AI Engineering
Навчіться будувати production-ready AI-системи: від даних та моделей — до LLM, MLOps і масштабування
Андрій Білоус
Senior AI Engineer у DataArt
про курс
-
Цілісне розуміння AI Engineering
-
10 домашніх завдань
-
Курсовий проєкт
Підключити модель — не означає запустити AI в продакшені. В реальних системах усе швидко ламається: росте latency, втрачається контроль над cost, якість падає вже після релізу. AI Engineering — це про контроль.
На курсі ви навчитеся будувати керований AI pipeline — від data до inference, API, monitoring та scale — і отримаєте production-ready проєкт у портфоліо.
Цей курс для вас, якщо ви:
ПІСЛЯ КУРСУ AI ENGINEERING ВИ:
-
будуєте AI-системи end-to-end: від даних і моделей — до деплою, підтримки та масштабування
-
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
-
моніторите якість і стабільність AI після релізу: drift, latency, алерти, guardrails
-
захищаєте system design і маєте готовий AI-проєкт у портфоліо
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.
лектор
Андрій Білоус
Senior AI Engineer у DataАrt
-
5+ років досвіду у Fullstack- та AI-розробці в продуктових і enterprise-проєктах, загалом понад 12 років досвіду в ІТ
-
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
-
має сильний бекграунд у Fullstack (React, Node.js, Python), хмарних платформах ( AWS, Azure AI ) та архітектурі мікросервісів; поєднує інженерну глибину з продуктовим мисленням
-
працював Javascript Fullstack Developer with AI в EPAM Systems
Програма
-
01 заняття30.03 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 заняття02.04 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 заняття09.04 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 заняття13.04 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 заняття16.04 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 заняття20.04 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 заняття23.04 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 заняття27.04 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 заняття30.04 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 заняття04.05 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 заняття07.05 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 заняття14.05 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 заняття18.05 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 заняття21.05 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 заняття25.05 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 заняття28.05 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 заняття01.06 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 заняття04.06 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 заняття08.06 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 заняття15.06 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
реєстрація
Приєднуйтесь до курсу, щоб опанувати повний цикл створення AI-продуктів та бути конкурентним на ринку як AI Engineer.