- Регистрация
- 26 Март 2018
- Сообщения
- 85.578
Название: AI-агенты для Data Scientist-специалистов [proglib.academy] [Никита Зелинский, Дмитрий Фролов]
Описание:
Кому особенно подойдет курс
Спойлер: Программа курса Занятие 1
LLM и их особенности, первый агент на langchain
На занятии посмотрим как выбрать LLM для задачи — квантизованные модели, instruct-модели и пр, какие есть способы запуска LLM — как использовать API, как развернуть LLM локально с помощью Ollama, как происходит токенизация для разных языков и как это влияет на стоимость решения. Рассмотрим реализация памяти в цепочках langchain и обсудим зачем подключать внешние источники если уже есть модели с контекстом более 10 М токенов.
В конце реализуем пару простых агентов на langchain.
Занятие 2
RAG и оценка его качества
Познакомимся с основными компонентами RAG, векторными базами и ANN, другими Retrievers. Рассмотрим модификации RAG и подходы к генерации датасета для тестирования получившегося решения, подход LLM as a judge. В итоге соберем полный пайплайн RAG-системы с оценкой качества.
Занятие 3
Основные понятия мультиагентных систем (MAS) и библиотеки для их построения
Занятие 4
AI-агенты: инструменты, флоу и сравнение фреймворков
Занятие 5
Промышленные агенты и протокол MCP
Авторs: Никита Зелинский, Дмитрий Фролов, Диана Павликова, Максим Шаланкин
Описание:
- разбор open source решений
- живые встречи с экспертами в области ML, DL
- шаблоны для запуска своих агентов
Кому особенно подойдет курс
- ML/AI-инженеры (middle+/senior)
- Data Scientists, исследователи
- Backend/Platform-инженеры
- Advanced CS/DS студенты (магистратура, PhD)
- Tech-продакт-менеджеры & архитекторы AI-решений
Спойлер: Программа курса Занятие 1
LLM и их особенности, первый агент на langchain
На занятии посмотрим как выбрать LLM для задачи — квантизованные модели, instruct-модели и пр, какие есть способы запуска LLM — как использовать API, как развернуть LLM локально с помощью Ollama, как происходит токенизация для разных языков и как это влияет на стоимость решения. Рассмотрим реализация памяти в цепочках langchain и обсудим зачем подключать внешние источники если уже есть модели с контекстом более 10 М токенов.
В конце реализуем пару простых агентов на langchain.
Занятие 2
RAG и оценка его качества
Познакомимся с основными компонентами RAG, векторными базами и ANN, другими Retrievers. Рассмотрим модификации RAG и подходы к генерации датасета для тестирования получившегося решения, подход LLM as a judge. В итоге соберем полный пайплайн RAG-системы с оценкой качества.
Занятие 3
Основные понятия мультиагентных систем (MAS) и библиотеки для их построения
- Вводный обзор MAS, коллективное принятие решений, механизмы обмена информацией и координации агентов между собой.
- Дебаты между агентами, actor-critic подходы. Multi-step agents.
- Знакомство с библиотеками crew ai, autogen, langgraph, llamaindex, smolagents, swarm от open ai
- Фреймворк для анализа промптов spade
Занятие 4
AI-агенты: инструменты, флоу и сравнение фреймворков
- Углубимся в практику с популярными фреймворками, обсудим проблему оценки результатов.
- Tools для AI агентов и их основные типы, workflows.
- Методы оценки качества работы AI-помощников, GAIA.
- Сравнение библиотек для построения мультиагентных систем
Занятие 5
Промышленные агенты и протокол MCP
- Рассмотрим протокол для унифицированной работы с tools — MCP и фреймворк FastMCP.
- Создадим end-to-end MCP приложение
Авторs: Никита Зелинский, Дмитрий Фролов, Диана Павликова, Максим Шаланкин
Скрытый контент для пользователей All-dar.