Описание
Вес архива: 44 МБ
«Большие языковые модели в production» — практическое и прикладное руководство для специалистов, которые хотят научиться выводить решения на базе LLM из стадии прототипа в надежные production‑системы. Обновленное содержание, акцент на реальных кейсах и подробные разборы технологий делают книгу ценным источником знаний для инженеров и команд, работающих с генеративным ИИ.
О чём эта книга
Издание помогает понять ключевые концепции больших языковых моделей и научиться применять их в реальных продуктах. Авторы объясняют, как устроены LLM, как они обучаются и какие особенности нужно учитывать при интеграции моделей в существующие технологические ландшафты.
Основные темы
• архитектура и обучение LLM;
• сравнение готовых моделей и собственных разработок;
• масштабирование ML-платформ под задачи генеративного ИИ;
• тонкая настройка и дообучение моделей (PEFT, LoRA, RLHF);
• deployment в облаке и на edge‑устройствах;
• MLOps и LLMOps для корпоративных решений.
Практические проекты
Книга не ограничивается теорией — читатель получает возможность применить знания на практике.
Вы познакомитесь с тремя реальными проектами
• Создание и обучение собственной LLM с разбором этапов подготовки данных и выбора архитектуры.
• Разработка AI-расширения для VSCode с использованием современных инструментов генеративного ИИ.
• Запуск компактной модели на Raspberry Pi и оптимизация для ограниченных вычислительных ресурсов.
Современные тенденции и технологии
Авторы освещают актуальные направления развития генеративного ИИ, которые уже сегодня применяются в индустрии.
В книге рассматриваются
• RAG-системы и работа с внешними источниками данных;
• knowledge graphs и управление корпоративными знаниями;
• увеличение контекстных окон и новые подходы к обработке длинных запросов;
• инструментальные агенты и взаимодействие LLM с внешними сервисами;
• регулирование ИИ и его влияние на разработку продуктов.
Для кого предназначена книга
Издание будет особенно полезно data scientists, ML-инженерам и техническим специалистам, знакомым с Python и базовыми принципами облачного deployment. Книга помогает перейти от экспериментов к созданию полноценных, устойчивых и масштабируемых production‑решений на базе LLM.
Алексей –
Я новичок в теме LLM, до этого работал с классическим ML, поэтому местами приходилось перечитывать главы про архитектуру и обучение. Тонкая настройка с PEFT и LoRA разобрана хорошо, а вот разделу про deployment на edge-устройствах не хватило деталей по оптимизации под Raspberry Pi. В целом доволен, три реальных проекта реально помогают закрепить теорию.
Марина В. –
Брала курс как ML-инженер с опытом, но именно production-часть у меня проседала. Разбор LLMOps и масштабирования ML-платформ под генеративный ИИ оказался самым полезным — наконец стало понятно, как выстраивать пайплайны, а не только крутить промпты в ноутбуке. Проект с AI-расширением для VSCode делала почти без подсказок, материал изложен последовательно.