Продвинутый уровень

Каталог курсов

Human Growth Kazakhstan
>
Продвинутый уровень

AI03 — Agentic Engineering & Multi‑Agent Systems
- Направление: Искусственный интеллект Artificial Intelligence
- Длительность: 5 дней (40 часов)
- Код курса: AI03
- Стоимость
- Очный формат: 799 000 ₸
- Онлайн формат: 780 000 ₸
Описание курса
Описание
Программа охватывает проектирование и внедрение агентных систем: архитектуры планирования и рассуждения, стандартизированный tool‑use через MCP, иерархическую память и самоисправление, обучение агентов в среде с использованием GRPO, обеспечение безопасности и операционное сопровождение (AgentOps).
Аудитория
Инженеры прикладного ИИ, архитекторы решений, разработчики платформ и ассистентов, команды, внедряющие автономные workflow‑системы.
Расписание:
День 1. Архитектуры reasoning‑агентов.
Проектирование агентов под reasoning‑native модели и интеграция внутреннего монолога в архитектуру. Подходы LATS и Monte‑Carlo Tree Search для задач с высокой ценой ошибки. Сопоставление детерминированных графов (LangGraph) и динамических роёв (Swarm, CrewAI). Паттерн Plan‑then‑Review с разделением ролей планировщика и исполнителя.
День 2. Tool‑use и экосистема MCP.
Model Context Protocol как единый интерфейс между агентами и внешними системами (SQL, Slack, GitHub, браузер). Structured tool calling и проектирование отказоустойчивых API со стратегиями самовосстановления. Агентный визуальный интерфейс и навигация по веб‑ и desktop‑приложениям через vision‑модели. Изоляция инструментов в sandbox‑средах (E2B, контейнеры) с ограничением ресурсов.
День 3. Память и когнитивная архитектура.
Иерархическая память: рабочая, семантическая (поверх GraphRAG) и эпизодическая. Петли самоисправления и автоматическое уточнение системного промпта на основе логов. Shared state в мультиагентных системах и предотвращение состояний гонки. Роль агента‑критика и блокирование галлюцинаций до выдачи финального ответа.
День 4. Агентное обучение и reward engineering.
GRPO для агентных сценариев и обучение в специфической бизнес‑среде. Проектирование сред (ART, RLFactory) и симуляций бизнес‑процессов. Reward engineering и защита от поведенческого «читинга». Дистилляция навыков крупных рассуждающих моделей в компактные локальные SLM.
День 5. Развёртывание и безопасность.
AgentOps: трассировка цепочек, аудит затрат и мониторинг траекторий рассуждений. Guardrails и обеспечение суверенности данных через локальные и кастомные фильтры. Human‑in‑the‑loop для критических действий (платежи, удаление данных). Сборка и защита итогового мультиагентного решения под прикладную задачу слушателя.
Перейти на страницу курса
AI04 — Локальное дообучение открытых больших языковых моделей под прикладной класс задач
- Направление: Искусственный интеллект Artificial Intelligence
- Длительность: 5 дней (40 часов)
- Код курса: AI04
- Стоимость
- Очный формат: 799 000 ₸
- Онлайн формат: 780 000 ₸
Описание курса
Описание
Программа охватывает полный цикл пост‑тренинга открытых больших языковых моделей под конкретный класс прикладных задач: подготовку данных, supervised fine‑tuning и parameter‑efficient методы (LoRA, QLoRA), оптимизацию по предпочтениям и обучение с подкреплением (GRPO), оценку качества и продуктивную эксплуатацию. По итогам обучения слушатель строит воспроизводимый пайплайн «данные → обучение → оценка → квантизация → API» и достигает измеримого улучшения качества на собственной задаче.
Аудитория
ML‑инженеры, исследователи, инженеры прикладного ИИ, технические руководители, отвечающие за качество и стоимость инференса, а также разработчики, внедряющие локальные модели в корпоративный контур.
Расписание
День 1. Ландшафт моделей и инфраструктура.
Экосистема открытых моделей 2026 года: семейства MoE и dense, ключевые архитектурные тренды (linear attention, мультимодальная early fusion) и лицензионные ограничения. Выбор стратегии адаптации модели в логике prompt engineering → RAG → SFT → preference optimization → reinforcement fine‑tuning. Настройка рабочего окружения (CUDA, PyTorch, Transformers, PEFT, bitsandbytes, accelerate, Unsloth, TRL). Базовый бенчмарк качества до обучения и сравнительный анализ MoE‑ и dense‑моделей при фиксированном бюджете VRAM.
День 2. Подготовка данных и верификация.
