Generative AI for Developers
Тримісячна програма для технічних спеціалістів, присвячена використанню Generative AI в розробці
Generative AI for Developers
ПРО ПРОГРАМУ
Сьогодні GenAI — це вікно можливостей для розробників та інженерів, адже бізнес переживає трансформаційні часи, й попит на використання ШІ саме в розробці дедалі зростає.
Ми розробили цю мікромагістратуру для інженерів, архітекторів та дата-сайентистів, які розуміють імпакт AI для розробки та бізнесу і хочуть посилити свій скілсет. Протягом 3-х місяців ви step-by-step пройдете шлях від ML-моделей як POC до розробки рішень на базі LLM.
ЩО ВИ ВИВЧИТЕ
ВИМОГИ ДО УЧАСНИКІВ
Знання англійської не нижче за B2
2+ роки досвіду в IT
загальні знання про cloud (обчислення та інфраструктура хмар)
знання Python (або іншої мови програмування) на середньому рівні
досвід роботи з бібліотеками перетворення даних (Pandas) — буде перевагою
ОСВІТНІ МОДУЛІ
Модуль 1. Основи машинного навчання та ML операцій
Цей модуль надає базове розуміння машинного навчання та операційних процесів для розгортання і підтримки систем штучного інтелекту. Ви вивчите основні поняття, такі як підготовка даних, базові моделі, оцінка моделей та експериментування. Модуль також охоплює різницю між MLOps та LLMOps, постійне вдосконалення моделей ШІ та Prompt Engineering.
Наповнення модуля- Вступ до генеративного ШІ
- Базові принципи машинного навчання
- MLOps
- MLOps vs LLMOps
- Підготовка даних для тренування моделей
- Базові моделі
- Оцінка моделей
- Експерименти з машинного навчання
- Оцінка моделей генеративного ШІ
- Оцінка конкретних застосувань LLM
- Основи LLMOps та постійне вдосконалення
- Prompt Engineering
- Advance Prompts
- Виявлення та пом'якшення невідповідностей
- Розуміння атак на великі мовні моделі
- Пом'якшення атак на великі мовні моделі
- Пом'якшення токсичності, упередженості та неетичності контенту
- Моніторинг та оцінка безпеки та захищеності LLM
- Воркшоп 1. Створення генеративних ШІ-застосунків за допомогою Streamlit / Gradio
- Воркшоп 2. Підготовка даних для чатбота з продажу
- Воркшоп 3. Налаштування моделі LLM
- Воркшоп 4. Налаштування моделі LLM
- Воркшоп 5. Red Teaming LLM застосунків
Модуль 2. Хмарна інфраструктура та технології машинного навчання
Цей модуль зосереджується на рішеннях хмарної інфраструктури для розгортання ШІ застосунків. Ви навчитесь налаштовувати середовища за допомогою AWS, керувати безпекою та мережами, а також обирати відповідні бази даних. Крім того, розглянете сервіси для розгортання моделей штучного інтелекту на рівні додатків, даних та ШІ.
Наповнення модуля- AWS для генеративного ШІ
- Landing zone, безпека та мережі
- Хмарні сервіси для Application Layer Deployment
- Хмарні сервіси для Data Layer Deployment
- Принципи та стандарти вибору бази даних
- Хмарні сервіси для AI Layer Deployment
- Воркшоп 6. Налаштування хмарної інфраструктури та Vector Store
- Воркшоп 7. Стратегії розгортання LLM у хмарі та локально
Модуль 3. Розробка рішення на базі LLM
Цей модуль зосереджується на практичному застосуванні набутих знань у процесі створення вами реальних додатків LLM. Починаючи з вивчення кейсів, ви дізнаєтеся більше про процес розробки платформи генеративного ШІ з такими функціями, як RAGs, guardrails, model routers та кешування. Ви навчитесь інтегрувати складну логіку, покращувати затримку та додавати observability для забезпечення високої продуктивності.
