Курс AI Engineering

На курсі ви навчитеся будувати керований AI pipeline - від data до inference, API, monitoring та scale - і отримаєте production-ready проєкт у портфоліо.

Програма курсу

Роль AI-інженера та анатомія AI-продукту

• Розумітимете роль AI Engineer у команді та його відповідальність за створення AI-продуктів
• Відрізнятимете AI Engineering від ML, Data і Backend-напрямів
• Аналізуватимете повний AI lifecycle - від даних і моделей до production
• Проєктуватимете перший AI pipeline для наскрізного курсового проєкту

Фундаментальні моделі під капотом

• Пояснюватимете, як архітектура та розмір моделі впливають на її можливості
• Керуватимете sampling-параметрами для отримання потрібного результату
• Обиратимете спеціалізовані та локальні моделі під різні задачі
• Запускатимете LLM локально та оцінюватимете їхню якість

Інтеграція LLM: API та self-hosted

• Інтегруватимете LLM через API за production-підходами
• Аналізуватимете tokenomics, latency та вартість використання моделей
• Працюватимете з локальними моделями через Ollama
• Обиратимете модель залежно від вимог до якості, швидкості й приватності

Prompt Engineering як інженерна дисципліна

• Створюватимете стабільні промпти для різних типів задач
• Зменшуватимете кількість галюцинацій за допомогою правильного prompt design
• Використовуватимете structured outputs та few-shot prompting
• Версіонуватимете й тестуватимете промпти як частину кодової бази

Q&A-сесія

• Розберете питання після першого блоку
• Отримаєте рекомендації щодо реалізації першого кейса
• Проаналізуєте типові помилки
• Підготуєтеся до наступного етапу курсового проєкту

Data Ingestion & Preprocessing для AI

• Проєктуватимете ingestion-пайплайни для різних джерел даних
• Працюватимете з PDF, DOCX, HTML та OCR
• Виконуватимете cleaning, deduplication і chunking документів
• Будуватимете metadata pipelines для AI-систем

Embeddings та векторні бази

• Генеруватимете embeddings для різних типів контенту
• Реалізовуватимете similarity search
• Використовуватимете hybrid search та reranking
• Працюватимете з векторними базами даних

RAG-системи продуктового рівня

• Будуватимете production-ready RAG-пайплайни
• Оптимізуватимете retrieval і context window
• Балансуватимете якість відповідей, latency та вартість
• Реалізовуватимете відповіді з посиланнями на джерела

Evaluations для AI-систем

• Створюватимете тестові набори для AI-рішень
• Використовуватимете scoring functions та LLM-as-a-judge
• Виявлятимете галюцинації моделей
• Інтегруватимете eval pipelines у CI/CD

Q&A-сесія

• Розберете результати другого кейса
• Проаналізуєте архітектурні рішення студентів
• Виправите помилки в RAG-системах
• Підготуєтеся до роботи з агентами

AI-агенти й оркестрація інструментів

• Проєктуватимете AI-агентів для продуктових сценаріїв
• Використовуватимете ReAct і tool calling
• Працюватимете з agent frameworks
• Контролюватимете виконання агентів

MCP: стандартизований шар інструментів

• Розумітимете архітектуру Model Context Protocol
• Відрізнятимете MCP від function calling та мікросервісів
• Створюватимете власний MCP Server
• Інтегруватимете MCP в AI-системи

Agentic RAG, пам'ять і context engineering

• Будуватимете Agentic RAG замість лінійних пайплайнів
• Реалізовуватимете пам'ять AI-агентів
• Керуватимете контекстом моделей
• Використовуватимете сучасні agentic-патерни

AI-first DevEx: розробка з coding-агентами

• Інтегруватимете coding-агентів у процес розробки
• Працюватимете з Cursor, Claude Code та Cline
• Використовуватимете MCP та Skills у власному workflow
• Контролюватимете якість AI-згенерованого коду

API-шар для AI-систем

• Будуватимете AI API на FastAPI
• Використовуватимете async та background jobs
• Налаштовуватимете Redis cache і rate limiting
• Готуватимете AI-сервіси до production

Продуктивність і вартість AI-рішення

• Аналізуватимете повну вартість AI-рішень
• Оптимізуватимете latency та inference
• Працюватимете з vLLM і сучасними inference-сервісами
• Обиратимете між Prompting, RAG і Fine-tuning

Безпека, guardrails та observability

• Захищатимете AI-системи від prompt injection
• Реалізовуватимете PII masking та guardrails
• Відстежуватимете drift і якість моделей
• Будуватимете observability, tracing та alerting

System Design для AI-продуктів + Demo Day

• Проєктуватимете AI-native архітектуру production-систем
• Реалізовуватимете AI Gateway, failover і fallback-механізми
• Розділятимете систему на retrieval, reasoning та memory
• Презентуєте фінальний AI-проєкт та аргументуєте архітектурні рішення

Вимоги для старту

Щоб комфортно навчатися на курсі, вам потрібно знати Python або іншу мову програмування на рівні написання робочого коду. Мати практичний досвід роботи з Git.

Особливості курсу

• Допомога ментора
• Практика
• Домашні завдання
• Курсовий проєкт
• Сертифікат про проходження курсу

Викладачі курсу

Андрій Білоус - AI Solution Architect at ZONE3000