Форматы датасетов (ChatML, ShareGPT, Alpaca) и критерии их выбора. Принципы качества обучающих корпусов: разнообразие, консистентность, сложность, edge cases, баланс объёма и предметной плотности. Синтетическая генерация данных с использованием сильной модели‑учителя; формирование задач из корпоративных документов. Одновременная подготовка трёх типов данных: пары для SFT, пары предпочтений и программные верификаторы. Очистка, дедупликация, корректное разбиение train/val/test с контролем утечек.
День 3. Supervised fine‑tuning и parameter‑efficient методы.
Сопоставление full fine‑tuning и PEFT, область применения каждого подхода. Математика и практика LoRA и QLoRA, выбор rank, alpha и target modules; альтернативы (DoRA, LongLoRA). Ключевые гиперпараметры (learning rate, batch size, gradient accumulation, warmup, число эпох) и стратегии предотвращения катастрофического забывания. Серия экспериментов с мониторингом метрик в Weights & Biases, экспорт и слияние адаптеров с базовой моделью.
День 4. Оптимизация по предпочтениям и reinforcement fine‑tuning.
Семейство методов DPO, SimPO, KTO, ORPO и условия их применения. GRPO как опорный метод 2026 года, обучение с программной верификацией (RLVR), стабилизация длинных цепочек рассуждений (DAPO). Проектирование reward‑функций под прикладную задачу и защита от reward hacking. Сравнительный анализ стадий base → SFT → preference → GRPO с интерпретацией приростов качества и сопутствующих рисков.
День 5. Развёртывание и продуктивные практики.
Квантизация для инференса (GPTQ, AWQ, GGUF) и критерии её выбора. Serving‑стек (vLLM, llama.cpp, SGLang, Ollama), structured output и constrained decoding; оптимизация KV‑кэша и prefix caching. Нагрузочное тестирование по показателям latency и throughput. Упаковка пайплайна как воспроизводимого проекта и непрерывный цикл «обратная связь → инкрементальный GRPO». Защита итогового результата с метриками «до/после» и демонстрацией работающей модели.
Перейти на страницу курса
AI05 — Vision Foundation Models & Multimodal AI
- Направление: Искусственный интеллект Artificial Intelligence
- Длительность: 5 дней (40 часов)
- Код курса: AI05
- Стоимость
- Очный формат: 799 000 ₸
- Онлайн формат: 780 000 ₸
Описание курса
Описание
Программа посвящена современным foundation‑моделям компьютерного зрения и мультимодальным моделям (VLM): zero‑shot детекции и сегментации, визуальному вопросно‑ответному анализу, доменной адаптации, видеоаналитике и развёртыванию на edge‑устройствах и в высоконагруженном облаке.
Аудитория
Инженеры компьютерного зрения, ML‑инженеры, команды Document AI, производственные и ритейл‑команды контроля качества и мониторинга.
Расписание
День 1. Foundation‑бекбоны и zero‑shot vision.
Универсальные визуальные бекбоны (DINOv3, SigLIP‑2) как экстракторы признаков. Open‑vocabulary детекция (OWLv3, Grounding DINO 2) и поиск объектов по текстовому описанию без дообучения. Иерархическая сегментация Segment Anything 3 и видеотрекинг масок. Построение пайплайна автоматической разметки данных.
День 2. VLM и визуальный вопросно‑ответный анализ.
Архитектура современных VLM и роль визуальных проекторов. Извлечение данных из документов, чертежей и пользовательских интерфейсов в логике Document AI. Spatial reasoning: понимание координат, расстояний и относительного расположения объектов. Проектирование мультимодального пайплайна под доменный кейс слушателя.
День 3. Дообучение и доменная адаптация.
Parameter‑efficient методы (LoRA, DoRA) для vision‑бекбонов и мультимодальных проекторов. Дообучение декодеров сегментации под специфические объекты предметной области. Ускоренное обучение VLM с помощью Unsloth и оптимизация потребления VRAM. Синтетические данные через диффузионные модели для расширения обучающих корпусов.
День 4. Видеоаналитика и temporal reasoning.
Long‑context video understanding и работа с длинными видеопотоками. Устойчивый трекинг при перекрытиях с помощью современных моделей трекинга. Распознавание действий и понимание намерений через рассуждения модели. Системы событийного мониторинга на примерах промышленной безопасности.
День 5. Edge AI и продуктивное развёртывание.
Низкобитная квантизация (4‑bit, тернарные представления) для запуска VLM на ограниченном оборудовании. Оптимизация мультимодальных цепочек через ONNX и TensorRT‑LLM. Speculative decoding для ускорения генерации описаний. Упаковка модели под целевое устройство и измерение FPS, латентности и энергопотребления.
Перейти на страницу курса