Этот курс о том, как обоснованно выбирать эффективно реализуемые технические решения продуктовых задач на базе LLM в различных доменных областях. Автор покажет вам набор инструментов, практических кейсов и паттернов, применяя которые, вы сможете:
- выбирать оптимальные решения для широкого круга задач, основанных на LLM
- адаптировать эти решения под специфику своей доменной области.
Мы будем учиться проектировать решения для продуктов с LLM под капотом экономя время, деньги и силы. Методология обучения основана на авторском подходе в консалтинге и кейсах успешных внедрений AI.
Этот курс для тех, кто разрабатывает продукты с LLM самостоятельно или в составе команды (как это бывает в больших компаниях). Будет полезен:
- Инженерам, которые строят решения на базе LLM в различных доменных областях
- Техлидам / CTO, которым важно быстрое нахождение оптимальных решений на базе LLM для широкого спектра задач
- Продактам, которые руководят внедрением решений на базе LLM
- Фаундерам компаний, где разрабатываются продукты для рынка на базе LLM или LLM внедряется в бизнес-процессы.
Курс не учит использовать фреймворки, подключаться к LLM или индексировать документы.
Структура курса
Модуль 1: Основы
Здесь мы рассмотрим типичные подходы по внедрению LLM и увидим их ограничения на примере решения одной распространенной задачи. Мы пройдемся по ментальным моделям и эвристикам выявления причин подобных ограничения и их устранения. Это те знания, которые в прошлом году сэкономили бы мне 2-3 месяца работы.
Часть контента пересекается с вебинарами, которые мы проводили с вами весной. Но материала на курсе больше и он дается подробнее.
Если вы пропустили вебинары, вот отличная возможность послушать их — and more.
Модуль 2: Кейсы и паттерны
Мы разберем повторяющиеся архитектурные паттерны из кейсов успешных внедрений проектов c AI. Библиотека паттернов включает: Query Expansion, Dedicated Agent, Router, Learn from Feedback, Knowledge Base и другие паттерны, применимые в зависимости от поставленных задач. Checklist + Custom Chain of Thought тоже есть.
Для всех паттернов мы разбираем особенности применения и примеры кейсов проектов. Я покажу, как классифицировать и обобщать задачи, чтобы продуктивнее их решать. Таким образом можно будет сэкономить время в будущих проектах — мы будем осознанно переиспользовать работающий опыт других, а не придумывать с нуля.
Автор – Rinat Abdullin: жесткий практик по созданию LLM-ассистентов, решает настоящие LLM-задачи настоящим бизнесам за настоящие деньги и делится своими подходами и приемами.
