AGENT: AI-агенты для оптимизации бизнес-процессов

О событии

1.     LLM: архитектура, сценарии использования и выбор моделей

• архитектура LLM (autoencoders, transformers);
• сценарии использования LLM, промт-инжиниринг;
• основные параметры LLM, критерии выбора.

Этот модуль поможет:

• получить представления о том, как устроены LLM под капотом;
• получить навык использования LLM и понимание какие задачи могут быть решены с их помощью;
• сориентироваться в параметрах LLM, на которые необходимо обращать внимание при выборе большой языковой модели.

2.     RAG: генерация с расширенным доступом к данным

• технология RAG (Retrieval-Augmented Generation) и точки ее приложения в бизнесе
• анализ возможной архитектуры RAG системы, выбор компонентов
• CJM создания RAG системы на кастомных данных

Этот модуль поможет

• получить представление что такое RAG и для чего эта технология может быть полезна;
• получить практический навык построения RAG систем.

3.     Создание чат-бота на основе LLM

• архитектура чат-ботов на основе LLM
• реализация кастомного чат-бота на основе LLM

Этот модуль поможет:

• понять возможности LLM для построения чат-ботов;
• получить практический навык разработки чат ботов на основе LLM.

4.     AI-ассистенты для разработчиков

• разработка в IDE, установка плагинов с AI-ассистентом;
• основные задачи, которые можно автоматизировать на цикле разработки программного обеспечения (SDLC) с помощью copilot;
• пример разработки приложения.

Этот модуль поможет:

• понять, где может быть полезны AI-агенты на цикле разработке программного обеспечения
• получить практический навык использования AI-агентов

5.     Разработка кастомного AI-ассистента (8 часов)

• архитектура кастомных AI-агентов;
• обзор платформенных open-source и проприетарных решений для разработки AI-агентов;
• инструменты langgraph, langchain для разработки AI-агентов;
• реализация AI-агента на основе langgraph

Этот модуль поможет:

• получить представления об архитектуре кастомных AI-агентов и существующих платформ их разработки;
• получить практический навык построения кастомных AI-агентов

6.     Векторные СУБД в архитектуре AI-ассистентов

• обзор возможностей векторных СУБД;
• встраивание векторной СУБД в архитектуру кастомного AI- агента на примере milvus.

Этот модуль поможет:

• получить представление о функциональности векторных СУБД
• получить практический навык использования векторных СУБД

7.     Эксплуатация AI-ассистентов в производственном развертывании

• эксплуатация LLM в проде, фреймворк sglang/ollama;
• развертывание, мониторинг, версионирование LLM в проде

Этот модуль поможет:

• понять подходы к эксплуатации LLM в продуктивной среде
• Более подробней с программой курса можно по ссылке: