Курс на Stepik
Обложка курса «Проектирование RAG-систем для production» на Stepik
Бесплатно

Проектирование RAG-систем для production ★ 0.000

Открыть на
STEPIK.ORG

Полный курс по проектированию и отладке production RAG-систем: от embeddings и vector DB до hybrid retrieval, reranking и hallucination control. Каждый модуль начинается с реального production-инцидента и строит слой `app/rag/` нашей enterprise-AI-системы.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Проектирование RAG-систем для production»Учеников на курсе 5
Сертификаты, выданные на курсе «Проектирование RAG-систем для production»Сертификатов выдано 0
Отзывы о курсе «Проектирование RAG-систем для production»Отзывов получено 0
Рейтинг курса «Проектирование RAG-систем для production»Рейтинг курса 0.000
Уроки в курсе «Проектирование RAG-систем для production»Количество уроков 36
Тесты в курсе «Проектирование RAG-систем для production»Количество квизов 109
Обновления курса «Проектирование RAG-систем для production»Обновления курса — —
Дата публикации курса «Проектирование RAG-систем для production»Дата публикации курса — ———
Последнее обновление курса «Проектирование RAG-систем для production»Последнее обновление — ———

Чему вы научитесь

  • Построение RAG-пайплайнов на Qdrant + Python
  • Chunking и индексирование документов для production
  • Hybrid retrieval: BM25 + dense search
  • Reranking с cross-encoder моделями
  • Оценка и мониторинг RAG: RAGAS, faithfulness, recall

О курсе

Полный курс по проектированию и отладке production RAG-систем: от embeddings и vector DB до hybrid retrieval, reranking и hallucination control. Каждый модуль начинается с реального production-инцидента и строит слой `app/rag/` нашей enterprise-AI-системы.

Для кого этот курс

Python-разработчики и AI-инженеры с опытом работы с LLM API. Рекомендуется пройти Курс 1 (AI System Architecture) или иметь эквивалентный опыт проектирования backend-систем.

Начальные требования

  • Опыт коммерческой разработки на Python
  • Базовое знакомство с LLM API (OpenAI или аналоги)
  • Понимание async/await в Python
  • Базовое знакомство с Docker и контейнерами

Преподаватели курса

Аватар Alexei Maximov
Alexei Maximov
Алексей Максимов — Разработчик и специалист по поддержке ПО с опытом более 20 лет. Эксперт в C#, .NET, веб-разработке, и...
4 курса 20
→

Как проходит обучение

Каждый модуль: история production-инцидента → архитектура → реализация

Практические задания в репозитории enterprise-ai-assistant

Failure-first подход: сначала показываем, как ломается, потом как чинить

Оценка качества встроена в практику с первого урока

Формат курса

Видео-лекции + архитектурные диаграммы + практические задания в Python

Что вы получите

  • Модуль app/rag/ для enterprise-ai-assistant (git tag v2.0-rag)
  • Библиотека chunking-стратегий под разные типы документов
  • Шаблоны диагностики RAG failure modes
  • Пайплайн RAGAS-оценки для регрессионного тестирования

Нагрузка

27 часов видео + практические задания

Расскажите о курсе друзьям