💠 Нейросети [ByteByteGo, Ali Aminian] Учись на практике. Стань инженером ИИ (2025)

[Calvin Candie]

Автор: ByteByteGo, Ali Aminian
Название: Учись на практике. Стань инженером ИИ (2025)



«Учись на практике. Стань инженером ИИ» — это практический курс ByteByteGo для тех, кто хочет освоить разработку современных AI-систем через реальные проекты. Программа помогает пройти путь от базового уровня до уверенного инженера ИИ, постепенно разбирая языковые модели, RAG-системы, AI-агентов, reasoning-модели и мультимодальные приложения.

Курс построен вокруг проектного обучения. Вместо пассивного изучения теории вы создаёте полноценные решения, которые можно использовать как основу для портфолио: LLM-песочницу, чат-бота поддержки клиентов, агента для работы с вебом, систему глубокого исследования и мультимодального агента для генерации изображений и видео.

Главная идея курса:

• изучение искусственного интеллекта через практическую разработку;
• создание реальных AI-проектов от идеи до работающей системы;
• освоение современных LLM, RAG, prompt engineering и AI agents;
• работа с reasoning-моделями и мультимодальными архитектурами;
• формирование портфолио из крупных проектов, актуальных для AI-индустрии.

Программа сочетает фундаментальные концепции и инженерную практику. Вы не просто знакомитесь с моделями и терминами, а учитесь строить, анализировать, улучшать и интегрировать AI-системы в полноценные приложения. Такой подход особенно полезен для тех, кто хочет не только понимать искусственный интеллект, но и применять его в реальных продуктах.

Ключевые преимущества курса:

• проектный формат обучения, где каждый раздел завершается готовым решением;
• практика с современными моделями и архитектурами, включая Llama, GPT-подходы, reasoning-LLM и мультимодальные модели;
• инженерный подход к разработке: пайплайны, оценка качества, оптимизация, интеграции и тестирование;
• постепенное движение от базовых LLM-принципов к сложным агентным и мультимодальным системам;
• портфолио из 5 крупных проектов, которое показывает реальные навыки AI engineering.

Проект 1. LLM Playground:

• Вы создадите собственную платформу для экспериментов с большими языковыми моделями.
• Разберёте, как устроены LLM и как ими управлять на практике.
• Освоите токенизацию, генерацию текста и базовые принципы архитектур GPT и Llama.
• Познакомитесь с методами пост-тренировки, включая SFT и RLHF.
• Научитесь оценивать качество моделей через метрики, бенчмарки и human evaluation.

Этот проект помогает заложить фундамент для дальнейшей работы с AI-системами. Вы поймёте, как языковая модель принимает запрос, как генерируется ответ, какие параметры влияют на результат и почему оценка качества модели важна не меньше самой генерации.

Чему вы научитесь в рамках LLM Playground:

• проектировать и разворачивать песочницу для LLM;
• работать с настройками генерации текста;
• понимать различия между GPT- и Llama-подобными архитектурами;
• разбирать базовые этапы улучшения модели после предварительного обучения;
• проверять качество ответов с помощью автоматических и ручных оценок.

Проект 2. Чат-бот поддержки клиентов на RAG и Prompt Engineering:

• Вы разработаете интеллектуального чат-бота, который отвечает на вопросы на основе базы знаний.
• Разберёте Retrieval-Augmented Generation и принципы поиска релевантной информации.
• Освоите prompt engineering для более точных и управляемых ответов.
• Познакомитесь с fine-tuning, PEFT и LoRA для адаптации моделей.
• Научитесь оценивать качество RAG-системы и улучшать её ответы.

В этом модуле вы соберёте практичное приложение, похожее на реальные AI-решения для бизнеса: бот получает вопрос, ищет нужную информацию, формирует ответ и помогает пользователю быстрее найти точные данные. Такой проект особенно полезен для разработки AI-помощников, внутренних корпоративных ассистентов и систем поддержки клиентов.

Основной функционал проекта:

• адаптация моделей через fine-tuning, PEFT и LoRA;
• использование zero-shot, few-shot и chain-of-thought подходов;
• создание RAG-пайплайна с индексацией, поиском и генерацией ответов;
• подключение базы знаний к языковой модели;
• оценка точности, полноты и полезности ответов.

