AI Engineering

Вводная карта AI-инженерии: LLM-продукты, RAG, агентные сценарии, защитные ограничения, оценивание, стоимость и рабочий контур вокруг модели.

Большая историко-инженерная панорама AI: от античных вычислительных идей и перцептрона до AlexNet, глубокого обучения и базовых моделей — с акцентом на то, как вместе менялись алгоритмы, инфраструктура и продуктовые практики.

Введение в ключевые алгоритмы AI: поиск, эволюционные методы, роевой интеллект, ML, нейронные сети и Q-learning. Полезно как алгоритмическая база перед более современными материалами про LLM и генеративные системы.

Короткое и понятное введение в глубокое обучение и анализ данных: базовая теория, классические алгоритмы машинного обучения, прикладные задачи и практика на TensorFlow, Keras и PyTorch.

Chip Huyen о том, как строить AI-приложения вокруг базовых моделей: проектирование запросов, RAG, агенты, дообучение, оценивание и эксплуатация.

Jay Alammar и Maarten Grootendorst: наглядный практический путеводитель по LLM с ~300 иллюстрациями — токенизация, векторные представления, трансформеры, RAG и дообучение.

John Berryman и Albert Ziegler о том, как проектировать запросы для LLM, собирать контекст, использовать RAG и агентные сценарии и оценивать качество ответа.

Как проектировать агентные системы: реестр инструментов, циклы планирования и исполнения, состояние, согласования и безопасную обработку сбоев.

Jay Alammar и Maarten Grootendorst: наглядный практический гид по агентным системам — память, инструменты, планирование, самопроверка, координация нескольких агентов и инженерные риски.

Авторская глава о рабочей RAG-архитектуре: загрузка знаний, извлечение контекста, оркестрация ответа, защитные ограничения, оценивание и компромиссы между SLO и стоимостью.

Практическая глава о том, как проектировать защитные ограничения для LLM-систем: внедрение инструкций в запрос, злоупотребление инструментами, проверка ответа, контроль политик и безопасная деградация.

Как измерять рабочие AI-системы: офлайн-оценка, продуктовые онлайн-метрики, прогоны на исторических данных, ручная проверка и наблюдаемость для разбора деградаций.

Практический GenAI-кейс: корпоративный AI-ассистент для нескольких арендаторов с извлечением контекста с учётом ACL, ссылками на источники, оцениванием, резервными цепочками и ограничениями по стоимости.

Практический AI-кейс: платформа агентной разработки, изоляция рабочих пространств, вызов инструментов, согласования, наблюдаемость и безопасное выполнение действий в SDLC.

Короткая практическая книга 2023 года о первом входе в приложения на базе LLM: API OpenAI, проектирование запросов, защита от внедрения инструкций, дообучение и ранние паттерны LangChain.

Книга раннего выпуска от O'Reilly для подготовки к собеседованиям по AI- и GenAI-системам: 300 вопросов, сильные структуры ответа, типичные ошибки и ключевые акценты интервьюера.

Разбор истории Lovable, бизнес-модели и концептуальной архитектуры платформы: от CLI с открытым кодом до облачного продукта с агентным рабочим циклом.

Разбор архитектуры Dyad: многопроцессный Electron, локальный контур исполнения, оркестрация агента и инструментов, шаблоны проекта и контрольные точки для безопасного отката.

Расширенный доклад о том, как инженерные команды переходят от AI-ассистентов к агентским сценариям в SDLC: инструменты, протоколы, управление, измерение эффекта и практические кейсы внедрения.

Доклад CTO Яндекса Алексея Гусакова о том, как AI-продукты переходят от ручного описания алгоритмов к проектированию намерений, ограничений, циклов оценивания и полезного поведения системы.

Официальный документальный фильм PyTorch о том, как исследовательский фреймворк превратился в один из главных стандартов современной AI-разработки.

Документальный фильм о матче AlphaGo против Ли Седоля и об инженерной системе, которая сделала этот исследовательский прорыв возможным.

Документальный фильм о долгой исследовательской траектории DeepMind: от AlphaGo к AlphaFold и следующим ставкам на пути к AGI.