онлайн-курс
AI Engineering
20 заняий
15+ инструментов

СОЗДАЙТЕ PRODUCTION-READY AI-СИСТЕМУ

От данных и моделей — к LLM, MLOps и масштабирования, чтобы перейти от демо к стабильным архитектурам

Андрей Белоус

Senior AI Engineer у DataArt

О курсе

Цельное понимание AI Engineering
10 домашних заданий
Курсовой проект

В реальных AI-системах все быстро ломается: растет latency, выходит из-под контроля cost, а качество падает уже после релиза.

На курсе вы научитесь строить управляемый AI pipeline — от data до inference, API, monitoring и scale — и создайте production-ready проект для портфолио.

Этот курс для вас, если вы:

Software Developer (middle-senior)

получаете запросы на AI-фичи в продукте, но не имеете опыта запуска ML/LLM в продакшене — с контролем latency, cost и стабильности, а не на уровне демо

Data Engineer (junior-middle)

работаете с data pipelines, но хотите расширить роль и строить инфраструктуру для production ML/LLM-систем: от ingestion и versioning — до интеграции с MLOps и inference

Tech Lead / Engineering Manager

работаете с командами, где появляются ML/LLM-компоненты, но хотите иметь общее понимание того, как их разрабатывать, деплоить и поддерживать как часть продакшн-системы

QA / DevOps / MLOps

поддерживаете продакшн-системы и хотите тестировать, деплоить и мониторить AI с учетом его специфики — дрейфа, недетерминизма и деградации качества после релиза

ПОСЛЕ КУРСА AI ENGINEERING ВЫ:

строите production data pipelines для AI: ingestion, подготовка, версионирование
интегрируете ML/DL-модели в продукт через API и model registry
запускаете LLM-решения в продакшене: embeddings, RAG, agents
деплоите AI как сервис через Docker и Kubernetes и настраиваете CI/CD для моделей
разрабатываете AI-системы end-to-end: от данных и моделей — до деплоя, поддержки и масштабирования

Программа

01 занятие
30.03 19:30

AI Engineering in Real Products
- Будете понимать роль AI Engineer в бизнесе и его ответственность за результат
- Будете отличать AI Engineering от ML, Data и Backend-направлений
- Будете интегрировать AI как часть продукта, а не отдельную «фичу»
- Будете видеть полный AI-lifecycle: от данных и модели — до продакшена и поддержки
02 занятие
02.04 19:30

Data Engineering for AI
- Будете проектировать ingestion-архитектуру под разные типы данных
- Будете работать с PDF, DOCX и HTML, в частности с OCR для неструктурированных источников
- Будете реализовывать streaming ingestion с использованием очередей и батчинга
- Будете применять data versioning для контроля изменений и воспроизводимости данных
03 занятие
09.04 19:30

Production Data Pipelines
- Будете выполнять cleaning, normalization и deduplication данных
- Будете применять chunking для подготовки данных к обработке моделями
- Будете строить metadata pipelines для управления контекстом и происхождением данных
- Будете работать с feature stores для повторного использования и консистентности фич

04 занятие
13.04 19:30

Classical ML in Production
- Будете строить пайплайны обучения моделей с помощью scikit-learn
- Будете организовывать training и validation для корректной оценки моделей
- Будете использовать MLflow для трекинга экспериментов и метрик
- Будете работать с model registry для управления версиями моделей и релизами
05 занятие
16.04 19:30

PyTorch for Real Systems
- Будете запускать нейронные сети в продакшене с учетом требований к стабильности и масштабированию
- Будете оптимизировать инференс с помощью GPU и batching
- Будете хранить и загружать весы моделей для воспроизводимости и обновлений
06 занятие
20.04 19:30

LLM Engineering (API + Self-hosted)
- Будете ориентироваться в экосистеме OpenAI, Claude и open-source моделей
- Будете оценивать tokenomics и latency под бизнес- и продуктные сценарии
- Будете развертывать и использовать self-hosted модели через Ollama
07 занятие
23.04 19:30

Embeddings & Semantic Systems
- Будете работать с embeddings для представления текста и данных в векторном виде
- Будете применять similarity search для поиска релевантного контента
- Будете использовать базовую vector math для сравнения, кластеризации и ранжирования результатов
08 занятие
27.04 19:30

Vector Databases in Production
- Будете работать с векторными базами данных Qdrant, FAISS и Pinecone
- Будете реализовывать hybrid search на базе BM25 и векторного поиска
- Будете настраивать filtering для точного контроля результатов поиска
09 занятие
30.04 19:30

RAG Systems (Enterprise Level)
- Будете применять различные chunking-стратегии в зависимости от типа данных и сценария использования
- Будете настраивать retrievers для эффективного получения релевантного контекста
- Будете управлять context window моделей, чтобы балансировать качество ответов и стоимость обработки
10 занятие
04.05 19:30

API Layer for AI Systems
- Будете разрабатывать API для AI-сервисов на FastAPI
- Будете использовать async для эффективной работы с конкурентными запросами
- Будете запускать background jobs для долгих задач без блокировки сервиса
- Будете настраивать Redis cache и rate limiting для стабильности и контроля нагрузки
11 занятие
07.05 19:30

