- Регистрация
- 10 Окт 2018
- Сообщения
- 58,797
- Реакции
- 320,558
[Дмитрий Соболев] [Stepik]
RAG-системы на векторных базах данных (2026)
RAG (Retrieval-Augmented Generation) — это технология, которая позволяет языковым моделям работать с актуальными данными и корпоративными знаниями.
Вместо того чтобы полагаться только на обучающие данные, RAG-системы находят релевантную информацию в векторных базах и используют её для генерации точных ответов.
Почему именно этот курс?
Большинство курсов по AI останавливаются на базовых примерах с LangChain.
Мы идём дальше — от математики эмбеддингов до продакшен-систем с мониторингом качества и CI/CD.
Что делает курс особенным:
Три векторные БД (FAISS, Qdrant, Weaviate) с глубоким погружением в архитектуру
Практикумы с реальными сценариями: от прототипа до deployment
Мультимодальный поиск (текст + изображения)
Production-подход: метрики качества, контроль версий, CI/CD для ML
Структура курса:
Введение в векторный поиск — эмбеддинги, алгоритмы ANN, архитектура хранилищ
FAISS — высокопроизводительная библиотека от Meta для миллионов векторов
Qdrant — современная векторная БД с богатым функционалом
Weaviate — векторная БД с GraphQL и гибкой схемой данных
Production-практики — мультимодальность, метрики, мониторинг, CI/CD
Каждый раздел включает практикум, где вы собираете работающие RAG-пайплайны и решаете задачи, близкие к боевым.
Для кого этот курс:
ML-инженеры, которые хотят внедрять RAG в production и работать с векторными БД Backend-разработчики, интегрирующие AI/LLM в свои приложения Data Scientists,
переходящие в ML Engineering и желающие понять инфраструктуру AI-энтузиасты с опытом программирования, готовые строить реальные AI-системы
Начальные требования:
Python — умеете писать простые скрипты, работали с библиотеками типа pandas или requests
Базовое понимание ML — слышали про векторы и знаете, что такое расстояние между точками (остальное объясним)
Желательно, но не обязательно: опыт с API, знакомство с Git, общее представление о том, как работают LLM
Если вы писали код на Python и интересуетесь AI — этого достаточно. Всю специфику RAG и векторных БД разберём с нуля.
Программа курса:
1. Введение
Обучаю data science и ML-инженерии: от анализа до AI-систем. Темы: алгоритмы, Python для данных, инструменты DE, LLM-приложения.
Фокус на практике и не очевидных вещах.
Несколько лет работал Python-разработчиком и ML-инженером в аутсорсинговых компаниях и стартапах.
Занимался анализом данных, построением ML-пайплайнов и внедрением моделей в production.
Сейчас преподаю курсы по data science и ML-инженерии, параллельно работаю над собственными ML-проектами.
Специализируюсь на практических навыках для работы с данными: от алгоритмов и Python до production ML-систем и LLM-приложений.
Создаю курсы для тех, кто хочет перейти в data science или прокачать существующие навыки до уровня ML-инженера.
Упор делаю на понимание концепций и их применение в реальных задачах, а не на заучивание синтаксиса.
Верю, что хорошее образование — это баланс между теорией и практикой, где каждая концепция подкреплена рабочими примерами.
Подробнее:
Скачать:
RAG-системы на векторных базах данных (2026)
RAG (Retrieval-Augmented Generation) — это технология, которая позволяет языковым моделям работать с актуальными данными и корпоративными знаниями.
Вместо того чтобы полагаться только на обучающие данные, RAG-системы находят релевантную информацию в векторных базах и используют её для генерации точных ответов.
Почему именно этот курс?
Большинство курсов по AI останавливаются на базовых примерах с LangChain.
Мы идём дальше — от математики эмбеддингов до продакшен-систем с мониторингом качества и CI/CD.