Проект 3. Агент Ask-the-Web:

• Вы создадите AI-агента, который выполняет задачи с использованием инструментов, API и веб-поиска.
• Разберёте tool calling и принципы взаимодействия модели с внешними сервисами.
• Научитесь строить многошаговые workflow для решения более сложных задач.
• Познакомитесь с планированием действий, рефлексией и агентными циклами.
• Разберёте метрики, которые помогают оценивать эффективность агента.

Этот проект показывает, как перейти от простого чат-бота к более самостоятельной системе, которая умеет планировать действия, обращаться к инструментам, получать данные из внешних источников и собирать итоговый ответ на основе нескольких шагов.

Что будет в практике:

• построение системы инструментального взаимодействия;
• подключение API и внешних источников данных;
• планирование действий AI-агента;
• создание многошаговых процессов;
• использование tool calling и мультиагентных подходов;
• оценка качества выполнения задач агентом.

Проект 4. Deep Research с reasoning-моделями:

• Вы познакомитесь с современными reasoning-моделями и принципами глубокого исследования.
• Разберёте подходы, похожие на OpenAI o1, DeepSeek-R1 и другие модели рассуждений.
• Изучите inference-процессы, которые помогают модели решать сложные задачи.
• Поработаете с CoT, Tree of Thoughts, self-consistency и self-refinement.
• Узнаете, как обучают модели на reasoning-датасетах.

Модуль помогает понять, как AI-системы переходят от простого ответа к многошаговому анализу. Это важно для задач, где требуется не только генерация текста, но и логика, проверка гипотез, исследование источников, последовательное рассуждение и улучшение результата.

Вы освоите:

• работу с reasoning-LLM и современными подходами к рассуждению;
• использование Chain of Thought и Tree of Thoughts;
• метод self-consistency для повышения устойчивости ответов;
• self-refinement для пошагового улучшения результата;
• SFT на reasoning-датасетах;
• RL с верификатором для обучения моделей рассуждения.

Проект 5. Мультимодальный агент: текст → изображение/видео:

• Вы построите систему, которая работает не только с текстом, но и с генерацией изображений и видео.
• Разберёте современные подходы к text-to-image и text-to-video генерации.
• Познакомитесь с diffusion-моделями, GAN, VAE и мультимодальными архитектурами.
• Изучите U-Net, DiT и современные методы обучения генеративных моделей.
• Научитесь оценивать качество изображений и видео с помощью IS, FID и CLIP.

Этот модуль расширяет понимание AI engineering за пределы текстовых моделей. Вы увидите, как строятся end-to-end системы, где агент принимает текстовый запрос, обрабатывает задачу и создаёт визуальный результат — изображение или видео.

Что включает модуль:

• практика генерации изображений и видео;
• работа с diffusion, GAN и VAE;
• изучение архитектур U-Net и DiT;
• понимание text-to-image и text-to-video пайплайнов;
• оценка качества генераций через IS, FID и CLIP;
• создание end-to-end мультимодальных AI-систем.

Кому подойдёт курс:

• новичкам, которые хотят войти в AI engineering через практику;
• разработчикам, желающим освоить современные AI-приложения;
• ML-специалистам, которым важно прокачать инженерную часть;
• backend-разработчикам, которые хотят работать с LLM, RAG и агентами;
• аналитикам и data scientist’ам, которым нужно лучше понимать production AI;
• тем, кто хочет собрать портфолио проектов для работы в сфере искусственного интеллекта.

Какие навыки вы получите:

• проектирование LLM-приложений;
• создание RAG-систем и AI-чат-ботов;
• настройка prompt engineering подходов;
• работа с fine-tuning, PEFT и LoRA;
• создание AI-агентов с tool calling;
• понимание reasoning-моделей и deep research систем;
• разработка мультимодальных приложений;
• оценка качества моделей, агентов и генеративных систем;
• сборка портфолио из практических AI-проектов.

Итог обучения:

• собственная LLM-песочница для экспериментов с языковыми моделями;
• чат-бот поддержки клиентов на базе RAG и prompt engineering;
• агент Ask-the-Web для работы с инструментами и веб-поиском;
• система Deep Research с reasoning-моделями;
• мультимодальный агент для генерации изображений и видео;
• понимание полного цикла разработки современных AI-систем.

После завершения курса у вас будет набор проектов, который демонстрирует практические навыки инженера ИИ. Вы разберёте не только отдельные модели, но и полноценные системы: от пайплайнов и инструментов до reasoning, мультимодальности, оценки качества и интеграции в реальные приложения.

Язык: Английский

Подробнее:

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.