Чему вы научитесь
- Разворачивать Qdrant в Docker и подключаться к нему разными способами — синхронный/асинхронный клиент, REST и gRPC
- Проектировать модель данных Qdrant: коллекции, точки, конфигурации векторов, payload
- Строить семантический поиск через query_points и управлять компромиссом между точностью (exact) и скоростью (HNSW, hnsw_ef)
- Фильтровать результаты по payload и использовать payload-индексы для быстрого подсчёта и facet-агрегации
- Комбинировать dense- и sparse-векторы в гибридном поиске с RRF
- Экономить память через квантование, не теряя recall
- Реализовывать multitenancy — изоляцию данных разных клиентов в одной коллекции
- Использовать мультивекторы и ColBERT-style late interaction для точного переранжирования
- Настраивать продакшен-эксплуатацию: снапшоты, алиасы без даунтайма, api_key, мониторинг через /metrics
- Подключать Qdrant к LangChain и другим фреймворкам, понимая, где заканчиваются их абстракции
О курсе
Для кого этот курс
Начальные требования
Перед началом желательно знать:
- базовый Python
- базовые операции с Docker пригодятся, но не обязательны — все команды даны в курсе.
Не требуется заранее знать внутреннее устройство HNSW, теорию информации для квантования или архитектуру трансформеров — всё вводится по ходу курса на практических примерах.
Преподаватели курса
Как проходит обучение
Каждый раздел - это теория плюс отдельный ноутбук с практикой. Ноутбук можно скачать и запустить локально в Docker или прямо в Google Colab — без сложной настройки окружения.
Внутри - примеры с разобранным реальным выводом и задания с автопроверкой прямо на Stepik: вы пишете код сами, а не выбираете из готовых вариантов.
Вся практика курса построена на одной сквозной коллекции: вы собираете её один раз в начале и постепенно улучшаете — фильтры, гибридный поиск, квантование, multitenancy — вместо того чтобы каждый раз начинать с нуля. Так это выглядит и в реальной работе с хранилищем.
Что вы получите
- Практический навык проектирования векторного поиска целиком — от модели данных до эксплуатации под нагрузкой, а не «умею вызвать один метод»
- Актуальный, востребованный стек: векторные базы и RAG — одна из ключевых тем в ML/AI-инженерии сейчас, почти любой продукт с поиском по смыслу или LLM-ассистентом упирается в векторное хранилище
- Умение самостоятельно спроектировать и настроить такую систему, а не собирать решение по кусочкам из документации и форумов
- Понимание вопросов, которые обычно всплывают только в проде и редко разбираются в туториалах: экономия памяти при росте данных, изоляция клиентов, безопасность, обновления без даунтайма
- Опыт, который отличает разработчика, «пробовавшего» векторный поиск, от того, кто умеет его эксплуатировать