Інженерія ШІ/МН

Трек «Інженерія ШІ/МН» | 120+ модулів | 14 етапів | ~230-310 годин

Огляд

Повна навчальна програма для інженерів, які будують системи ШІ та МН у продакшені. Охоплює все: від нативної розробки зі ШІ за допомогою Claude Code, через генеративний ШІ та RAG, до глибокого навчання, машинного навчання, навчання з підкріпленням, MLOps та ШІ-інфраструктури на Kubernetes.

Цей трек для інженерів, яким потрібно розуміти ШІ/МН достатньо глибоко, щоб будувати, розгортати й експлуатувати його — а не лише викликати API.

Якщо ваша мета — грамотність зі ШІ, безпечніше використання ШІ, практичні робочі звички або міст від використання ШІ до продуктового мислення, а не побудова систем, почніть спочатку з верхньорівневого треку ШІ.

Чого цей трек не повторює

Цей трек припускає, що ви вже виходите за межі грамотності зі ШІ та перехідного матеріалу.

Він не намагається ще раз викладати головне завдання верхньорівневого треку ШІ:

початкову грамотність зі ШІ
базові звички роботи з промптами
загальні звички довіри та перевірки
вступну дисципліну робочих процесів
легкий практичний перехідний матеріал

Це живе в:

Цей трек починається там, де робота стає інженерією:

відтворювані середовища
локальні та віддалені середовища виконання як системи
реалізація фреймворків
поведінка моделей у глибину
розгортання та експлуатація

Не починайте звідси спершу, якщо

вам ще бракує впевненості в терміналі, Git або встановленні програм
середовища Python і локальний інструментарій досі роз’їжджаються з-під контролю
ви хочете глибини платформи чи інфраструктури ще до того, як зрозумієте самі робочі процеси ШІ/МН

У цих випадках спочатку зміцніть Передумови або етап Передумов цього треку ШІ/МН.

Якщо вам спершу потрібна неінженерна точка входу, скористайтеся Основами ШІ, Нативною роботою зі ШІ, Побудовою ШІ-систем та Відкритими моделями та локальним виведенням, перш ніж повертатися сюди.

Почніть тут

Якщо ви не впевнені, з чого почати, оберіть один із цих вхідних маршрутів:

Мета	Почніть з	Далі перейдіть до
Будувати ШІ-застосунки з міцними інженерними звичками	Передумови	Нативна розробка зі ШІ -> Генеративний ШІ -> Векторний пошук і RAG
Вивчати локально-орієнтований ШІ з ноутбука чи робочої станції	Передумови	Нативна розробка зі ШІ -> ШІ-інфраструктура -> Поглиблений генеративний ШІ та безпека
Перейти в MLOps / платформну роботу зі ШІ	Передумови	MLOps і LLMOps -> ШІ-інфраструктура -> Платформна інженерія: дані та ШІ
Будувати ВММ-нативні застосунки в Kubernetes	Векторний пошук і RAG + ШІ-інфраструктура	Синтез-застосунки -> Поглиблений генеративний ШІ та безпека
Глибше зрозуміти навчання та налаштування моделей	Генеративний ШІ	Основи глибокого навчання -> Поглиблений генеративний ШІ та безпека

Чим цей трек відрізняється

він вважає локально-орієнтований ШІ та ШІ домашнього масштабу повноцінними точками старту
він явно вчить переходу від ноутбуків до відтворюваних систем
він пов’язує інженерію застосунків, роботу з моделями та інфраструктуру, замість того щоб тримати їх як окремі світи
він перехресними посиланнями виходить у розділи платформи та on-premises, замість дублювати матеріал поглиблених операцій

Етапи

Трек організовано як один основний стрижень із кількома робочими маршрутами учня.

#	Етап	Фокус
0	Передумови	Налаштування середовища, Python, інструменти розробки
1	Нативна розробка зі ШІ	Claude Code, Cursor, розробка підказок, агенти кодування зі ШІ
2	Генеративний ШІ	ВММ, токенізація, ембединги, генерація тексту, моделі міркування
3	Векторний пошук і RAG	Векторні простори, векторні бази даних, патерни RAG, довгий контекст
4	Фреймворки та агенти	LangChain, LangGraph, LlamaIndex, агентний ШІ, MCP
5	MLOps і LLMOps	Kubernetes для МН, відстеження експериментів, конвеєри, розгортання
6	ШІ-інфраструктура	Хмарне керування, AIOps, vLLM, планування GPU
7	Синтез-застосунки	Побудова ВММ-нативних застосунків з інференсу, векторної пам’яті, оркестрації, обробки відмов і перевірок готовності до продакшену
8	Поглиблений генеративний ШІ та безпека	Донавчання, RLHF, дифузія, вирівнювання, red teaming, оцінювання
9	Мультимодальний ШІ	Мовлення, зір, відео, нативні мультимодальні моделі
10	Основи глибокого навчання	PyTorch, нейронні мережі, CNN, трансформери, зворотне поширення
11	Машинне навчання	Практичні основи табличного МН: API sklearn, регресія, оцінювання, інженерія ознак, дерева, бустинг, кластеризація, виявлення аномалій, зниження розмірності, HPO, часові ряди — плюс рівень 2: дисбаланс, інтерпретованість, рекомендаційні системи, конформне прогнозування, справедливість, причинний аналіз
12	Навчання з підкріпленням	Основи RL для практиків (PPO/DQN/SAC, SB3, Gymnasium) та офлайн RL / імітаційне навчання
A	Історія ШІ/МН	Історичний контекст (додаток); глибоку версію читайте в книзі «Історія ШІ» на 73 розділи

