AGENT: AI-агенты для оптимизации бизнес-процессов
1. LLM: архитектура, сценарии использования и выбор моделей
архитектура LLM (autoencoders, transformers);
сценарии использования LLM, промт-инжиниринг;
основные параметры LLM, критерии выбора.
Этот модуль поможет:
получить представления о том, как устроены LLM под капотом;
получить навык использования LLM и понимание какие задачи могут быть решены с их помощью;
сориентироваться в параметрах LLM, на которые необходимо обращать внимание при выборе большой языковой модели.
2. RAG: генерация с расширенным доступом к данным
технология RAG (Retrieval-Augmented Generation) и точки ее приложения в бизнесе
анализ возможной архитектуры RAG системы, выбор компонентов
CJM создания RAG системы на кастомных данных
Этот модуль поможет
получить представление что такое RAG и для чего эта технология может быть полезна;
получить практический навык построения RAG систем.
3. Создание чат-бота на основе LLM
архитектура чат-ботов на основе LLM
реализация кастомного чат-бота на основе LLM
Этот модуль поможет:
понять возможности LLM для построения чат-ботов;
получить практический навык разработки чат ботов на основе LLM.
4. AI-ассистенты для разработчиков
разработка в IDE, установка плагинов с AI-ассистентом;
основные задачи, которые можно автоматизировать на цикле разработки программного обеспечения (SDLC) с помощью copilot;
пример разработки приложения.
Этот модуль поможет:
понять, где может быть полезны AI-агенты на цикле разработке программного обеспечения
получить практический навык использования AI-агентов
5. Разработка кастомного AI-ассистента (8 часов)
архитектура кастомных AI-агентов;
обзор платформенных open-source и проприетарных решений для разработки AI-агентов;
инструменты langgraph, langchain для разработки AI-агентов;
реализация AI-агента на основе langgraph
Этот модуль поможет:
получить представления об архитектуре кастомных AI-агентов и существующих платформ их разработки;
получить практический навык построения кастомных AI-агентов
6. Векторные СУБД в архитектуре AI-ассистентов
обзор возможностей векторных СУБД;
встраивание векторной СУБД в архитектуру кастомного AI- агента на примере milvus.
Этот модуль поможет:
получить представление о функциональности векторных СУБД
получить практический навык использования векторных СУБД
7. Эксплуатация AI-ассистентов в производственном развертывании
эксплуатация LLM в проде, фреймворк sglang/ollama;
развертывание, мониторинг, версионирование LLM в проде
Этот модуль поможет:
понять подходы к эксплуатации LLM в продуктивной среде
Более подробней с программой курса можно по ссылке: https://bigdataschool.ru/courses/ai-agenty-dlya-optimizaczii-biznes-proczessov
