AI engineering
The revolution needs builders. Become an AI Engineer.
старт:
1 черв. 2026 р.
вт / пт, 18:30 (UTC+2)
350 $/міс
до 20 студентів
350 $/міс
до 20 студентів
про курс
Опануйте AI engineering як нову дисципліну. Це курс для тих, хто готовий перейти у сферу, про яку говорять усі, але яку глибоко мало хто розуміє. Ви дізнаєтесь, чим AI-інженерія відрізняється від класичного ML та навчитеся використовувати сучасний стек і фундаментальні моделі для розв'язання складних бізнес-завдань.
Програма побудована на hands-on проєктах: RAG-система на корпоративних даних, автономні агенти з tool calling та memory, пайплайни з Evals для контролю якості. Ви пройдете шлях від embeddings і векторизації до context engineering. Фокус курсу на production: як зрозуміти, коли варто використовувати LLM, а коли це буде недоречно; як оптимізувати витрати та забезпечити observability систем.
Приділимо увагу й інженерній культурі: тестування промптів, використання LLM-as-a-judge та вирішення проблем затримок і безпеки.
Курс розрахований на розробників із практичним досвідом роботи. Для навчання та практики потрібно володіти Python на рівні beginner. Протягом курсу також будуть використані деякі базові підходи з ML (self-supervised learning, embeddings, KNN, evals та ін.)
Після курсу — портфоліо проєктів та можливість стати тим, хто впроваджує GenAI у вашій компанії.
*Кейси, які ви будете розбирати на курсі, — це не академічні приклади, а продакшн-досвід викладача з реальних проєктів у Netflix.
навчальний план
буде гаряче
Що таке AI engineering
Практичні кейси використання фундаментальних моделей
Стек AI-інженерії
Intro to AI Engineering
Роль AI-інженера та практичний стек роботи з LLM
Навчальні дані, training, post-training та fine-tuning: для чого потрібен кожен етап
Архітектура моделі та її розмір
Семплінг і його вплив на результати
Спеціалізовані моделі: coding, обробка зображень, генерація аудіо та відео
On-device та малі (mini) моделі
Практика:
Запуск і використання локальних моделей для різних кейсів: coding, генерація зображень, speech-to-text
Foundational Models
Як параметри моделей визначають їх поведінку та можливості застосування
Різниця між zero-shot та few-shot prompting
Оптимізація промптів під конкретну задачу
CoT prompting і використання моделей для reasoning
Як писати промпти, щоб зменшити галюцинації в LLM
Ризики безпеки та способи їх мінімізації
Версіонування та тестування промптів
Практика:
Побудова пайплайну для екстракції структурованих даних із текстових файлів
Prompt Engineering
Від базових zero-shot промптів до керованої, безпечної та тестованої взаємодії з моделями
Імовірнісна природа LLM
Написання scoring functions для AI-рішень
LLM-as-a-judge: використання моделей для оцінювання результатів
Побудова комплексного пайплайну оцінювання як частини CI/CD
Практика:
Побудова пайплайну для оцінки роботи AI-рішення. Підготовка тестового набору даних і дизайн функцій оцінювання.
Evaluations for AI systems
Як систематично перевіряти т а вимірювати якість роботи AI-систем
Поняття та базові принципи
Пошук за схожістю, кластеризація, semantic та hybrid search, reranking
Стратегії chunking
Ембединги для тексту, зображень, аудіо, відео та мультимодальні ембединги
Практичні кейси: нормалізація та дедуплікація
Практика:
Векторизація даних. Пошук за схожістю з урахуванням контексту, нормалізація та дедуплікація.
Embeddings and Vectorization
Як перетворювати різнотипний контент у числові вектори для пошуку та порівняння
Що таке RAG і де він використовується в індустрії
Чому ми використовуємо RAG, а не тренуємо моделі?
