Vector DB & RAG Developer
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.
Чему вы научитесь:
- Пояснять, как работают эмбеддинги и к-NN-поиск
- Разворачивать Qdrant, Weaviate и FAISS локально и в Docker
- Загружать и хранить миллионы векторов, не теряя производительность
- Настраивать фильтрацию и гибридный поиск (BM25 + ANN)
- Реализовывать мультимодальный поиск (текст, изображение) с CLIP
- Строить RAG-чат-ботов, дополняющих LLM свежими фактами из базы
- Метриками Recall@K и nDCG измерять качество выдачи
- Автоматизировать CI/CD пайплайн для поиска с GitHub Actions
- Оптимизировать индексы под CPU и GPU, выбирая HNSW, IVF или PQ
- Оценивать, когда выбрать облако (Pinecone, Qdrant Cloud) vs on-prem
О курсе:
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
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.
Начальные требования:
- Запускать скрипт python main.py, ставить пакеты pip install …
- Переходить между папками (cd), копировать-вставлять команды
- Склонировать репозиторий git clone … — всё остальное покажем
Автор Алексей Малышкин:
- Аналитик-разработчик с опытом работы в крупных компаниях.
- Победитель олимпиад по математике, программированию и анализу данных.
