от 34 770
₽/мес
от 39 990 ₽/интенсив
Все курсы
Интенсивы
Запуск 1 июня
RAG-ассистент
Интенсив посвящён созданию RAG-ассистента для ответов по документам. Участник освоит LoRA/QLoRA, подготовит датасет, выполнит fine-tuning в Colab и создаст веб-приложение, которое ищет информацию в базе знаний и генерирует точные ответы.
С нуля до junior
Подходит для начинающих. По окончанию можете устроиться на позицию junior
Диплом
По окончанию курса получите диплом государственного образца
Оформить предзаказ
2 тарифа на выбор
Чем занимается?
Кто такой разработчик RAG-систем
Разработчик RAG-систем — это специалист, который создаёт интеллектуальные ассистенты, отвечающие на вопросы по документам компании. Он комбинирует большие языковые модели, векторный поиск и эффективное дообучение, чтобы превратить корпоративную базу знаний в интерактивный сервис.
Чем занимается
Разработчики RAG-систем проектируют и внедряют системы, которые комбинируют большие языковые модели с векторным поиском по внешней базе знаний: они подготавливают и чанкируют документы, настраивают эффективное дообучение моделей (LoRA/QLoRA) под специфичные форматы ответов и деплоят готовые решения на облачных платформах.
Как помогает бизнесу
RAG-системы снижают нагрузку на экспертов за счёт ответов ассистента на типовые вопросы, обеспечивают детерминированный и предсказуемый формат ответов, пригодный для парсинга и интеграции с другими сервисами.
Как проходит обучение
От базовых знаний к практическому применению и итоговому проекту
Изучение теории
1
Вы изучаете ключевые принципы и инструменты работы с данными в структурированном формате
Практические задания
2
После каждого блока вы закрепляете знания на практических задачах
Работа с кейсами
3
В процессе обучения вы решаете задачи, приближенные к реальным сценариям работы.
Проверка и обратная связь
4
Эксперты проверяют выполненные задания и дают рекомендации по улучшению
Итоговый проект
5
Вы выполняете итоговый проект, который можно включить в портфолио
Самое главное — практика на реальных задачах
Вы поработаете с задачами, которые соответствуют реальным сценариям работы с данными. А часть программ предусматривает участие в проектах компании.
Как проходит обучение
От базовых знаний к практическому применению и итоговому проекту
Вы изучаете ключевые принципы и инструменты работы с данными в структурированном формате
После каждого блока вы закрепляете знания на практических задачах
В процессе обучения вы решаете задачи, приближенные к реальным сценариям работы.
Эксперты проверяют выполненные задания и дают рекомендации по улучшению
Вы выполняете итоговый проект, который можно включить в портфолио
Изучение теории
1
Практические задания
2
Работа с кейсами
3
Проверка и обратная связь
4
Итоговый проект
5
Самое главное — практика на реальных задачах
Вы поработаете с задачами, которые соответствуют реальным сценариям работы с данными. А часть программ предусматривает участие в проектах компании.
Кому подойдет программа?
Всем, кто хочет сделать AI-продукт
И добавить его в портфолио
Data специалистам
Чтобы освоить fine-tuning моделей и создание RAG-пайплайнов
Аналитикам
Чтобы работать с текстовой аналитикой, эмбеддингами и построением вопросно-ответных систем
Python-разработчикам
Чтобы добавить ML-компетенции: дообучение моделей, векторный поиск
Новичкам в IT
Чтобы попробовать себя в RAG-системах, AI и больших языковых моделях
Чему вы научитесь?
Инструменты
Python
Jupyter
Google Colab
PEFT (LoRA)
QLoRA (4-bit)
Unsloth
Streamlit
Hugging Face Spaces
Навыки
Понимание принципов работы LLM и трансформеров
Работа с эмбеддингами и текстовыми представлениями
Запуск и тестирование LLM в Colab
Дообучение моделей с помощью LoRA и QLoRA
Работа с ограниченными ресурсами (4-bit модели)
Расчёт метрик готовности модели: Faithfulness, Format Adherence, Length Variance
Интеграция векторной базы (ChromaDB) с языковой моделью
Промптинг для RAG: передача контекста в модель в детерминированном формате
Разработка интерактивного веб-интерфейса на Streamlit
Деплой проекта
Программа курса
База LLM
Неделя 1
Что такое LLM и как они работают
Разберём архитектуру современных языковых моделей и принципы их работы.
