11 августа dev.by опубликовал руководство для инженеров, которые хотят добавить в продукт AI-поиск без полноценного ML-образования. Авторы предлагают практический минимум: подключение API LLM, организацию RAG, пайплайны обработки документов, векторные базы, оценку качества ответов и контроль стоимости.
В статье разделяют ML-инженеров и AI-инженеров. Первые строят собственные модели и изучают линейную алгебру, матанализ и градиентный спуск. Вторые создают продукты поверх готовых моделей — такой сценарий в продуктовых компаниях встречается чаще.
Для типовой задачи — поиск по корпоративной базе знаний, чат-ассистент или автоматизация писем — достаточно разобраться с эмбеддингами, семантическим поиском, RAG и evaluation-фреймворками. Тонкая настройка нейросетей остаётся за рамками прикладной разработки.
dev.by назвал шесть курсов: Applied AI Specialization и Building GenAI Applications and Agents на Coursera, LangChain for LLM Application Development и Building Systems with the ChatGPT API от DeepLearning.AI, Introduction to RAG на DataCamp и Building AI-Powered Apps with OpenAI & LangChain на Udemy.
Критерии выбора ресурса: интеграция LLM, реальные RAG-системы, объяснение архитектуры AI-приложений, практические проекты и регулярные обновления. Если половина программы посвящена вычислению производных и backpropagation, для задачи AI-поиска такой курс не подходит.
Проверить знания авторы советуют на собственной задаче, например документация проекта или внутренний чат. В статье также есть чек-лист типичных ошибок в RAG, который помогает не пропустить проблемы с качеством ответов и стоимостью запросов.
