RAG (Retrieval-Augmented Generation) — это технология, которая позволяет языковым моделям работать с актуальными данными и корпоративными знаниями. Вместо того чтобы полагаться только на обучающие данные, RAG-системы находят релевантную информацию в векторных базах и используют её для генерации точных ответов. Почему именно этот курс? Большинство курсов по AI останавливаются на базовых примерах с LangChain. Мы идём дальше — от математики эмбеддингов до продакшен-систем с мониторингом качества и CI/CD. Что делает курс особенным: Три векторные БД (FAISS, Qdrant, Weaviate) с глубоким погружением в архитектуру Практикумы с реальными сценариями: от прототипа до deployment Мультимодальный поиск (текст + изображения) Production-подход: метрики качества, контроль версий, CI/CD для ML Структура курса: Введение в векторный поиск — эмбеддинги, алгоритмы ANN, архитектура хранилищ FAISS — высокопроизводительная библиотека от Meta для миллионов векторов Qdrant — современная векторная БД с богатым функционалом Weaviate — векторная БД с GraphQL и гибкой схемой данных Production-практики — мультимодальность, метрики, мониторинг, CI/CD Каждый раздел включает практикум, где вы собираете работающие RAG-пайплайны и решаете задачи, близкие к боевым. Для кого этот курс ML-инженеры, которые хотят внедрять RAG в production и работать с векторными БД Backend-разработчики, интегрирующие AI/LLM в свои приложения Data Scientists, переходящие в ML Engineering и желающие понять инфраструктуру AI-энтузиасты с опытом программирования, готовые строить реальные AI-системы Начальные требования Python — умеете писать простые скрипты, работали с библиотеками типа pandas или requests Базовое понимание ML — слышали про векторы и знаете, что такое расстояние между точками (остальное объясним) Желательно, но не обязательно: опыт с API, знакомство с Git, общее представление о том, как работают LLM Если вы писали код на Python и интересуетесь AI — этого достаточно. Всю специфику RAG и векторных БД разберём с нуля. Спойлер: Программа курса 1. Введение 1.1 Вводный урок 2. Векторные представления и поиск 2.1 Введение в семантический поиск и эмбеддинги 2.2 Инструменты для работы с эмбеддингами 2.3 Поиск ближайших соседей: от теории к архитектуре 2.4 Векторные хранилища 2.5 Что такое RAG и зачем оно нужно 3. FAISS 3.1 FAISS: архитектура и типы индексов 3.2 Работа с индексами FAISS 3.3 FAISS в RAG-пайплайне: LangChain и продакшен 3.4 Практикум по FAISS 4. Qdrant 4.1 Qdrant: архитектура и устройство 4.2 Qdrant на практике 4.3 Qdrant + LangChain: RAG-пайплайн 4.4 Практикум по Qdrant 5. Weaviate 5.1 Архитектура Weaviate и GraphQL API 5.2 Python SDK — схема, поиск, RAG 5.3 LangChain + Weaviate 5.4 Практикум по Weaviate 6. Поиск в продакшне: качество, контроль и объяснимость 6.1 Мультимодальный поиск: текст + изображение 6.2 Продвинутые приёмы поиска 6.3 Порог «не знаю»: конфиденс и правила отказа 6.4 Метрики качества поиска 6.5 Основы системы контроля версий Git 6.6 Непрерывная интеграция и доставка: CI/CD с GitHub Actions