Наповнення модуля- Огляд ШІ Frameworks
- Створення платформи генеративного ШІ – RAGs
- Створення платформи генеративного ШІ – guardrails
- Створення платформи генеративного ШІ – додавання model router та gateway
- Створення платформи генеративного ШІ – зниження затримок за допомогою кешу
- Створення платформи генеративного ШІ – додавання складної логіки та написання дій
- Agents
- LangGraph – state machines
- Створення платформи генеративного ШІ – observability
- Воркшоп 8. Створення та вдосконалення фреймворку чатбота для продажу
- Воркшоп 9. Створення вдосконаленої логіки для чатбота
- Воркшоп 10. Multimodal генеративні ШІ-застосунки
КУРАТОРИ ТА ВИКЛАДАЧІ
Артем Кобрін
Артем – досвідчений керівник хмарної практики в Neurons Lab, який має десятирічний успішний міжнародний досвід у сфері DevOps, безпеки та мережевого ШІ, IoT та аналізу даних. Артем використовує свій досвід у трансформаційній міграції в хмару, розмовному ШІ, побудові платформ даних та рішеннях Digital Twin, щоб тісно співпрацювати з клієнтами для надання безпечних та масштабованих рішень та додатків у хмарі.
Ростислав Мироненко
Solutions architect (Cloud) у компанії Booking.com (Амстердам, Нідерланди) з 12-річним досвідом роботи в сфері Software Engineering на різних посадах.
Працює на позиції Solutions Architect з 2018 року. Родом з Харкова, Україна.
Основні напрямки: Solutions Architecture, AWS, Kubernetes, SDLC, Менеджмент, Наставництво, Розвиток Команди.
Full AWS Certified (13 active AWS certifications), holder of the legendary AWS Golden Jacket.
Олексій Попов
VP of Engineering у GenAI.Works, з 15+ роками досвіду в інженерному лідерстві та архітектурі рішень. Має досвід управління глобальними командами та масштабними проєктами, пройшов шлях від розробника програмного забезпечення до керівника інженерного напрямку. Понад 8 років працював в архітектурі рішень у EPAM, Ciklum та Customertimes, займаючись розробкою масштабованих хмарних рішень і впровадженням інноваційних технологій.
Ігор Таненков
Консультант з машинного навчання у GlobalLogic, засновник EntroPi AI — компанії з розробки сервісів та продуктів у сфері штучного інтелекту. Ігор має понад 10 років комерційного досвіду в галузі комп’ютерного зору, машинного навчання та систем штучного інтелекту.
ПЕРЕВАГИ ПРОГРАМИ
програма присвячена найактуальнішому технологічному домену, попит на який тільки формується, і надалі буде лише зростати
гнучкий формат навчання, який можна поєднувати з full-time роботою
навчання у експертів-практиків з постійним фідбеком та підтримкою
фінальний проєкт — власне унікальне LLM-рішення
ДЛЯ КОГО
ML Engineers, які мають досвід у створенні моделей
Data Scientists, яким вже потрібно посилити скілсет
Middle+ розробники та архітектори
Cloud Engineers
технічні спеціалісти, які хочуть перейти в позиції, пов’язані з MLOps або AI-розробкою
Відгуки
Олексій Попов
Радий поділитися, що успішно завершив курс Generative AI for Developers!
Це була неймовірна навчальна подорож, яка поглибила мої знання в галузі Generative AI, застосувань LLM та AI-орієнтованих процесів розробки. У рамках курсу ми розглядали основні концепції й виконували практичні проєкти, завдяки чому мали змогу працювати з найсучаснішими AI-фреймворками та вивчити найкращі практики розробки рішень для реальних задач.
💡 Ключові теми та технології, які я опанував:
– Розробка застосунків на основі Generative AI (RAG, Fine-tuning, API)
– Розгортання AI-моделей та кращі підходи в MLOps
– Хмарна інфраструктура для AI та Data Engineering
– Автоматизоване тестування для LLMOps
– Розширене промпт-інжиніринг та оцінювання моделей
– AWS і хмарні AI-сервіси
Окрім навчання, я мав честь долучитися в ролі запрошеного лектора на одному з воркшопів курсу, де поділився власними інсайтами та досвідом з іншими учасниками! 🎤💡
Велике спасибі SET University, Артему Кобріну, Ростиславу Мироненку, Георгію Калайчеву та іншим викладачам за створення такої чудової програми! З нетерпінням чекаю можливості застосувати ці знання у майбутніх проєктах, пов’язаних зі штучним інтелектом.
