Сколько стоит курс «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»?

Стоимость курса составляет 890.00 рублей

Где можно пройти курс «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/297718.

Курс на Stepik

Обложка курса «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем» на Stepik

890 ₽

LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем ★ 0.000

Name: LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем
Price: 890.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

Открыть на
STEPIK.ORG

Освойте полный цикл создания промышленных LLM-систем за 2–3 месяца. Научитесь проектировать RAG-пайплайны, оптимизировать инференс (vLLM, квантизация), версионировать промпты и конфиги, строить CI/CD с quality gates на основе RAGAS. Настроите мониторинг в Grafana, управление затратами (FinOps) и защиту от Prompt Injection. Соберете AI-агентов на LangGraph с вызовом внешних инструментов.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	22
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	81
Количество квизов	32
Стоимость курса	890 ₽	—
Обновления курса	—	—
Дата публикации курса	18 часов назад	—	—	—	—
Последнее обновление	28 августа 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»

13 разделов Уроки в курсе «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»

81 урок Тесты в курсе «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»

32 теста Последнее обновление курса «LLMOps: жизненный цикл, инфраструктура и эксплуатация LLM-систем»

обн. 28 августа 2026

Введение

2 урока

1. О курсе ↗

2. Диагностический тест: готовы ли вы к курсу? ↗

Жизненный цикл LLM и выбор стратегии

5 уроков

1. Отличие LLMOps от MLOps и DevOps ↗

2. Этапы жизненного цикла LLM-приложения ↗

3. Бизнес-кейсы: RAG vs Fine-Tuning vs API ↗

4. Открытые vs проприетарные модели: как выбрать модель под задачу ↗

5. Тест по модулю ↗

Инфраструктура и вычислительные ресурсы

8 уроков

1. CPU vs GPU vs TPU: что выбрать для LLM ↗

2. Управление памятью GPU: FP16, INT8, KV-кэш ↗

3. Сравнение инференс-движков: vLLM, TGI, TensorRT-LLM, Ollama ↗

4. Контейнеризация: Docker для LLM-сервисов ↗

5. Оркестрация: Kubernetes для масштабирования ↗

6. Облачные платформы: AWS, GCP, Azure — что дешевле ↗

7. Serverless vs Dedicated GPUs ↗

8. Тест по модулю ↗

Управление данными, промптами и конфигами

7 уроков

1. Версионирование промптов: почему это критично ↗

2. Prompt Registry: хранилище промптов ↗

3. Шаблонизация промптов и A/B-тестирование ↗

4. Управление датасетами: DVC (Data Version Control) ↗

5. Model Registry: MLflow, Weights & Biases ↗

6. Hydra/OmegaConf: управление конфигами ↗

7. Тест по модулю ↗

Разработка и тестирование LLM-приложений

7 уроков

1. Промпт-инжиниринг на продакшн-уровне ↗

2. Структурированный вывод: Pydantic, JSON Schema ↗

3. Юнит-тесты для LLM-компонентов ↗

4. Интеграционное тестирование с моками API ↗

5. CI/CD для LLM: GitHub Actions ↗

6. Canary-релизы и Blue-Green деплой ↗

7. Тест по модулю ↗

RAG в продакшне

10 уроков

1. Архитектура RAG-сервиса ↗

2. Chunking: стратегии нарезки документов ↗

3. Гибридный поиск: BM25 + Dense эмбеддинги ↗

4. Продвинутые стратегии: HyDE, Multi-Query, RAPTOR ↗

5. Переранжирование (Cross-Encoders, Cohere Rerank) ↗

6. Векторные БД: Qdrant, Milvus, Pinecone, FAISS ↗

7. Индексы, шардирование и репликация ↗

8. Асинхронная индексация с CDC (Debezium + Kafka) ↗

9. Семантическое кэширование (Redis + эмбеддинги) ↗

10. Тест по модулю ↗

Evaluation и Quality Gates

7 уроков

1. Метрики качества: Faithfulness, Answer Relevancy ↗

2. Context Precision и Recall: что это и как считать ↗

3. Фреймворки: RAGAS, DeepEval, Phoenix ↗

4. LLM-as-a-Judge: как использовать GPT-4 для оценки ↗

5. Golden Dataset: создание эталонных ответов ↗

6. Автоматические Quality Gates в CI/CD ↗

7. Тест по модулю ↗

Мониторинг и наблюдаемость

8 уроков

1. Что мониторить в LLM-системах ↗

2. Метрики: TTFT, latency, стоимость токенов ↗

3. Инструменты наблюдаемости: LangSmith, Langfuse, Arize ↗

4. Трассировка запросов: OpenTelemetry + Jaeger ↗

5. Детекция дрифта: Data Drift и Performance Drift ↗

6. Настройка алертов в Grafana ↗

7. Бизнес-метрики: DAU, retention, conversion ↗

8. Тест по модулю ↗

Оптимизация производительности и стоимости

9 уроков

1. Квантизация: INT8, FP16, GPTQ, AWQ, GGUF ↗

2. Batching и KV-кэширование ↗

3. Speculative Decoding: ускорение инференса ↗

4. Model Routing: дешевая модель для простых запросов ↗

5. Semantic Caching: экономия до 70% затрат ↗

6. Мониторинг стоимости API и облачных ресурсов ↗

7. Расчет TCO: как прогнозировать бюджет ↗

8. Горизонтальное масштабирование и auto-scaling ↗

9. Тест по модулю ↗

AI-Агенты и мультиагентные системы

7 уроков

1. От RAG к агентам: архитектура ReAct ↗

2. LangGraph: графовые агенты с памятью ↗

3. Состояние, память (Memory) и Checkpointing ↗

4. Инструменты (Tools): подключение API, БД, веб-скрапинг ↗

5. Безопасность инструментов: песочница ↗

6. Отказоустойчивость: retry, fallback, Saga pattern ↗

7. Тест по модулю ↗

Безопасность и управление рисками

9 уроков

1. OWASP Top 10 для LLM ↗

2. Prompt Injection и Jailbreak: защита ↗

3. Валидация ввода и санитизация ↗

4. PII-санитизация и DLP (Data Loss Prevention) ↗

5. Гардлы для вывода: NeMo Guardrails, Guardrails AI ↗

6. Конституциональный AI и RLHF ↗

7. Red Teaming: тестирование на взлом ↗

8. Compliance: GDPR, HIPAA, SOC2 ↗

9. Тест по модулю ↗

Итоговый проект

1 урок

1. Требования к проекту ↗

Заключение

1 урок

1. Конец курса ↗