ИИ-агенты для оптимизации бизнес-процессов

Программа курса

Ознакомьтесь с программой курса «ИИ-агенты для оптимизации бизнес-процессов» от Школа Больших Данных - bigdataschool.ru

1. LLM: архитектура, сценарии использования и выбор моделей - 2 часа. архитектура LLM (autoencoders, transformers)
2. сценарии использования LLM, промт-инжиниринг
3. основные параметры LLM, критерии выбора.
4. RAG: генерация с расширенным доступом к данным - 4 часа. технология RAG (Retrieval-Augmented Generation) и точки ее приложения в бизнесе анализ возможной архитектуры RAG системы, выбор компонентов CJM создания RAG системы на кастомных данных.
5. Создание чат-бота на основе LLM - 5 часов. архитектура чат-ботов на основе LLM реализация кастомного чат-бота на основе LLM.
6. ИИ ассистенты для разработчиков - 3 часа. разработка в IDE, установка плагинов с ИИ ассистентом
7. основные задачи, которые можно автоматизировать на цикле разработки программного обеспечения (SDLC) с помощью copilot
8. пример разработки приложения.
9. Разработка кастомного ИИ ассистента - 4 часа. архитектура кастомных ИИ агентов
10. обзор платформенных open-source и проприетарных решений для разработки ИИ агентов
11. инструменты langgraph, langchain для разработки AI-агентов
12. реализация ИИ агента на основе langg…
13. Векторные СУБД в архитектуре ИИ ассистентов - 2 часа. обзор возможностей векторных СУБД
14. встраивание векторной СУБД в архитектуру кастомного ИИ агента на примере milvus.
15. Эксплуатация ИИ ассистентов в производственном развертывании - 4 часа. эксплуатация LLM в проде, фреймворк sglang/ollama
16. развертывание, мониторинг, версионирование LLM в проде.
17. middle - 1 час. Дистанционный.

Чему вы научитесь

• Научитесь анализировать и применять: технология rag (retrieval augmented generation) и точки ее приложения в бизнесе анализ возможной архитектуры rag системы, выбор компонентов cjm создания rag сис…
• Освоите и сможете применять: архитектура llm (autoencoders, transformers)
• сценарии использования llm, промт инжиниринг
• основные параметры llm, критерии выбора.
• Освоите и сможете применять: обзор возможностей векторных субд
• встраивание векторной субд в архитектуру кастомного ии агента на примере milvus.
• Освоите и сможете применять: эксплуатация llm в проде, фреймворк sglang/ollama
• развертывание, мониторинг, версионирование llm в проде.
• разработка в IDE, установка плагинов с ИИ ассистентом
• основные задачи, которые можно автоматизировать на цикле разработки программного обеспечения (SDLC) с помощью copilot
• п…