онлайн-курс
AI Engineering
20 занять
15+ інструментів

СТВОРІТЬ PRODUCTION-READY AI-СИСТЕМУ

Від даних та моделей — до LLM, MLOps і масштабування, щоб перейти від демо до стабільних архітектур

Андрій Білоус

Senior AI Engineer у DataArt

про курс

Цілісне розуміння AI Engineering
10 домашніх завдань
Курсовий проєкт

В реальних AI-системах усе швидко ламається: зростає latency, виходить з-під контролю cost, а якість падає вже після релізу.

На курсі ви навчитеся будувати керований AI pipeline — від data до inference, API, monitoring та scale — і створите production-ready проєкт для портфоліо.

Цей курс для вас, якщо ви:

Software Developer (middle-senior)

отримуєте запити на AI-фічі в продукті, але не маєте досвіду запуску ML/LLM у продакшені — з контролем latency, cost і стабільності, а не на рівні демо

Data Engineer (junior-middle)

працюєте з data pipelines, але хочете розширити роль та будувати інфраструктуру для production ML/LLM-систем: від ingestion і versioning — до інтеграції з MLOps та inference

Tech Lead / Engineering Manager

працюєте з командами, де з’являються ML/LLM-компоненти, але хочете мати спільне розуміння того, як їх розробляти, деплоїти й підтримувати як частину продакшн-системи

QA / DevOps / MLOps

підтримуєте продакшн-системи та хочете тестувати, деплоїти й моніторити AI з урахуванням його специфіки — дрейфу, недетермінізму та деградації якості після релізу

ПІСЛЯ КУРСУ AI ENGINEERING ВИ:

будуєте production data pipelines для AI: ingestion, підготовка, версіювання
інтегруєте ML/DL-моделі в продукт через API та model registry
запускаєте LLM-рішення в продакшені: embeddings, RAG, agents
деплоїте AI як сервіс через Docker і Kubernetes та налаштовуєте CI/CD для моделей
розробляєте AI-системи end-to-end: від даних і моделей — до деплою, підтримки та масштабування

Програма

01 заняття
30.03 19:30

AI Engineering in Real Products
- Розумітимете роль AI Engineer у бізнесі та його відповідальність за результат
- Відрізнятимете AI Engineering від ML, Data та Backend-напрямів
- Інтегруватимете AI як частину продукту, а не окрему «фічу»
- Бачитимете повний AI-lifecycle: від даних і моделі — до продакшену та підтримки
02 заняття
02.04 19:30

Data Engineering for AI
- Проєктуватимете ingestion-архітектуру під різні типи даних
- Працюватимете з PDF, DOCX і HTML, зокрема з OCR для неструктурованих джерел
- Реалізовуватимете streaming ingestion із використанням черг і батчингу
- Застосовуватимете data versioning для контролю змін і відтворюваності даних
03 заняття
09.04 19:30

Production Data Pipelines
- Виконуватимете cleaning, normalization та deduplication даних
- Застосовуватимете chunking для підготовки даних до обробки моделями
- Будуватимете metadata pipelines для керування контекстом і походженням даних
- Працюватимете з feature stores для повторного використання та консистентності фіч

04 заняття
13.04 19:30

Classical ML in Production
- Будуватимете пайплайни навчання моделей за допомогою scikit-learn
- Організовуватимете training і validation для коректної оцінки моделей
- Використовуватимете MLflow для трекінгу експериментів і метрик
- Працюватимете з model registry для керування версіями моделей та релізами
05 заняття
16.04 19:30

PyTorch for Real Systems
- Запускатимете нейронні мережі в продакшені з урахуванням вимог до стабільності й масштабування
- Оптимізуватимете інференс за допомогою GPU та batching
- Зберігатимете й завантажуватимете ваги моделей для відтворюваності та оновлень
06 заняття
20.04 19:30

LLM Engineering (API + Self-hosted)
- Орієнтуватиметеся в екосистемі OpenAI, Claude та open-source моделей
- Оцінюватимете tokenomics і latency під бізнес- та продуктні сценарії
- Розгортатимете й використовуватимете self-hosted моделі через Ollama
07 заняття
23.04 19:30

Embeddings & Semantic Systems
- Працюватимете з embeddings для представлення тексту і даних у векторному вигляді
- Застосовуватимете similarity search для пошуку релевантного контенту
- Використовуватимете базову vector math для порівняння, кластеризації та ранжування результатів
08 заняття
27.04 19:30

Vector Databases in Production
- Працюватимете з векторними базами даних Qdrant, FAISS і Pinecone
- Реалізовуватимете hybrid search на базі BM25 і векторного пошуку
- Налаштовуватимете filtering для точного контролю результатів пошуку
09 заняття
30.04 19:30

RAG Systems (Enterprise Level)
- Застосовуватимете різні chunking-стратегії залежно від типу даних і сценарію використання
- Налаштовуватимете retrievers для ефективного отримання релевантного контексту
- Керуватимете context window моделей, щоби балансувати якість відповідей та вартість обробки
10 заняття
04.05 19:30

API Layer for AI Systems
- Розроблятимете API для AI-сервісів на FastAPI
- Використовуватимете async для ефективної роботи з конкурентними запитами
- Запускатимете background jobs для довгих задач без блокування сервісу
- Налаштовуватимете Redis cache та rate limiting для стабільності й контролю навантаження
11 заняття
07.05 19:30