Что делает курс особенным:
Три векторные БД (FAISS, Qdrant, Weaviate) с глубоким погружением в архитектуру
Практикумы с реальными сценариями: от прототипа до deployment
Мультимодальный поиск (текст + изображения)
Production-подход: метрики качества, контроль версий, CI/CD для ML
Структура курса:
Введение в векторный поиск — эмбеддинги, алгоритмы ANN, архитектура хранилищ
FAISS — высокопроизводительная библиотека от Meta для миллионов векторов
Qdrant — современная векторная БД с богатым функционалом
Weaviate — векторная БД с GraphQL и гибкой схемой данных
Production-практики — мультимодальность, метрики, мониторинг, CI/CD
Каждый раздел включает практикум, где вы собираете работающие RAG-пайплайны и решаете задачи, близкие к боевым.
Для кого этот курс:
ML-инженеры, которые хотят внедрять RAG в production и работать с векторными БД Backend-разработчики, интегрирующие AI/LLM в свои приложения Data Scientists,
переходящие в ML Engineering и желающие понять инфраструктуру AI-энтузиасты с опытом программирования, готовые строить реальные AI-системы
Начальные требования:
Python — умеете писать простые скрипты, работали с библиотеками типа pandas или requests
Базовое понимание ML — слышали про векторы и знаете, что такое расстояние между точками (остальное объясним)
Желательно, но не обязательно: опыт с API, знакомство с Git, общее представление о том, как работают LLM
Если вы писали код на Python и интересуетесь AI — этого достаточно. Всю специфику RAG и векторных БД разберём с нуля.
Программа курса:
1. Введение
- 1.1 Вводный урок
- 2.1 Введение в семантический поиск и эмбеддинги
- 2.2 Инструменты для работы с эмбеддингами
- 2.3 Поиск ближайших соседей: от теории к архитектуре
- 2.4 Векторные хранилища
- 2.5 Что такое RAG и зачем оно нужно
- 3.1 FAISS: архитектура и типы индексов
- 3.2 Работа с индексами FAISS
- 3.3 FAISS в RAG-пайплайне: LangChain и продакшен
- 3.4 Практикум по FAISS
- 4.1 Qdrant: архитектура и устройство
- 4.2 Qdrant на практике
- 4.3 Qdrant + LangChain: RAG-пайплайн
- 4.4 Практикум по Qdrant
- 5.1 Архитектура Weaviate и GraphQL API
- 5.2 Python SDK — схема, поиск, RAG
- 5.3 LangChain + Weaviate
- 5.4 Практикум по Weaviate
- 6.1 Мультимодальный поиск: текст + изображение
- 6.2 Продвинутые приёмы поиска
- 6.3 Порог «не знаю»: конфиденс и правила отказа
- 6.4 Метрики качества поиска
- 6.5 Основы системы контроля версий Git
- 6.6 Непрерывная интеграция и доставка: CI/CD с GitHub Actions
Обучаю data science и ML-инженерии: от анализа до AI-систем. Темы: алгоритмы, Python для данных, инструменты DE, LLM-приложения.
Фокус на практике и не очевидных вещах.
Несколько лет работал Python-разработчиком и ML-инженером в аутсорсинговых компаниях и стартапах.
Занимался анализом данных, построением ML-пайплайнов и внедрением моделей в production.
Сейчас преподаю курсы по data science и ML-инженерии, параллельно работаю над собственными ML-проектами.
Специализируюсь на практических навыках для работы с данными: от алгоритмов и Python до production ML-систем и LLM-приложений.
Создаю курсы для тех, кто хочет перейти в data science или прокачать существующие навыки до уровня ML-инженера.
Упор делаю на понимание концепций и их применение в реальных задачах, а не на заучивание синтаксиса.
Верю, что хорошее образование — это баланс между теорией и практикой, где каждая концепция подкреплена рабочими примерами.
Подробнее:
Скрытое содержимое доступно для зарегистрированных пользователей!
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
