🎓

Vector DB & RAG Developer

Информационные технологии

Уроков: 25
Сложность: easy
Аудитория: Для кого этот курс ML / Data-инженеры, которым нужен быстрый поиск по embeddings. Backend-разработчики, добавляющие умный поиск или чат-бота в продукт. DS/Analytics-junior — хотите прокачать портфолио проектом на LLM. Техлиды / CTO, выбирающие стек для корпоративного knowledge-base. Стартапы, где «Google-поиск по документам» и RAG-бот экономят поддержку.

Информационные технологии Платный

Практический курс по векторным базам данных и семантическому поиску. Вы развернёте Qdrant, Weaviate и FAISS, научитесь индексировать миллионы эмбеддингов, строить k-NN-поиск с фильтрами, объединять его с BM-25 и создавать RAG-ботов, которые отвечают на вопросы на основе ваших данных.

Vector DB & RAG Developer — практический маршрут от «что такое эмбеддинги?» до production-чат-бота, отвечающего на вопросы из вашей корпоративной базы знаний.
За несколько недель вы:

развернёте Qdrant, Weaviate и FAISS локально и в Docker/Cloud;
создадите коллекции на миллионы векторов, подберёте правильный индекс (HNSW, IVF-PQ, ScaNN);
настроите гибридный поиск (BM25 + ANN) и мультимодальный поиск с CLIP;
подключите базу к LLM (OpenAI/GPT-4o, Mistral, Llama) и реализуете RAG-архитектуру;
измерите качество выдачи (Recall@K, nDCG) и построите автоматические тесты;
оформите CI/CD пайплайн: тесты → Docker → GitHub Actions → prod;
защитите проект от «векторного взрыва» (sharding, фильтры, дедупликация).

Итог — готовый репозиторий с API для семантического поиска и RAG-бот, которого можно деплоить на Render, Railway или собственный сервер.

Вы можете задать любой вопрос по курсу в телеграмм @alexey_stepik

Требования:

Запускать скрипт python main.py, ставить пакеты pip install …

Переходить между папками (cd), копировать-вставлять команды

Склонировать репозиторий git clone … — всё остальное покажем