Курс рассчитан на разработчиков и других технических специалистов, которые хотят создавать ИИ-приложения на базе больших языковых моделей. Также обучение LLM будет полезно специалистам по машинному обучению, DevOps и автотестировщикам.

Для успешного прохождения программы нужно уверенно владеть языком программирования Python.

Наше LLM-обучение предполагает отработку навыков на четырёх крупных проектах.

Сначала вы создадите инструмент для команды разработки, который разбирает отчёты об ошибках и отвечает на вопросы по документации. Затем соберёте агента поддержки интернет-магазина. Дальше запустите открытую модель внутри компании — для работы с документами, где есть персональные данные.

В финальном проекте выведете одно из трёх решений или собственную задачу в рабочую среду — на сервере, под нагрузкой, с мониторингом цены, скорости и ошибок.

Большой блок курса посвящён созданию ИИ-сервисов, которые обрабатывают внутренние данные компании. Вы научитесь формировать документы для поиска (инжест и подготовка корпусов), разбирать ПДФ-файлы и таблицы на части, создавать эмбеддинги, выбирать модели и работать с векторной базой данных pgvector.

Также вы разберётесь в гибридном поиске, повторной сортировке результатов (reranking), настройке поиска (retriever), метрике качества recall@5 и в том, как формировать ответ со ссылкой на источник или честным «не знаю».

Да. Отдельные модули посвящены запуску ИИ-приложений в рабочей среде и их сопровождению. Вы изучите деплой, основы LLMOps, использование инструмента vLLM для обслуживания моделей, квантование, инференс, организацию API и автоматизацию развёртывания.

Кроме того, программа включает практики мониторинга и наблюдаемости (observability): трассировку запросов в Langfuse, автоматическую проверку качества в GitHub Actions, отслеживание скорости ответа, доли ошибок и стоимости запросов в рабочей среде.

Да. На курсе LLM вы соберёте собственный сервер инструментов по протоколу MCP и подключите его к агенту, а также освоите связку нескольких агентов через LangGraph — например, схему «исполнитель и проверяющий» с подтверждением человеком на нужных шагах. Научитесь ограничивать число шагов и трат агента, а также защищать его от типовых атак: скрытых команд в сообщениях, подмены описания инструмента и утечки персональных данных в журналах.
Итогом станет полноценный агент поддержки интернет-магазина, который сам находит заказ и оформляет возврат после подтверждения.

В программе нет отдельного модуля по дообучению моделей. Этот курс сфокусирован на инженерной стороне: как выбрать подходящую открытую модель под задачу и оборудование и запустить её внутри компании, если данные нельзя передавать во внешний сервис — например, через Ollama на своём компьютере или через vLLM на сервере с GPU.

Вы научитесь измерять качество ответов на контрольном наборе примеров с помощью EvalKit: считать долю верных ответов, сравнивать разные запуски между собой, а также использовать отдельную модель-проверяющую для оценки более сложных или не строго формализуемых ответов.

Для контроля качества используется технология structured outputs, метрики качества поиска, мониторинг работы приложений, автоматическая проверка качества на GitHub Actions и журнал всех запросов в Langfuse, по которому легко находить, где и как модель ошибается.