AI Engineering Fundamentals — практический курс по основам AI-инженерии, разработке приложений на базе больших языковых моделей (LLM), созданию RAG-систем и интеллектуальных AI-агентов. Программа охватывает весь процесс разработки современных AI-решений: от понимания архитектуры и принципов работы языковых моделей до создания, оценки и развертывания полноценных приложений с искусственным интеллектом.
В ходе обучения вы познакомитесь с устройством современных LLM, включая GPT, DeepSeek, Qwen и Gemma, разберетесь в процессах предварительного обучения (Pre-training), дополнительного обучения (Fine-tuning), SFT и RLHF. Вы узнаете, как модели генерируют текст, обрабатывают контекст, выполняют сложные рассуждения и взаимодействуют с внешними инструментами.
Особое внимание уделяется практическому применению технологий. Вы научитесь создавать RAG-пайплайны для поиска и генерации ответов на основе документов, разрабатывать AI-агентов с доступом к интернету, использовать протокол MCP и современные подходы к построению агентных систем.
Курс построен вокруг четырех практических проектов, каждый из которых помогает закрепить изученные концепции и освоить инструменты современной AI-инженерии.
Чему вы научитесь
- Разрабатывать приложения на базе LLM: создавать собственные интерфейсы для взаимодействия с языковыми моделями и запускать модели локально.
- Понимать архитектуру языковых моделей: изучите Transformers, токенизацию, предварительное и дополнительное обучение, методы генерации текста и оценки качества моделей.
- Применять Prompt Engineering и Context Engineering: использовать Zero-shot, Few-shot, Chain-of-Thought, ролевые промпты, управление контекстом и методы его оптимизации.
- Создавать RAG-системы: обрабатывать документы, разбивать их на фрагменты, строить векторные индексы, выполнять семантический поиск с FAISS и генерировать ответы на основе найденной информации.
- Оценивать качество AI-приложений: проверять релевантность контекста, достоверность ответов, точность генерации и устойчивость систем к галлюцинациям.
- Разрабатывать интеллектуальных AI-агентов: подключать внешние инструменты, реализовывать поиск в интернете, планирование действий и многошаговое выполнение задач.
- Использовать MCP и агентные паттерны: освоите Tool Calling, Routing, Reflection, ReAct, Orchestrator-Worker и принципы взаимодействия нескольких агентов.
- Работать с reasoning-моделями: разберетесь в механизмах рассуждения, методах Inference-time Scaling, Parallel Sampling, Tree of Thoughts и подходах к обучению моделей рассуждению.
- Развертывать AI-решения: запускать языковые модели на собственном оборудовании и создавать приложения, объединяющие поиск, генерацию и интеллектуальное выполнение задач.
Программа курса
Модуль 1. Основы LLM и создание LLM Playground
Изучение архитектуры больших языковых моделей и полного цикла их разработки — от подготовки обучающих данных до генерации ответов.
Основные темы:
- Сбор и подготовка данных для обучения LLM.
- Очистка данных с использованием подходов RefinedWeb, Dolma и FineWeb.
- Токенизация и алгоритм Byte Pair Encoding (BPE).
- Нейронные сети, архитектура Transformer и семейства современных LLM.
- Методы генерации текста: Greedy Search, Beam Search, Top-k и Top-p.
- Supervised Fine-Tuning (SFT), Reinforcement Learning и RLHF.
- Метрики, бенчмарки и методы оценки качества языковых моделей.
- Общая архитектура чат-ботов на базе LLM.
Практический проект: создание LLM Playground — приложения для взаимодействия с языковыми моделями, экспериментов с параметрами генерации и изучения их возможностей.
Модуль 2. Prompt Engineering, Fine-Tuning и разработка RAG-чат-бота
Изучение методов адаптации языковых моделей под конкретные задачи и построения систем генерации ответов с использованием внешних источников знаний.
Основные темы:
- Методы адаптации LLM и Parameter-Efficient Fine-Tuning (PEFT).
- Дообучение моделей с использованием Adapters и LoRA.
- Zero-shot, Few-shot и Chain-of-Thought Prompting.