Архітектура RAG: retrieval-алгоритми та їх оптимізація, формування відповідей
Контекст і памʼять: ключові речі для побудови ефективних RAG-рішень
Практика:
Cтворення чат-бота для відповідей на запитання з власних (внутрішніх) даних. Побудова RAG для великих обʼємів даних, коли неможливо вмістити всю інформацію в context window.
RAG (Retrieval-Augmented Generation)
Що таке RAG і як будувати RAG-системи на власних даних
MCPs та tool calling
Агентні фреймворки
Agentic RAG
Проєктування надійних AI-агентів
Дизайн-патерни для агентів
Context engineering і керування памʼяттю для агентів
Практика:
Створення рішення з використанням agent framework. Планування та виклик тулів. Agentic RAG. Використання user feedback.
Agents
Побудова автономних AI-систем, здатних планувати, використовувати інструменти та приймати рішення
Coding-агенти: хайп чи робочий інструмент
АІ-асистенти для повного циклу розробки: від роботи над ідеєю до деплою в прод
Cursor, Claude, Cline та інші популярні інструменти
MCP-сервери, Skills та їх інтеграція в процес розробки
Практика:
Створення застосунку цілковито з використанням coding-агента. Підключення MCP-серверів і Skills для розширення можливостей агентів.
DevEx Productivity / AI first
Інтеграція AI в developer workflow: від автокомпліту до автономних coding-агентів
Вартість AI-рішення: як рахувати витрати
Best practices: коли не варто використовувати LLM, RAG та агентів
Питання продуктивності у взаємодії з LLM та агентами
Робота з безпекою та потенційно небезпечними діями AI-агентів: guardrails, sandboxing, manual judgment, feedback loop, checkpoints
Observability для AI-застосунку
Практика:
Робота з LLMOps-системами, оцінка швидкодії і вартості використання LLM
Preparation for production usage
Що потрібно знати перед запуском AI-системи в production
Презентація фінального AI-асистента
Розбір важливих технічних аспектів, варіанти для покращення точності відповідей
Розбір архітектури та як вона впливає на вартість рішення
Обговорення наступних кроків для покращення рішення і впровадження у бізнес-процеси
Презентація курсових АІ-проєктів
Завершення та підбиття підсумків курсу
читає
Дмитро Коваленко
Senior Software Engineer @Netflix
10+ років досвіду розробки високонавантажених і високопродуктивних рішень у стартапах та технологічних компаніях. Спеціалізується на GenAI у продакшені: LLM, AI-агенти, RAG, NLP, інтеграція моделей у реальні бізнес-процеси.
Реєстрація. Перший крок за вами
реєстрація
перший крок за вами
Я приймаю умови Публічної оферти та надаю згоду на обробку своїх персональни х даних відповідно до Політики конфіденційності.
відгуки
що говорять випускники
що на вас чекає
have fun and dive deep
інтенсивний режим
Зустрічаємось у Zoom двічі на тиждень — щовівторка і щопʼятниці о 18:30. Щотижня — нова домашка.
Усі лекції — це живі зустрічі з викладачем під запис (щоб повернутися до матеріалу пізніше). Проводимо Q&A-сесії з викладачем та тримаємо з вами звʼязок в Slack.
Мова викладання — українська.
Додаткові матеріали — англійською.
спільнота крутих людей
Проводимо відбір на курс, щоб ви навчалися поряд із сильними та вмотивованими. Навіть відраховуємо за незараховані домашки.
Викладач готовий працювати з вами, поки все не стане на свої місця. Іноді це третя ітерація code review, іноді — додатковий 1-1 на 15 хвилин. Ми тут, щоб вчитись і ставати сильнішими.
А ще щоб жартувати про своє в Slack та обмінюватися рефералами в круті компанії.
результат, який має сенс
Тут не буде поверхневих слайдів та довгих вступів: тільки глибокий розбір цікавих задач із реального продакшену.
Сертифікат видаємо не за відвідування, а за результати — виконані домашки, участь у дискусіях, відчутний рух та прогрес.