AI engineering
The revolution needs builders. Become an AI Engineer.
старт:
24 лют. 2026 р.
16 занять
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 з досвідом Python та базовим розумінням ML. 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 модел ей
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 та 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, зд атних 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 персональних 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.