AI Agents & Tool Orchestration
- Будете проектировать архитектуру агентов под бизнес- и продуктные сценарии
- Будете применять подход ReAct для сочетания reasoning и действий
- Будете настраивать tool calling для взаимодействия агентов с внешними сервисами
- Будете строить агентные workflow с помощью LangGraph
12 занятие
14.05 19:30

MLOps Foundations
- Будете использовать MLflow и model registry для управления версиями моделей и релизами
- Будете применять DVC для версионирования данных и воспроизводимости экспериментов
- Будете настраивать CI/CD-пайплайны для автоматизации обучения и деплоя моделей
- Будете запускать canary deploy для безопасного обновления моделей в продакшене
13 занятие
18.05 19:30

Containers for AI
- ОБудете контейнеризировать AI-сервисы с помощью Docker
- Будете использовать multi-stage сборки для уменьшения размера образов и более быстрых деплой
- Будете запускать GPU-контейнеры для эффективного инференса и обучения моделей
14 занятие
21.05 19:30

Kubernetes for AI Systems
- Будете развертывать AI-сервисы в Kubernetes
- Будете использовать Helm для управления конфигурациями и релизами
- Будете настраивать HPA для автоматического масштабирования под нагрузку
- Будете выполнять rolling updates без простоев сервиса
15 занятие
25.05 19:30

Production AI: Monitoring & Drift
- Будете обнаруживать model drift и реагировать на деградацию качества моделей
- Будете отслеживать document drift и изменения входных данных
- Будете строить observability для AI-сервисов с использованием Prometheus и Grafana
- Будете настраивать alerting для быстрой реакции на инциденты в продакшене
16 занятие
28.05 19:30

MCP (Model Context Protocol): AI Tools Architecture
- Будете понимать, что такое MCP (Model Context Protocol) и зачем он появился
- Будете объяснять, какую проблему MCP решает в продакшн AI-системах: хаос tools, vendor lock-in и отсутствие стандарта
- Будете ориентироваться в архитектуре MCP и ролях Host, Client и Server
- Будете отличать MCP от OpenAI function calling, LangChain tools и классических microservices
- Будете представлять, как MCP работает в реальном продукте: с локальными инструментами, корпоративными API и sandbox-средами
17 занятие
01.06 19:30

LLM Fine-Tuning in Production
- Будете различать fine-tuning, RAG и prompting и выбирать подход под задачу
- Будете применять PEFT-подходы: LoRA, QLoRA и adapters для эффективного дообучения моделей
- Будете проектировать dataset для instruction-tuning с учетом качества и масштаба
- Будете использовать label masking (### RESPONSE:) для корректного обучения моделей
- Будете оценивать inference cost после fine-tuning и его влияние на продакшн
18 занятие
04.06 19:30

Production LLM Inference Systems
- Будете ориентироваться в inference-движках vLLM, Triton и TGI и выбирать их под продакшн-сценарии
- Будете использовать KV cache для уменьшения задержек и стоимости инференса
- Будете настраивать dynamic batching для эффективной обработки конкурентных запросов
- Будете реализовывать token streaming для быстрого time-to-first-token
- Будете планировать latency budget и балансировать скорость, стоимость и качество ответов
19 занятие
08.06 19:30

LLM Evaluation, Safety & Guardrails
- Будете выявлять галлюцинации моделей и уменьшать их влияние в продакшене
- Будете защищать системы от prompt injection и злонамеренных инструкций
- Будете детектировать и маскировать PII для соответствия требованиям безопасности
- Будете оценивать faithfulness и groundedness ответов относительно источников
- Будете строить LLM eval pipelines для регулярной проверки качества, безопасности и стабильности моделей
20 занятие
15.06 19:30

System Design for AI Products + Demo Day
- Будете ориентироваться в AI-native архитектурных паттернах и применять их в продакшн-системах
- Будете проектировать AI gateway для маршрутизации запросов, политик доступа и контроля качества
- Будете разделять систему на retrieval, reasoning и memory, чтобы управлять сложностью и масштабированием
- Будете настраивать failover, fallbacks и circuit breakers для стабильной работы под инцидентами и пиками
- Представите демо финальных задач и аргументируете архитектурные решения и trade-offs

лектор

Андрій Білоус

Senior AI Engineer у DataАrt, former Javascript Fullstack Developer with AI в EPAM

специализируется на построении production-ready GenAI систем: RAG, multi-agent architectures, LLM copilots и document intelligence для реальных бизнес-сценариев
проектировал и внедрял AI-пайплайны для парсинга финансовых данных (bond deal emails) с использованием preprocessing, prompt engineering (Claude / GPT через AWS Bedrock)
строил agent-based решения с multi-turn памятью, function calling и интеграцией с бизнес-процессами
5+ лет опыта во Fullstack- и AI-разработке в продуктовых и enterprise-проектах, в общей сложности более 12 лет опыта в IT

ТРЕБОВАНИЯ ДЛЯ СТАРТА

Чтобы учиться на курсе, вам нужно знать Python или другой язык программирования на уровне написания рабочего кода. Иметь практический опыт работы с Git.

регистрация

Присоединяйтесь к курсу, чтобы освоить полный цикл создания AI-продуктов и быть конкурентным на рынке как AI Engineer.