-
120+ поступивших в ШАД и ML магистратуры -
4.9 средняя оценка учеников
AI-агенты - это 7 занятий с экспертом из индустрии, практикой на реальных задачах с полным стеком технологий для создания агентных систем.
- Получите практический опыт создания AI-агентов и агентных систем
- Сможете автоматизировать и оптимизировать бизнес-процессы
- Откроете для себя новые карьерные возможности и значительно увеличите свою зарплату, становясь ценным специалистом на переднем крае технологий
Кому и как будет полезен курс
- ML/AI-инженеры
Освоите AGI-подходы, создадите продвинутые AI-решения, повысите ценность на рынке - Data Scientists с опытом в NLP
Улучшите NLP-решения, автоматизируете сложные процессы, сможете перейти в AI-разработку. - Backend-разработчики с интересом к AI
Освоите AI-first архитектуры, научитесь внедрять AI-автоматизацию в продукты.
Что получите вы как специалист
Навыки для создания AI-агентов
Позволит автоматизировать рутинные задачи, сократить издержки и повысить эффективность бизнеса
Готовые решения для интеграции в рабочие процессы
Чат-боты, AI-аналитики, персональные ассистенты и другие агенты, приносящие реальную пользу
Практику на реальных инструментах
От локальных моделей до облачных API, без «воды» в теории
Автор курса
- Глеб Шевчук-ГеннеИсследователь данных в Sber
Имеет практический опыт в разработке и оптимизации нейросетевых архитектур, fine-tuning LLM (в т.ч. GigaChat), а также внедрении RAG-систем для корпоративных знаний. Работал над проектами в области NLP, CV и мультиагентных систем. Области интересов: архитектуры нейросетей, агентные подходы и прикладной NLP.
Для чего нужны AI-агенты
AI-агент — система на основе генеративного AI, которая автономно действует, адаптируется к изменениям и взаимодействует с людьми или другими агентами для достижения целей. С помощью AI-агентов решаются разнообразные задачи: построение аналитики в e-commerce, сейлз-помощники для поддержки клиентов, персональные ассистенты, и многое другое.
По своим возможностям и функционалу один AI-агент может быть сопоставим с целым отделом аналитиков или клиентских менеджеров. При этом стоимость разработки и поддержание работы агента несоизмеримо малы.
На курсе вы освоите архитектуру AI-агентов и взаимодействие с внешними сервисами. Научитесь отлаживать AI-агентов, оптимизировать запросы к LLM и развертывать решения в продакшн. Курс включает практическую работу с кодом, разбор кейсов и создание собственного проекта.
По своим возможностям и функционалу один AI-агент может быть сопоставим с целым отделом аналитиков или клиентских менеджеров. При этом стоимость разработки и поддержание работы агента несоизмеримо малы.
На курсе вы освоите архитектуру AI-агентов и взаимодействие с внешними сервисами. Научитесь отлаживать AI-агентов, оптимизировать запросы к LLM и развертывать решения в продакшн. Курс включает практическую работу с кодом, разбор кейсов и создание собственного проекта.
Программа
Основы работы с агентами.
Обзор LLM: различия между квантизированными моделями, instruct-моделями и их влияние на выбор модели для различных задач.
Обзор LLM: различия между квантизированными моделями, instruct-моделями и их влияние на выбор модели для различных задач.
- Запуск LLM: API-методы и локальное развертывание с помощью Ollama. Основы токенизации и её влияние на производительность и стоимость.
- Основы работы с LangChain: Реализация памяти агентов.
- Создание простых агентов с использованием LangChain: пошаговая реализация и тонкости интеграции памяти и источников данных.
- Основы вероятностного моделирования для агентных систем.
- Введение в простые вероятностные графы и их применение в контексте LLM.
Основные компоненты RAG: как работают retrievers и векторные базы данных.
- Генерация датасетов для тестирования RAG: стратегии и методы создания тестовых выборок.
- Оценка качества RAG: Методы метрик для оценки качества документов (например, Mean Average Precision).
- Методы оценки производительности агентов в RAG-системах.
- Алгоритмы поиска по векторам и их эффективность.
- Оценка качества через вероятностные модели и использование функций потерь в RAG-системах.
Теория и принципы коллективного принятия решений:
Библиотеки для построения MAS: Обзор и использование Crew AI, LangGraph, AutoGen, SmolAgents, Swarm.
Механизмы координации между агентами и обмена информацией.
Введение в использование и анализ промптов с помощью SPADE.
Оптимизация многошаговых стратегий агентов.
Анализ совместных распределений для многомерных агентных систем.
Глубокие методы оптимизации: использование стохастических градиентных методов в агентных системах.
- Actor-Critic подходы для координации агентов.
- Принципы многошаговых агентов.
Библиотеки для построения MAS: Обзор и использование Crew AI, LangGraph, AutoGen, SmolAgents, Swarm.
Механизмы координации между агентами и обмена информацией.
Введение в использование и анализ промптов с помощью SPADE.
Оптимизация многошаговых стратегий агентов.
