Generative AI

Модуль 1 Вступ до Generative AI та LLM

Детальніше

Результат:

• Розуміння, що таке Generative AI і як працюють великі мовні моделі.
• Розуміння основних сценаріїв використання LLM у бізнесі, аналітиці, продуктах і автоматизації.
• Вміння орієнтуватися в базовій термінології: токени, контекст, inference, embeddings, multimodal.

Модуль 2 Моделі та вибір правильного LLM під задачу

Детальніше

Результат:

• Розуміння, чим відрізняються різні типи моделей і як обирати модель під конкретний use case.
• Вміння оцінювати компроміси між якістю, вартістю, швидкістю та контекстним вікном.
• Розуміння, коли доцільно використовувати великі моделі, а коли — компактніші рішення.

Модуль 3 Відповідальне використання Generative AI

Детальніше

Результат:

• Розуміння ключових ризиків Generative AI: галюцинації, bias, некоректні або небезпечні відповіді.
• Вміння будувати AI-рішення з урахуванням принципів відповідального використання.
• Розуміння базових підходів до контролю якості, безпеки та обмежень моделей.

Модуль 4 Prompt Engineering: базовий рівень

Детальніше

Результат:

• Вміння формулювати ефективні запити до LLM для текстових і прикладних задач.
• Розуміння структури хорошого промпта: роль, контекст, інструкція, формат відповіді, обмеження.
• Вміння покращувати якість результату через ітерації та правильну постановку задачі.

Модуль 5 Prompt Engineering: просунуті техніки

Детальніше

Результат:

• Вміння застосовувати більш складні техніки prompt engineering для стабільнішого результату.
• Розуміння, як задавати багатокрокову логіку, приклади, шаблони відповідей і правила генерації.
• Вміння адаптувати промпти під різні задачі: аналітика, узагальнення, генерація ідей, робота з контентом.

Модуль 6 Створення AI-застосунків: текст і чат

Детальніше

Результат:

• Розуміння, як будуються text generation та chat applications.
• Вміння створювати базову логіку AI-чату й сервісів генерації тексту.
• Розуміння сценаріїв використання LLM у помічниках, внутрішніх інструментах і клієнтських продуктах.

Модуль 7 Пошук, embeddings і RAG-системи

Детальніше

Результат:

• Розуміння, як embeddings використовуються для semantic search і пошуку за змістом.
• Вміння будувати базову RAG-логіку для роботи з власними документами й знаннями компанії.
• Розуміння ролі vector databases у сучасних GenAI-рішеннях.

Модуль 8 Оцінка якості AI-рішень (Evals)

Детальніше

Результат:

• Розуміння, як оцінювати якість відповідей LLM і AI-систем не лише вручну, а системно.
• Вміння визначати критерії якості для різних сценаріїв: чатів, RAG, агентів, генерації тексту та AI-асистентів.
• Розуміння, як порівнювати різні промпти, моделі та підходи й знаходити слабкі місця AI-рішення.

Модуль 9 Генерація зображень і multimodal-підходи

Детальніше

Результат:

• Розуміння основ image generation applications та multimodal-сценаріїв.
• Вміння використовувати AI для генерації візуального контенту під бізнесові та креативні задачі.
• Розуміння обмежень і практичних сценаріїв застосування мультимодальних моделей.

Модуль 10 Інтеграція AI у продукти: low-code та function calling

Детальніше

Результат:

• Розуміння, як інтегрувати Generative AI у прикладні сервіси без складної архітектури з нуля.
• Вміння працювати з low-code AI-підходами для швидкого прототипування.
• Розуміння function calling і вміння підключати зовнішні функції, сервіси та API до AI-застосунків.

Модуль 11 UX, безпека та життєвий цикл AI-застосунку

Детальніше

Результат:

• Розуміння UX-принципів для AI-інтерфейсів і сценаріїв взаємодії з користувачем.
• Розуміння основ безпеки AI-застосунків: загрози, ризики та базові способи захисту.
• Вміння орієнтуватися в життєвому циклі AI-рішення: оцінка, оновлення, моніторинг, LLMOps.

Модуль 12 AI у продакшені: вартість, latency, надійність

Детальніше

Результат:

• Розуміння, від чого залежить вартість AI-рішень і як контролювати витрати при роботі з моделями.
• Вміння враховувати latency, стабільність відповіді та надійність системи під час проєктування AI-функцій.
• Розуміння базових production-підходів: оптимізація запитів, вибір моделі, fallback-сценарії, моніторинг і контроль якості.

Модуль 13 Open-source моделі, агенти та спеціалізовані LLM

Детальніше

Результат:

• Розуміння, як працювати з open-source моделями та екосистемою Hugging Face.
• Вміння оцінювати сценарії використання AI-агентів для автоматизації складніших процесів.
• Розуміння відмінностей між open-source, SLM та сімействами моделей на кшталт Mistral і Meta.

Модуль 14 AI-агенти для розробки: Claude Code та Codex

Детальніше

Результат:

• Розуміння, як працюють сучасні AI-агенти для розробки, що можуть читати кодову базу, редагувати файли, запускати команди та допомагати з довшими технічними задачами.
• Вміння використовувати agentic coding-підходи для написання коду, рефакторингу, аналізу проєкту, виправлення помилок і автоматизації частини розробки.
• Розуміння сильних сторін, обмежень і безпечного використання таких інструментів у реальній роботі.

Модуль 15 Fine-tuning і фінальний AI-проєкт

Детальніше

Результат:

• Розуміння, що таке fine-tuning, коли він потрібен і коли краще обрати інші підходи.
• Вміння обрати адекватний шлях покращення AI-рішення: prompt engineering, RAG чи fine-tuning.
• Створення власного практичного GenAI-проєкту для портфоліо з демонстрацією реального сценарію використання.