- Контекстная инженерия и управление информацией в промптах.
- Архитектура Retrieval-Augmented Generation (RAG).
- Извлечение, обработка и разбиение документов на фрагменты.
- Индексация данных и построение векторных представлений.
- Семантический поиск, Embeddings и FAISS.
- Поиск ближайших соседей: Exact и Approximate Nearest Neighbor.
- RAFT и методы повышения качества RAG-систем.
- Оценка релевантности контекста, достоверности и корректности ответов.
Практический проект: создание интеллектуального чат-бота технической поддержки на базе RAG, способного находить необходимую информацию в документах и формировать контекстно-зависимые ответы.
Модуль 3. Разработка AI-агентов и мультиагентных систем
Знакомство с архитектурой интеллектуальных агентов, способных самостоятельно планировать действия, взаимодействовать с инструментами и выполнять многоэтапные задачи.
Основные темы:
- Различия между LLM, AI-агентами и агентными системами.
- Уровни автономности и архитектуры агентных приложений.
- Prompt Chaining и построение последовательных рабочих процессов.
- Routing, Parallelization и Reflection.
- Паттерн Orchestrator-Worker.
- Подключение и выполнение внешних инструментов через Tool Calling.
- Model Context Protocol (MCP).
- Планирование и многошаговое выполнение задач.
- Агентные паттерны ReAct, Reflexion и ReWOO.
- Древовидный поиск и выбор оптимальных действий.
- Архитектура мультиагентных систем и протокол A2A.
- Методы тестирования и оценки AI-агентов.
Практический проект: разработка Ask-the-Web Agent — интеллектуального поискового агента, работающего по принципам Perplexity. Приложение сможет искать информацию в интернете, анализировать найденные источники и формировать ответы на вопросы пользователя.
Модуль 4. Reasoning-модели и создание Deep Research Agent
Изучение современных моделей, способных выполнять сложные рассуждения, и методов повышения качества решения многоэтапных задач.
Основные темы:
- Архитектура и особенности reasoning-моделей, включая DeepSeek-R1 и модели OpenAI.
- Механизмы рассуждения и Chain-of-Thought.
- Inference-time Scaling — увеличение вычислительных ресурсов на этапе генерации.
- Parallel Sampling и Sequential Sampling.
- Tree of Thoughts (ToT).
- Поиск решений с использованием верификаторов.
- Supervised Fine-Tuning на данных с рассуждениями.
- Обучение с подкреплением и автоматической проверкой результатов.
- Reward Modeling: ORM и PRM.
- Self-Refinement и методы улучшения рассуждений.
- Meta-CoT и подходы к обучению сложным стратегиям рассуждения.
- Локальный запуск и использование языковых моделей.
Практический проект: создание Deep Research Agent — интеллектуального исследовательского агента, объединяющего веб-поиск, анализ источников и reasoning-модели для проведения многоэтапных исследований и подготовки развернутых ответов.
Для кого этот курс
Курс будет полезен:
- Software Engineers и Backend-разработчикам, которые хотят освоить разработку приложений с использованием LLM и AI-агентов.
- AI Engineers и ML Engineers, заинтересованным в современных подходах к построению RAG-систем, агентных архитектур и работе с reasoning-моделями.
- Fullstack-разработчикам, планирующим интегрировать генеративный искусственный интеллект в веб-приложения и цифровые продукты.
- Техническим специалистам и архитекторам, которым необходимо понимать устройство современных AI-систем и принципы их проектирования.
- Разработчикам, начинающим карьеру в AI Engineering, которые хотят получить системное представление об основных технологиях и закрепить знания на практических проектах.
Результат обучения
После завершения курса вы будете понимать, как устроены и работают современные большие языковые модели, какие методы используются для их адаптации и как создавать приложения на их основе.
Вы получите практический опыт разработки четырех AI-проектов: LLM Playground, RAG-чат-бота технической поддержки, Ask-the-Web Agent и Deep Research Agent.
Главный результат обучения — системное понимание современной AI-инженерии и навыки, необходимые для проектирования, разработки и развертывания интеллектуальных приложений на базе LLM, RAG и AI-агентов.