LLM-системы на Python: RAG, ИИ-агенты и промышленная эксплуатация
Инженерное внедрение LLM в корпоративную среду: от прототипов до промышленных систем с контролем качества, безопасности и стоимости. RAG-архитектура, векторные БД, Evals, Guardrails, Cost Control, On-premise развертывание. Сквозной проект — корпоративный AI-помощник с измеримыми метриками качества и защитой от промпт-инъекций. Для бэкенд-разработчиков, Data Scientist'ов, ML Engineer'ов и архитекторов с опытом от 2 лет.
93%Программа курса
Ознакомьтесь с программой курса «LLM-системы на Python: RAG, ИИ-агенты и промышленная эксплуатация» от Учебный центр IBS - ibs-training.ru
- API, промпты и структурированный вывод. Эволюция LLM-моделей. Работа с API: аутентификация, запросы, обработка ответов. Управление промптами и версионирование (Prompt Management). Структурированный вывод: принудительная генерация JSON/Pydantic-схем. Мониторин…
- Векторные БД и архитектура поиска. Эмбеддинги: что это и как работают. Векторные БД как часть архитектуры RAG. Индексация документов и продвинутый Chunking (семантическое дробление текста). Семантический и гибридный поиск.
- Продвинутый RAG. Построение корпоративной базы знаний. Алгоритмы Retrieval: поиск и извлечение релевантных фрагментов. Reranking: переранжирование результатов поиска. Fallback strategies: стратегии деградации при отказе LLM.
- LLM Evaluation (Метрики и оценка качества). Почему визуальная оценка не работает. RAG quality metrics: precision, recall. Автоматизированное регрессионное тестирование (Evals). Использование LLM-as-a-Judge.
- ИИ-агенты (Agentic Workflows). Переход от чат-ботов к агентам. Function calling / Tool calling: вызов БД и API силами нейросети. Паттерны агентов: ReAct. State machines: LangGraph.
- Безопасность и Guardrails. Уязвимости LLM: Prompt Injection, Jailbreak. Защита данных: Data Masking. Guardrails: валидация и фильтрация ответов ИИ. Ограничения действий агентов.
- Локальные модели и корпоративные ограничения (On-prem). Проблемы регуляторики и InfoSec при использовании облачных LLM. Запуск Open-Source моделей (Llama, Mistral) локально через Ollama и vLLM. Квантование моделей для работы на ограниченном оборудовании.
- Итоговый практикум: Корпоративный ИИ-помощник. Сборка защищённой RAG-системы. Прогон через автоматические тесты качества (Evals). Настройка мониторинга (Observability LLM-приложения). Защита проекта перед экспертом.
- Итого на курс 40 ак. ч.: теория — 15 ак. ч. (38%), практика — 25 ак. ч. (62%).
Чему вы научитесь
- Научитесь уверенно работать с темой: api, промпты и структурированный вывод. эволюция llm моделей. работа с api аутентификация, запросы, обработка ответов. управление промптами и версионирование (prompt management). с…
- Научитесь настраивать и организовывать: итоговый практикум корпоративный ии помощник. сборка защищённой rag системы. прогон через автоматические тесты качества (evals). настройка мониторинга (observability llm приложе…
- Освоите основы: итого на курс 40 ак. ч. теория 15 ак. ч. (38%), практика 25 ак. ч. (62%).
Подробная информация о курсе
Инженерное внедрение LLM в корпоративную среду: от прототипов до промышленных систем с контролем качества, безопасности и стоимости. RAG-архитектура, векторные БД, Evals, Guardrails, Cost Control, On-premise развертывание. Сквозной проект — корпоративный AI-помощник с измеримыми метриками качества и защитой от промпт-инъекций. Для бэкенд-разработчиков, Data Scientist'ов, ML Engineer'ов и архитекторов с опытом от 2 лет.
Цены и сроки
- Стоимость3 500 ₽
- Старая цена49 900 ₽
- Дата началаc Invalid Date
Содержание
- Формат обученияс преподавателем
По окончанию курса
- Диплом или сертификатсертификат
Похожие курсы
LLM-системы на Python: RAG, ИИ-агенты и промышленная эксплуатация
3 500 ₽ 49 900 ₽