Чему вы научитесь
- Объяснять, что делает System One модель и в каких сценариях она может быть полезной
- Составлять запросы в форматах Noul, Choice и Score через TypeSafe SDK
- Запускать открытые решающие модели локально и сравнивать их работу
- Изучите паттерны проектирования LLM-решений: router, cascade, guardrails, reranker и relevance filter
- Строить гибридные системы, в которых участвую System One-модель, LLM и человек
- Проверять калибровку модели на отложенной выборке и выбирать порог на основе цены ошибок
- Добавлять ретраи, фолбеки и логи, чтобы система была надежной и прозрачной
- Считать стоимость успешного решения
О курсе
Для кого этот курс
- Python-разработчики, которые вызывают LLM по API и хотят убрать её оттуда, где она работает как дорогой "if"
- AI-инженеры, которые хотят разобраться с новым классом моделей и научиться внедрять их в свои системы
- Тимлиды и архитекторы, которые решают, нужен ли в стеке новый тип модели и сколько это будет стоить
- Энтузиасты, которые интересуются IT и AI, чтобы чувствовать себя уверенней в активном меняющемся мире
Начальные требования
Нужно уметь:
- писать на Python 3.10+: словари, f-строки, try/except, dataclass, Enum;
- работать в терминале и с git на базовом уровне (клонировать репозиторий, запускать команды);
- вызывать LLM по API;
- понимать, что такое HTTP-запрос, заголовок, тело и коды ответа 401, 429, 500, и как выглядит корректный JSON.
Знать машинное обучение не нужно. В первом модуле есть входной тест, который покажет, чего не хватает, до начала основной части.
Преподаватели курса
7 118
Как проходит обучение
Курс состоит из вводного модуля и пяти основных: введение в System One модели, локальные модели, оценка качества и калибровка, System Design Patterns, Production. Заканчивается курс финальным модулем с демонстрацией приложения TicketDesk и выбором вашего проекта.
Уроки состоят из текстовых шагов с кодом и проверочных вопросов. Весь код лежит в репозитории курса, примеры запускаются на вашем компьютере. Термины и код объясняются в шагах курса.
Финальный проект можно отправить автору курса на персональное ревью. Это совершенно бесплатно! Если вы стесняетесь, в последнем уроке модуля есть чек-лист, по которому вы можете оценить свою работу сами.
Что вы получите
- Знания и опыт с новым классом моделей (это самое важное)
- Работающий сервис разбора тикетов поддержки на Python
- Собственный финальный проект: фильтр спама, судья для агента или лейблер для pull request