Эмбеддинги и представление текста
Научимся преобразовывать текст в числовые представления для AI.
Запуск модели (T-Lite) в Colab
Освоим запуск и использование LLM в облачной среде.
Результат
Работающая LLM в ноутбуке.
LoRA
Неделя 2
Почему нельзя обучать всю модель
Разберём ограничения полного fine-tuning больших моделей.
LoRA и QLoRA
Освоим современные методы эффективного дообучения LLM.
Настройка окружения
Подготовим инфраструктуру для обучения моделей.
Результат
Готовый пайплайн для дообучения.
Специализация модели под RAG
Неделя 3
Почему общего инструктивного дообучения недостаточно
Поймём разницу между «уметь отвечать» и «отвечать предсказуемо в формате RAG».
Ускоренное обучение через Unsloth
Воспользуемся Unsloth и сделаем fine-tuning за 45-60 минут в зависимости от загрузки GPU Colab.
Оценка готовности модели
Рассчитаем метрики: Faithfulness (точность фактов), Format Adherence (стабильность формата), Length Variance (предсказуемость длины).
Результат
Дообученный адаптер (<20 МБ), который стабильно приоритизирует контекст и выдаёт машиночитаемые ответы.
Финализация
Неделя 3
Интеграция в веб-интерфейс (Streamlit)
Создадим базовый чат-интерфейс с функцией загрузки текстовых файлов и последовательным выводом ответов модели.
Управление состоянием и кэширование
Будем использовать session_state и @st.cache_resource для хранения истории диалога и предотвращения повторной загрузки модели при каждом взаимодействии.
Деплой на Hugging Face Spaces
Опубликуем учебный прототип: настроим базовое хранилище для индекса ChromaDB, добавим переменные окружения и подготовим структуру файлов для репозитория.
Результат
Доступный по ссылке учебный прототип RAG-системы, демонстрирующий архитектуру деплоя ML-приложений.
Построение RAG-пайплайна
Неделя 3
Принцип RAG: поиск + генерация
Разберём, как векторный поиск и языковая модель совместно отвечают на вопросы по документам.
Чанкинг и эмбеддинги
Научимся разбивать документы на фрагменты с перекрытием и преобразовывать их в векторы.
Промптинг для RAG
Реализуем передачу контекста в модель в формате, который активирует закреплённые паттерны внимания.
Результат
Полноценный RAG-пайплайн в Colab, отвечающий на вопросы по документу со сниженной вероятностью галлюцинаций.
1 полноценный проект
5 недель обучения
Практика на каждом этапе
Тарифы
Standart
Идеально для тех, кто привык учиться сам и дисциплинирован
Доступ к материалам бессрочно
Поддержка оператора в организационных вопросах
Чат со студентами
Обновления продукта включены в стоимость
Диплом об окончании курса
Тестовое техническое собеседование
5 персональных встречи с ментором на которых можно разобрать свои ошибки и получить рекомендации
Помощь в составлении резюме и выборе карьерного направления
39 990
₽
Хит
Premium
Идеально для тех, кто привык учиться сам и дисциплинирован
Доступ к материалам бессрочно
Поддержка оператора в организационных вопросах
Чат со студентами
Обновления продукта включены в стоимость
Диплом об окончании курса
Тестовое техническое собеседование
5 персональных встреч с ментором на которых можно разобрать свои ошибки и получить рекомендации
Помощь в составлении резюме и выборе карьерного направления
54 990
₽
Реальные истории наших выпускников
Мария Кузнецова
Преподаватель
Data Engineer
До обучения
Работала в образовании и только начинала интересоваться данными. Было сложно понять, какие знания нужны для входа в профессию.
После
Получила понятную базу по работе с данными и закрепила её на практике. Стало ясно, куда двигаться дальше в Data Engineering.
Дмитрий Орлов
Менеджер по продажам
Data Engineer
До обучения
Работал в продажах и хотел перейти в IT, но не понимал, с чего начать. Опыта в работе с данными почти не было.
После
Разобрался с базовыми инструментами Data Engineering и начал собирать первые проекты. Появилось понимание профессии и дальнейшего пути развития.
Ирина Новикова
Администратор
Junior SQL Engineer
До обучения
Работала администратором и часто имела дело с таблицами и отчётами. Хотела понять, как работать с данными быстрее и точнее.
