Чему вы научитесь
- Подключать внешние и локальные языковые модели через OpenAI, Anthropic, Ollama и vLLM.
- Создавать на FastAPI шлюз, который выбирает подходящую модель для запроса.
- Строить поиск по документам и помощника на RAG, PostgreSQL и pgvector.
- Обрабатывать сканы, изображения и аудио с помощью OCR, ASR и TTS.
- Разрабатывать AI-агентов с памятью и управляемыми действиями на LangGraph.
- Подключать внешние инструменты к агенту через MCP.
- Готовить данные и дообучать модели с помощью LoRA и QLoRA.
- Оценивать качество ответов, скорость работы и стоимость AI-систем.
- Защищать данные и проверять, как сервис ведёт себя при ошибках.
О курсе
AI Engineer на Python это продолжение курса "AI Developer на Python: LLM в реальных приложениях". В первом курсе вы учились добавлять возможности языковых моделей в Python-приложения: работать с LLM API, получать структурированные ответы, подключать инструменты и создавать AI Backend.
А здесь вы пойдёте еще дальше, и научитесь проектировать системы, в которых несколько моделей, данные и внешние сервисы работают вместе.
В этом курсе вы создадите четыре самостоятельных проекта, где каждый решает отдельную задачу, и каждый можно запустить и показать как результат своей работы.
-
Model Gateway — единый шлюз для языковых моделей. Разработаете сервис на FastAPI, через который приложение сможет обращаться к OpenAI, Anthropic и локальным моделям в Ollama и vLLM. Научитесь сравнивать модели по качеству, скорости и стоимости, выбирать подходящую для задачи и переключаться на резервную при сбое.
-
Knowledge Assistant — помощник по документам. Создадите базу знаний с поиском на PostgreSQL и pgvector и ответами на основе найденных источников через RAG. Помощник будет работать не только с текстовыми файлами, но и со сканами, изображениями и аудио: извлекать текст через OCR и ASR, анализировать изображения и озвучивать ответы с помощью TTS.
-
Workflow Agent — агент для обработки заявок. Построите на LangGraph процесс, в котором агент помнит состояние задачи, выполняет разрешённые действия и может продолжить работу после паузы или сбоя. Через MCP подключите к нему внешние инструменты и научитесь контролировать их использование.
-
Ticket Classifier Lab — классификатор обращений. Подготовите набор данных, дообучите небольшую языковую модель с помощью LoRA и QLoRA и сравните её с исходной моделью на независимых примерах. Затем создадите API, через который классификатор можно использовать в приложении.
Работа над проектами сопровождается проверкой качества ответов, скорости, стоимости и надёжности решений. Вы будете писать и запускать код, проводить эксперименты и разбирать ошибки, которые возникают в реальных AI-сервисах.
Курс построен вокруг практики: вы будете писать код, запускать сервисы, проверять ответы моделей и разбирать ошибки. Отдельное внимание уделяется качеству, скорости, стоимости и безопасности AI-систем.
Перед началом желательно пройти курс "AI Developer на Python: LLM в реальных приложениях". Мы опираемся на его материалы и не повторяем с нуля основы LLM API, FastAPI и разработки AI-функций. Если у вас уже есть сопоставимый опыт работы с Python и языковыми моделями, можно начать и без первого курса.
Для кого этот курс
Начальные требования
Для прохождения курса необходимо:
- уверенно писать на Python
- понимать HTTP и REST API, уметь создавать сервисы на FastAPI и Pydantic
- иметь опыт работы с LLM API: отправлять запросы и получать структурированные ответы
Как проходит обучение
Курс состоит из десяти модулей. Каждый модуль включает:
- понятные теоретические уроки с объяснением технологий и их ограничений
- пошаговую практику на Python, вы пишете код, запускаете сервисы и проверяете результат
- работу над одним из четырёх самостоятельных проектов
- разбор архитектурных решений, типичных ошибок и способов их исправления
- эксперименты с моделями и проверку качества, скорости и стоимости
- задания и самостоятельные изменения для закрепления материала
Программа курса
В курс входят
- 55 уроков
- 231 тест
- 99 интерактивных задач
Наши преподаватели