Анализ совместных распределений для многомерных агентных систем.
Глубокие методы оптимизации: использование стохастических градиентных методов в агентных системах.
Обзор и возможности LangGraph и LangChain:
Как LangChain помогает в построении сложных агентов и их интеграции с внешними источниками данных.
Особенности работы с LangGraph: структура, концепции и принципы.
Интеграция LangChain в веб-приложения:
Современные техники интеграции:
Как LangChain помогает в построении сложных агентов и их интеграции с внешними источниками данных.
Особенности работы с LangGraph: структура, концепции и принципы.
Интеграция LangChain в веб-приложения:
- Как использовать LangGraph с React приложениями для построения динамичных интерфейсов.
- Пример интеграции агентов в реальном времени с использованием streaming.
- Настройка веб-сокетов для реального времени и их использование с LangChain для построения интерактивных агентов.
Современные техники интеграции:
- Работа с реактивными данными (реактивные приложения с агентами).
- Введение в использование LangGraph для интеграции потоковых данных и обработки информации в реальном времени.
- Теория потоковых данных и их интеграция с агентными системами.
- Моделирование времени и обработка информации в динамических системах.
Разработка и настройка агентных фреймворков:
Оценка качества работы агентов:
- Обзор популярных фреймворков и их возможностей.
- Как интегрировать различные инструменты для улучшения функционала агентов (например, векторные базы данных, внешние API).
- Настройка рабочих процессов для многоагентных систем.
Оценка качества работы агентов:
- Методы оценки эффективности агентных решений, GAIA.
- Разбор примеров использования этих метрик на реальных примерах.
- Модели вероятностного прогнозирования для многократных итераций.
- Применение методов машинного обучения для оценки результатов работы агентных систем.
Протокол MCP (Multi-agent Communication Protocol): основные принципы и практика применения.
Создание End-to-End приложений с использованием MCP и фреймворка FastMCP:
Оценка производительности MCP-систем: анализ сложности и оптимизация передачи данных.
Создание End-to-End приложений с использованием MCP и фреймворка FastMCP:
- Реализация протокола MCP для обеспечения совместной работы агентов.
- Пример полного пайплайна от разработки до внедрения в реальную задачу.
- Теория взаимодействия агентов: кооперативные игры, теория информации и коммуникации.
Оценка производительности MCP-систем: анализ сложности и оптимизация передачи данных.
Введение в методы обучения агентов:
- Как обучить агентов через реренкинг (Re-ranking), методы обучения с подкреплением.
- Обучение через наблюдение и самообучение агентов.
- Применение реранкеров в задачах поиска и классификации: как это повышает качество работы агентов.
- Построение и обучение реранкеров через оптимизацию функций потерь.
- Теория обучения с подкреплением: использование Value Iteration и Policy Gradient методов в контексте агентов.
Как мы преподаем
-
Онлайн занятия
Наши занятия проводятся ведущими экспертами и охватывают ключевые темы в создании AI-агентов.
Вы получите ценные знания и навыки, которые сможете применить в реальных проектах. -
Домашняя работа и обратная связь
Самостоятельная работа – важнейший компонент освоения материала и подготовки. Мы будем регулярно задавать и проверять домашнюю работу. Даём обратную связь, следим за прогрессом студента. -
Живое общение
В наших чатах всегда можно обсудить материал с преподавателями, задать им вопросы по программе. Организована работа мини-групп, где студенты общаются друг с другом. -
Финальный проект
В течение всего курса вы будете работать над большим проектом по созданию своей агентной системы.
Старт: скоро
Я хочу научиться создавать AI-агентов
Стоимость: 29 999₽
Лист ожидания
Мы сообщим вам, когда запустим программу и предложим записаться по самой выгодной цене ✨
Нажимая на кнопку оплатить, вы принимаете условия пользовательского соглашения и политики конфиденциальности.
Этот курс может оплатить ваш работодатель
Если знания курса пригодятся вам на текущем месте работы, поговорите с руководителем о частичной или полной оплате учёбы. Напишите нам на почту support@shvm.xyz или в онлайн чат на сайте. Менеджер свяжется с вами и сориентирует по дальнейшим действиям.
FAQ
Занятия не будут разделены на лекции и практические занятия. Во время каждого занятия будет разбираться теория и практическая часть.
Записи занятий будут доступны в вашем личном аккаунте на нашей платформе.
Занятия будут проходить онлайн, на платформе Zoom.
Да, вы сможете оформить налоговый вычет за обучение, если вы являетесь налоговым резидентом России и оплачиваете подоходный налог. Подать документы на вычет можно в году, следующем за годом оплаты обучения. Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС
Да, конечно. Мы можем принять как полную, так и частичную оплату от юридического лица. Напишите нам нампочту support@shvm.xyz или в онлайн-чат на сайте. Менеджер свяжется с вами и сориентирует по дальнейшим действиям.
Скачать программу курса в PDF
Нажимая на кнопку "отправить", вы даете согласие на обработку персональных данных