Ollama и vLLM.
- Создавать надёжный LLM Client с таймаутами, повторными запросами и обработкой ошибок.
- Проектировать промпты, управлять контекстом и историей диалога, передавать ответы потоково.
- Получать структурированные ответы и проверять их с помощью JSON Schema и Pydantic.
- Подключать Python-инструменты к модели и контролировать их безопасное выполнение.
- Обрабатывать документы, сканы, изображения и аудио с помощью OCR, ASR и TTS.
- Создавать AI API на FastAPI, тестировать его и готовить к развёртыванию в Docker.
- Строить шлюз для нескольких моделей, выбирать подходящую под задачу и настраивать резервное переключение.
- Создавать базу знаний с поиском на PostgreSQL и pgvector и помощника, отвечающего по источникам с помощью RAG.
- Разрабатывать агентов с памятью и управляемыми действиями на LangGraph, подключать инструменты через MCP.
- Готовить данные для обучения и дообучать модели с помощью LoRA и QLoRA.
- Оценивать качество ответов, скорость и стоимость работы моделей, сравнивать решения и учитывать риски безопасности.
О курсе
Научитесь разрабатывать AI-приложения на Python от первых LLM-функций до сложных AI-систем. Вы создадите AI бэкенд на FastAPI, освоите работу с промптами, инструментами, документами и изображениями. Затем разработаете шлюз для моделей, RAG-помощника с поддержкой аудио, агента на LangGraph и MCP и классификатор с дообучением LoRA/QLoRA. Научитесь проверять качество, надёжность и стоимость решений.
Для кого этот курс
Пакет подойдёт:
- Python-разработчикам, которые хотят начать создавать AI-приложения и постепенно перейти к более сложным AI-системам
- Backend-разработчикам на FastAPI, Django и других Python-фреймворках, которые планируют добавить AI-функции в свои продукты
- Разработчикам с опытом работы с LLM API, которые хотят освоить RAG, локальные модели, LangGraph, MCP и дообучение
- Тем, кто хочет развиваться в направлениях AI Development и AI Engineering и закрепить навыки на практических проектах
Начальные требования
Для начала обучения необходимо:
- уверенно владеть основами Python
- понимать основы HTTP и REST API
Опыт работы с AI, Machine Learning и нейронными сетями не требуется. Работу с LLM API и разработку AI Backend вы освоите в первом курсе. На эти знания опирается второй курс, поэтому проходить их рекомендуется по порядку.
Преподаватели курса
4 786
Как проходит обучение
Как проходит обучение
Обучение выстроено последовательно. В первом курсе вы шаг за шагом создадите сквозной AI бэкенд на FastAPI. Во втором примените полученные навыки в четырёх самостоятельных проектах: шлюзе для моделей, помощнике по документам, агенте и сервисе с дообученной моделью.
На протяжении обоих курсов вас ждут:
- понятные теоретические уроки с объяснением технологий и их ограничений
- пошаговая практика на Python: вы пишете код, запускаете сервисы и проверяете результат
- разбор архитектурных решений, типичных ошибок и способов их исправления
- практические задания и самостоятельные изменения в проектах
- эксперименты с моделями и оценка качества, скорости и стоимости решений
Нагрузка
4-6