После
Освоила основы SQL и научилась применять запросы на практике. Теперь увереннее работает с данными и понимает, как развиваться дальше.
Сергей Павлов
Бариста
Junior Python Engineer
До обучения
Работал в общепите и начинал изучать программирование с нуля. Python казался сложным, потому что не было понятной структуры.
После
Разобрался с основами языка и начал писать простые программы. Курс помог сделать первый уверенный шаг к профессии Python-разработчика.
Анна Беляева
HR-специалист
Data Engineer
До обучения
Работала в HR и часто анализировала данные вручную. Хотела научиться работать с ними на более профессиональном уровне.
После
Систематизировала знания и увидела, как современные инструменты применяются в проектах. Полученный опыт помог увереннее двигаться в сторону Data Engineering.
Никита Федоров
Менеджер клиентского сервиса
Data Engineer
До обучения
Работал с клиентами и давно хотел сменить сферу. Не хватало практики и понимания, как выглядят задачи дата-инженера в работе.
После
Попробовал командный формат, проекты и проверку решений. Стало понятно, как применять инструменты в реальных сценариях.
Ольга Морозова
Бухгалтер
Junior Data Engineer
До обучения
Работала с таблицами и отчётами, но не имела опыта в инженерии данных. Хотела перейти от ручной работы к более техническим задачам.
После
Закрепила знания на финальном проекте и лучше поняла реальные процессы в Data Engineering. Появилась уверенность для движения к junior-позиции.
Артём Соколов
Оператор склада
Data Engineer
До обучения
Работал на складе и хотел перейти в более техническую сферу. Теории было недостаточно, хотелось попробовать реальные задачи.
После
Поработал с проектами, похожими на рабочие. Получил практический опыт и материалы для портфолио.
Екатерина Волкова
Маркетолог
DataOps Engineer
До обучения
Работала в маркетинге и пользовалась отчётами, но не понимала, как данные проходят путь от источника до результата. Хотелось глубже разобраться в инструментах.
После
Освоила базовые подходы DataOps и стала лучше понимать инфраструктуру данных. Практические задания помогли связать теорию с рабочими задачами.
Алексей Смирнов
Логист
DataOps Engineer
До обучения
Работал в логистике и часто сталкивался с данными, но не понимал техническую сторону процессов. Хотел разобраться, как всё устроено внутри.
После
Систематизировал знания и понял подходы DataOps. Теперь лучше видит, как автоматизировать и выстраивать процессы с данными.
Гарантии, условия и оплата
Более 6500 обученных студентов на платформе Stepik
Доступ к материалам после завершения обучения
Собственная ЭОС система для комфортного обучения
Можно вернуть 13% от стоимости программы
Формы оплаты на выбор: единоразовая оплата, рассрочка или корпоративное обучение
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Специальных требований нет — главное иметь желание учиться. На протяжении всего курса с вами на связи преподаватели, которым можно задать вопросы в чате. В премиум-тарифах дополнительно предусмотрены видеовстречи с техническим разбором.
Кто будет меня учить?
Обучение проводят преподаватели с многолетним опытом работы в IT. Среди них — кандидаты технических наук, аспиранты и senior data-инженеры с профильным образованием и практическим опытом.
Что делать, если я не справлюсь с нагрузкой?
Если почувствуете усталость или поймёте, что темп слишком высокий — вы всегда можете сделать паузу. Доступ к курсу остаётся у вас навсегда, и вы сможете продолжить обучение с того же места в любое удобное время.
Как можно оплатить?
Оплатить программу можно прямо на сайте, нажав кнопку «Начать учиться», либо через оператора в чате — вам помогут оформить оплату.
Если не понравится, я смогу вернуть деньги?
Да, вы можете оформить возврат в течение 14 дней с момента покупки, если на момент обращения не пройдена большая часть программы.
Могу ли я оплатить курс за счёт работодателя?
Да, такая возможность есть. Для этого напишите оператору в чате или отправьте на почту info@novadata.ru
реквизиты компании и ваше ФИО — мы подготовим необходимые документы.
реквизиты компании и ваше ФИО — мы подготовим необходимые документы.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет — это возврат до 13% от стоимости обучения для налогоплательщиков РФ. Чтобы получить документы для оформления, просто обратитесь в чат на сайте — мы всё подготовим.
Нужна помощь с выбором или остались вопросы?
Поможем подобрать программу с учетом вашего уровня и задач. Или пишите по любым вопросам