Типові маршрути за ролями

AI application builder: Передумови -> Нативна розробка зі ШІ -> Генеративний ШІ -> Векторний пошук і RAG
Local-first builder: Передумови -> Нативна розробка зі ШІ -> ШІ-інфраструктура -> Поглиблений генеративний ШІ
MLOps / AI platform: Передумови -> MLOps і LLMOps -> ШІ-інфраструктура -> Платформні дані та ШІ
Model-focused learner: Генеративний ШІ -> Основи глибокого навчання -> Поглиблений генеративний ШІ

Коли стає потрібен інший трек

Якщо ваша перешкода…	Перейдіть до…	Чому
слабкі основи кластера, YAML або робочих навантажень	Сертифікації Kubernetes	етапи MLOps та інфраструктури припускають реальну впевненість у Kubernetes
відтворюваність, робочий процес розгортання, відповідальність за сервіс або командні операції	Платформна інженерія	це вже не лише побудова застосунків; це платформна та операційна робота
приватні GPU, ізольовані (air-gapped) середовища, економіка датацентрів або сервінг на голому залізі	On-Premises	інтуїція локально-орієнтованого ШІ сама по собі не переноситься на приватну інфраструктуру
труднощі з процесами, пакетами та службами Linux	Linux	значна частина збоїв ШІ/МН насправді є збоями систем

Для кого цей трек

Інженери ШІ/МН, які будують продакшен-системи МН
Платформні інженери, які підтримують навантаження МН на Kubernetes
Backend-інженери, які інтегрують ВММ і генеративний ШІ в продукти
Спеціалісти MLOps, які експлуатують конвеєри моделей у масштабі
Інженери DevOps, які переходять у ролі ШІ-інфраструктури

Передумови

Програмування: потрібна впевнена робота з Python (етап 0 покриває налаштування)
Основи Kubernetes: стануть у пригоді для етапів MLOps — за потреби див. трек CKA
Основи Linux: за потреби див. трек Linux
Математична інтуїція: лінійна алгебра та статистика стануть у пригоді для етапів глибокого навчання

Пов’язані треки

Платформна інженерія: дані та ШІ — продакшен-розгортання систем МН
CKA / CKAD — основи Kubernetes для етапів MLOps
On-Premises — запуск інфраструктури МН на голому залізі

Коли варто перейти на інший трек

переходьте до Платформної інженерії, коли головною задачею стає експлуатація систем і команд, а не лише побудова моделей чи застосунків
переходьте до On-Premises, коли локально-орієнтована чи приватна робота зі ШІ виростає до справжніх питань приватної інфраструктури
переходьте до Сертифікацій Kubernetes, якщо шлях MLOps блокують слабкі основи кластера

Типові помилки на цьому треку

починати з поглибленої інфраструктури, доки локальні середовища та робочі процеси ще не відтворювані
ставитися до ноутбуків як до постійного робочого процесу, коли справжня проблема — пакування, розгортання або експлуатація
стрибати в приватну ШІ-інфраструктуру лише тому, що обладнання звучить цікаво, ще до того, як шлях застосунку став міцним

З чого почати

Основи домашньої ШІ-станції, якщо потрібен реалістичний локальний шлях налаштування
Ландшафт інструментів кодування зі ШІ, якщо хочете зорієнтуватися в сучасній екосистемі агентів і інструментів
Побудова RAG-систем, якщо мета — практичні застосунки на ВММ
Від ноутбуків до продакшену для МН/ВММ, якщо ви вже експериментуєте в ноутбуках і потребуєте серйознішого робочого процесу
Локальний стек інференсу для учнів, якщо хочете запускати моделі самостійно, не стрибаючи одразу в мислення датацентру

«Найкращі інженери ШІ розуміють і модель, і інфраструктуру, на якій вона працює.»