Людмила Поветкіна
Розпочну трохи про себе. Я працюю на позиції Data engineer (5+ років). Працювала у тому числі з командою ML engineers & DS . Але, на цьому все, це весь “мій досвід” з ML. Після того, як з’явились LLM , компанія вирішила розвивати експертизу у напрямку AI. Спробували знайти AI engineer, але стикнулись з проблемою, що не зрозуміло якими знаннями та скілами має володіти такий фахівець. Але вже стало зрозуміло, що є “класичний” ML-щік, та фахівець з LLM. Власне з цього розпочалось занурення до області ML, у тому числі LLM. Інформації дуже багато, але її треба було якось консолідувати, отримати приклади застосування різноманітних технологій. Для цього було знайдено саме ваш курс.
Загальні враження від програми:
У цілому, курс класний та, однозначно, дуже користний. Звісно були різні моменти, коли не всім все вдавалось (як слухачам та і викладачам). Але, таки моменти показали як можна швидко знаходити та вирішувати проблеми. Для мене особисто, як для людини не пов’язаної дуже тісно з AI, було дуже багато всього нового, були сумніви що то взагалі буде зрозуміло. Але матеріал та вокшопи, які проводили спікери з досвідом роботи на реальних проектах, дозволили з всім розібратись. Окремо хочу сказати про фінальні проекти. Де які вразили дуже сильно.
Головні інсайти, які я отримала під час навчання
До навчання, проекти, пов’язані з LLM, здавались надскладними. Після проходження курсу не можу сказати, що все легко, але все стало зрозуміло. AI проекти перестали бути ‘black box’.
Фінальні проекти показали дуже широкий, а іноді не очікуваний спектр можливостей для використання LLM.
Поради майбутнім студентам курсу.
Не бійтесь задавати питання. Саме погане питання – не задане питання. Презентуйте власні ідеї, власні проекти, навіть, якщо вони не досконалі. Думка експертів допоможе обрати вектор покращення ідеї, варіанту розвитку вашого власного проекту. Вірте в себе, у вас все вийде !
Вадим Ємельянов
Курсом я задоволений, було достатньо пізнавально, можна було спитати вчителів на багато тем, що цікавили, що насправді чи не найважливіше було для мене. Теоретичні курси хороші, але початкові теми – дуже для початківців, як на мене. Ближче до кінця – вже насправді складні цікаві теми.
З порад можу тільки сказати, що перед уроком краще самому пройти, погуглити, прочитати про тему, яка буде йти під час уроку. Так матеріал буде сильно простіше запам’ятовувати, особливо це важливо на останніх уроках.
Єгор Лебідь
Це був мій перший структурований досвід роботи з генеративним ШІ. І він дав мені міцну основу для подальшого вивчення та застосування технологій штучного інтелекту на практиці.
Велика подяка менторам курсу Артему Кобріну, Ростиславу Мироненку за їхню постійну підтримку, викладачам Олексію Попову, Тарасу Румежаку та іншим за їхні експертні сесії, а також команді SET University за створення такого цінного навчального досвіду.
Тепер я маю міцний фундамент для подальшого глибшого занурення в ШІ, зосереджуючись на створенні практичних, безпечних та справді впливових AI-рішень.
FAQ
Чи потрібно вміти кодити?
Так, навички програмування необхідні, інакше цей курс буде для вас нерелевантним. Основне завдання курсу — навчитися використовувати технології GenAI для розробки. Впевнене володіння Python (або впевнені навички в іншій мові програмування) дозволять студентам ефективно працювати над програмою та створювати власні рішення в межах практичного модуля. Якщо у вас немає навичок розробки, слідкуйте за нашими оновленнями, оскільки ми регулярно запускаємо програми, що підходять для нетехнічних спеціалістів.
Чи буде курсовий проєкт в межах курсу?
Так, кожне домашнє завдання буде частиною фінального проєкту — власного LLM-рішення (наприклад, AI-агента для чат-бота).
Якщо я вже працюю в ролі ML-інженера чи MLOps — чи буде ця програма для мене корисна?
Так, програма дозволить систематизувати ваші знання в роботі з генеративними моделями ШІ та хмарними технологіями при розгортанні власних рішень.
Дізнайтесь детальніше про програму SET University
