Чему вы научитесь
- Самостоятельно построить production‑ready LLM‑приложение с нуля
- Разработать высоконагруженное API на FastAPI с асинхронными эндпоинтами
- Внедрить RAG любой сложности — от простого поиска до гибридного с реранкингом
- Выбрать и настроить векторную БД под свою задачу
- Интегрировать любые локальные модели через Ollama
- Оценить качество системы и понять, где её улучшить
О курсе
Этот курс создан для тех, кто хочет освоить профессию AI-инженера и научиться строить промышленные LLM-приложения с нуля. Мы не будем читать скучные лекции — 70% времени мы посвятим практике, а 30% необходимой теории. Курс охватывает полный цикл разработки: от написания бэкенда на FastAPI и работы с базами данных до контейнеризации в Docker и оценки качества AI-систем. Вы научитесь подключать LLM через API и локально через Ollama, освоите промпт-инжиниринг и построите полноценный RAG-сервис с векторными базами данных. Особое внимание уделим тестированию и метрикам качества, чтобы вы могли создавать не просто работающие, а надёжные и измеримые продукты. Курс подойдёт Python-разработчикам, ML-инженерам и всем, кто хочет перейти в AI-инженерию. Для старта нужен только базовый Python и желание писать код. В финале вы получите готовый production-ready RAG-сервис, который можно добавить в портфолио.
Для кого этот курс
Начальные требования
Что нужно знать для старта:
-
Python на уверенном базовом уровне: циклы, условные операторы, функции, классы и ООП (наследование, методы). Всё остальное изучим по ходу.
-
Базовое понимание HTTP: что такое запрос, ответ, REST API — на уровне чтения документации.
-
Желание развиваться: готовность разбираться в новых технологиях, читать документацию и отлаживать код.
Чего НЕ требуется:
-
Глубокое знание PyTorch/TensorFlow
-
Математика (линейная алгебра, производные, градиенты)
-
Опыт работы с нейросетями или LLM
-
Знание Docker, Kubernetes, облачных платформ — всё освоим на курсе