AI-агенты для оптимизации бизнес-процессов

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 помощью LLM

— сориентироваться в параметрах LLM, на которые необходимо обращать внимание при выборе LLM.

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 проде

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

Этот модуль поможет:

• Понять подходы к эксплуатации LLM в продуктивной среде

Результаты обучения

• Понимание архитектуры LLM и RAG для решения бизнес-задач.
• Практические навыки создания чат-ботов, AI-ассистентов и кастомных агентов.
• Умение работать с векторными СУБД и современными фреймворками (LangChain, Milvus).
• Опыт развертывания и мониторинга AI-систем в продакшене.
• Готовые кейсы для внедрения в вашей компании: от автоматизации поддержки до оптимизации разработки.