Чему вы научитесь
- Проектировать RAG‑архитектуру под задачу и ограничения.
- Подготавливать данные для поиска: очистка, chunking, метаданные, обновления.
- Выбирать эмбеддинги и векторное хранилище, настраивать фильтры и индексы.
- Улучшать retrieval: hybrid search, reranking, query rewriting.
- Делать grounded‑ответы: цитаты, отказ, уточнения, промпт‑контракт.
- Оценивать RAG раздельно по retrieval и generation, строить тест‑набор.
- Встраивать проверки качества в CI и мониторинг.
- Закрывать базовые риски безопасности данных и атак на инструкции в запросах/документах.
О курсе
Этот курс про то, как превращать большие языковые модели в полезные и предсказуемые функции продукта, когда ответы должны опираться на ваши данные: документы, вики, базы знаний, внутренние правила. Если просто “прикрутить LLM”, вы быстро упрётесь в уверенные ошибки, непонятные провалы качества и хаос в настройках поиска.
Мы разберём RAG (Retrieval‑Augmented Generation) как инженерную систему: подготовка данных, индекс, retrieval, генерация ответа, цитаты, отказы, оценка качества и эксплуатация. По ходу курса вы будете собирать один и тот же каркас сервиса и постепенно усиливать его: от простого прототипа до решения, которое можно сопровождать в продакшене.
Итог: вы сможете внедрить RAG в реальный проект и объяснить, почему система работает, где она ломается и как это диагностировать.
Для кого этот курс
Python‑разработчики, ML‑инженеры и backend‑разработчики, которые хотят встраивать LLM в продукт и отвечать по своим данным. Уровень: уверенный junior и выше. Курс не подойдёт, если вы не готовы писать код и собирать сервис.
Начальные требования
Python 3.10+ (виртуальные окружения), базовое понимание HTTP/JSON, умение читать логи и работать с git. Желательно: Docker и опыт запуска небольших сервисов. Математика и глубокий ML не требуются.
Наши преподаватели
Как проходит обучение
Каждый урок: 2 теоретических шага (идея и риски → практический разбор) и финальный квиз. По ходу курса вы последовательно собираете один каркас: ingestion → индекс → retrieval → генерация → оценка → прод.
Программа курса
загружаем...
Что вы получаете
- Каркас RAG‑сервиса на FastAPI с конфигами и интерфейсом запросов.
- Набор шаблонов промпт‑контракта (ответ, цитаты, отказ, уточнения).
- Чек‑лист качества retrieval/generation и список типовых провалов.
- Мини‑набор тестовых вопросов и пример скрипта оценки.
- Шпаргалка по прод‑настройкам: кэш, лимиты, деградация, мониторинг.
Сколько стоит обучение
Price:
490 ₽
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.