Чему вы научитесь
- Работать с эмбеддингами и векторными БД (Qdrant, pgvector): коллекции, индексы, фильтры
- Резать документы на чанки без потери смысла и собирать RAG
- Диагностировать, почему RAG выдаёт мусор: retrieval или генерация
- Применять гибридный поиск, реранкинг и трансформацию запроса
- Измерять качество: recall@k, faithfulness, RAGAS, золотой набор
- Бороться с галлюцинациями: заземление, guardrails, защита от prompt injection
- Строить продвинутые архитектуры: small-to-big, contextual retrieval, GraphRAG, text-to-SQL, агентный RAG
О курсе
Соберёте RAG-систему, которая находит информацию в документах и отвечает с указанием источников. В основе — Qdrant, OpenAI и FastAPI.
Для кого этот курс
- Разработчики, которые хотят строить LLM-приложения
- Бэкендеры, которым нужно подключить к модели приватные и свежие знания
- ML/AI-инженеры
Начальные требования
-
Уверенный Python: функции, классы, работа с пакетами
-
Базовое знакомство с LLM и API (полезно, но не обязательно)
-
Знакомство с командной строкой
Преподаватели курса
620
Нагрузка
4-5 часов в неделю