AI Agents & Tool Orchestration
- Проєктуватимете архітектуру агентів під бізнес- і продуктні сценарії
- Застосовуватимете підхід ReAct для поєднання reasoning та дій
- Налаштовуватимете tool calling для взаємодії агентів із зовнішніми сервісами
- Будуватимете агентні workflow за допомогою LangGraph
12 заняття
14.05 19:30

MLOps Foundations
- Використовуватимете MLflow і model registry для керування версіями моделей та релізами
- Застосовуватимете DVC для версіювання даних та відтворюваності експериментів
- Налаштовуватимете CI/CD-пайплайни для автоматизації навчання та деплою моделей
- Запускатимете canary deploy для безпечного оновлення моделей в продакшені
13 заняття
18.05 19:30

Containers for AI
- Контейнеризуватимете AI-сервіси за допомогою Docker
- Використовуватимете multi-stage збірки для зменшення розміру образів та швидших деплоїв
- Запускатимете GPU-контейнери для ефективного інференсу та навчання моделей
14 заняття
21.05 19:30

Kubernetes for AI Systems
- Розгортатимете AI-сервіси в Kubernetes
- Використовуватимете Helm для керування конфігураціями та релізами
- Налаштовуватимете HPA для автоматичного масштабування під навантаження
- Виконуватимете rolling updates без простоїв сервісу
15 заняття
25.05 19:30

Production AI: Monitoring & Drift
- Виявлятимете model drift і реагуватимете на деградацію якості моделей
- Відстежуватимете document drift і зміни вхідних даних
- Будуватимете observability для AI-сервісів з використанням Prometheus і Grafana
- Налаштовуватимете alerting для швидкої реакції на інциденти в продакшені
16 заняття
28.05 19:30

MCP (Model Context Protocol): AI Tools Architecture
- Розумітимете, що таке MCP (Model Context Protocol) і навіщо він з’явився
- Пояснюватимете, яку проблему MCP розв’язує в продакшн AI-системах: хаос tools, vendor lock-in і відсутність стандарту
- Орієнтуватиметеся в архітектурі MCP та ролях Host, Client і Server
- Відрізнятимете MCP від OpenAI function calling, LangChain tools і класичних microservices
- Уявлятимете, як MCP працює в реальному продукті: з локальними інструментами, корпоративними API та sandbox-середовищами
17 заняття
01.06 19:30

LLM Fine-Tuning in Production
- Розрізнятимете fine-tuning, RAG і prompting та обиратимете підхід під задачу
- Застосовуватимете PEFT-підходи: LoRA, QLoRA та adapters для ефективного донавчання моделей
- Проєктуватимете dataset для instruction-tuning з урахуванням якості й масштабу
- Використовуватимете label masking (### RESPONSE:) для коректного навчання моделей
- Оцінюватимете inference cost після fine-tuning та його вплив на продакшн
18 заняття
04.06 19:30

Production LLM Inference Systems
- Орієнтуватиметеся в inference-рушіях vLLM, Triton і TGI та обиратимете їх під продакшн-сценарії
- Використовуватимете KV cache для зменшення затримок і вартості інференсу
- Налаштовуватимете dynamic batching для ефективної обробки конкурентних запитів
- Реалізовуватимете token streaming для швидкого time-to-first-token
- Плануватимете latency budget і балансуватимете швидкість, вартість та якість відповідей
19 заняття
08.06 19:30

LLM Evaluation, Safety & Guardrails
- Виявлятимете галюцинації моделей та зменшуватимете їхній вплив у продакшені
- Захищатимете системи від prompt injection і зловмисних інструкцій
- Детектуватимете і маскуватимете PII для відповідності вимогам безпеки
- Оцінюватимете faithfulness і groundedness відповідей відносно джерел
- Будуватимете LLM eval pipelines для регулярної перевірки якості, безпеки та стабільності моделей
20 заняття
15.06 19:30

System Design for AI Products + Demo Day
- Орієнтуватиметеся в AI-native архітектурних патернах і застосовуватимете їх у продакшн-системах
- Проєктуватимете AI gateway для маршрутизації запитів, політик доступу та контролю якості
- Розділятимете систему на retrieval, reasoning і memory, щоб керувати складністю і масштабуванням
- Налаштовуватимете failover, fallbacks і circuit breakers для стабільної роботи під інцидентами та піками
- Презентуєте демо фінальних завдань і аргументуєте архітектурні рішення та trade-offs

лектор

Андрій Білоус

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

спеціалізується на побудові production-ready GenAI систем: RAG, multi-agent architectures, LLM copilots і document intelligence для реальних бізнес-сценаріїв
проєктував і впроваджував AI-пайплайни для парсингу фінансових даних (bond deal emails) з використанням preprocessing, prompt engineering (Claude / GPT через AWS Bedrock)
будував agent-based рішення з multi-turn пам’яттю, function calling та інтеграцією з бізнес-процесами
5+ років досвіду у Fullstack- та AI-розробці в продуктових і enterprise-проєктах, загалом понад 12 років досвіду в ІТ

ВИМОГИ ДЛЯ СТАРТУ

Щоб комфортно навчатися на курсі, вам потрібно знати Python або іншу мову програмування на рівні написання робочого коду. Мати практичний досвід роботи з Git.

реєстрація

Приєднуйтесь до курсу, щоб опанувати повний цикл створення AI-продуктів та бути конкурентним на ринку як AI Engineer.