[Otus] AI-архитектор (Дмитрий Фомин, Андрей Носов)

[Лягушатор]

Ссылка на картинку

Проектирование AI‑решений для бизнеса

Для кого этот курс?

• Архитекторы ПО и систем
• Senior‑разработчики и Тимлиды, желающие перейти в роли архитекторов AI
• ML-инженеры, MLOps‑инженеры и Data-инженеры
• Инфраструктурные инженеры / SRE

Необходимые знания:

• Базовые знания Python
• Понимание основных ML‑понятий (тренировка/валидация моделей, переобучение, метрики качества)
• Базовые знания системной архитектуры и сетей
• Опыт работы с Git и понимание CI/CD

Что даст вам этот курс?

• Умение проектировать AI‑системы: от требований и PoC до Production
• Выбор и внедрение архитектурных паттернов: RAG, AI‑агенты, multi‑agent systems
• Проектирование MLOps‑конвейеров, CI/CD и IaC для AI‑решений
• Создание HLD и LLD (C4 Model и детализация компонентов)
• Расчет ресурсов и оптимизация инференса LLM (sizing, latency, cost)
• Проектирование интеграций и архитектуры данных для AI (ETL, векторные БД)
• Обеспечение качества GenAI‑компонентов: тестирование, валидация, мониторинг
• Управление стоимостью (FinOps) и принятие стратегических решений по архитектуре

Программа:
01 Пресейл контракты и работа с требованиями - закладываем фундамент проекта
02 Проектирование и оценка - от требований к плану, рискам и смете
03 Стратегия поставки ценности - от PoC до Production
04 Высокоуровневое проектирование (HLD) с использованием C4 Model
05 Низкоуровневое проектирование (LLD) - компоненты и взаимодействия
06 Архитектурные паттерны - RAG и его продвинутые вариации
07 Архитектурные паттерны - AI-агенты и Multi-Agent Systems
08 Документирование решений - Architecture Decision Records (ADR)
09 Верификация архитектуры и «CTO Challenge»
10 Архитектурный надзор и управление техническим долгом
11 Проектирование интеграций - от классики до AI-стандартов
12 Архитектура данных для AI-систем
13 Оценка качества и тестирование GenAI-компонентов 1
13 Оценка качества и тестирование GenAI-компонентов 2
14 Security by Design - архитектура для защиты AI-систем
15 Архитектура наблюдаемости (Observability) 1
15 Архитектура наблюдаемости (Observability) 2
16 Расчёт ресурсов (Sizing) для приложений и данных
17 Расчёт ресурсов и оптимизация инференса LLM
18 Инфраструктура как код (IaC) и CI-CD
19 Архитектура MLOps-конвейеров
20 Стратегии развёртывания и вывода в Production
21 Архитектура высокой доступности (HA) и восстановления (DR)
22 Serverless vs Kubernetes для AI-ворклоадов
23 Событийно-ориентированная архитектура (EDA) для AI
24 Архитектура для High-Load и Low-Latency инференса
25 Гибридная и мультиоблачная архитектура для AI
26 Архитектура для Multi-tenancy в AI SaaS
27 Federated Learning и Privacy-Preserving архитектура
28 FinOps архитектура, управляемая стоимостью
29 Технологический радар и эволюция архитектуры
30 Ethical AI by Design и архитектура для Governance
31 API как продукт проектирование и управление
32 Выбор темы и организация проектной работы
33 Консультация по проектам и домашним заданиям
34 Защита проектных работ
35 Подведение итогов курса

Преподаватели:

Дмитрий Фомин, Андрей Носов, Николай Степанов, Денис Лавров,
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания.

Показать больше