Копоративное обучение искусственному интеллекту

Корпоративное обучение искусственному интеллекту

Fine‑Tuning & RLHF 
российских LLM

Secure Agentic AI
под 152-ФЗ

Дообучаем отечественную LLM методом LoRA, проводим RLHF-выравнивание, сравниваем качество и упаковываем модель для деплоя

Дообучите RuGPT3Turbo, YaGPTMini 
или Mistral‑ru с FastLoRA на своём
датасете, добавьте RLHF‑PPO в trlX 
и отладьте модель по метрикам RuSEval / latency / toxicity,
а затем задеплойте её в SberCloud ML Space Serving 
или on‑prem Triton без vendor‑lock‑in.

Что?

Команда дообучает отечественную LLM методом LoRA, проводит RLHF-выравнивание, сравнивает качество до/после и упаковывает модель для деплоя
Формат и длительность

до 25 человек; 8 часов
Для кого?

ML-инженеры и data scientist'ы уровня middle+, которые хотят адаптировать опенсорсные LLM под корпоративные задачи

Содержание

Модуль 1. Подготовка данных и среды

Выбор базовой модели и формат обучающего датасета
Разметка и валидация данных для fine-tuning
Настройка окружения и контроль GPU-ресурсов

Модуль 2. Параметрически эффективный fine-tuning

Метод LoRA: принцип работы и ограничения
Настройка ключевых гиперпараметров
Запуск training loop и отслеживание loss

Модуль 3. RLHF-выравнивание
Модуль 4. Оценка и деплой модели

Сравнение качества до и после fine-tuning на тестовых сценариях
Упаковка модели и экспорт весов

Технологический стек

Python, PyTorch, Transformers (HuggingFace), PEFT (LoRA), TRL (RLHF), отечественная LLM (базовая модель на выбор)

Предварительные требования

Python (уверенный уровень), основы PyTorch, понимание архитектуры трансформеров, опыт работы с HuggingFace, доступ к GPU

Эксперты

Дмитрий Жечков

Эксперт по AI и облачным решениям, архитектор облачных решений в Yandex Cloud, сосредоточен на разработке ПО с использованием Generative AI и агентных архитектур.
Носов Андрей

Профильный специалист с более чем 20-летним опытом в ИТ, специализирующийся на архитектуре решений в области ИИ, LLM, RAG, NLP, системной интеграции и руководстве мультидисциплинарными командами. Практический опыт разработки 27 AI/ML решений. Эксперт в построении AI-инфраструктур и развитии продуктовых команд.
Александр Миленкин

ML Team Lead | Dodo Brands
Senior Data Scientist | Red Mad Robot
Senior Data Scientist | X5 Retail Group

Стоимость

от 350 000 рублей

за команду до 25 человек

Ознакомьтесь с другими
мастер-классами

Закрываем конкретный вызов: внедрить RAG‑конвейер на LangChain, мониторинг, освоить LoRA/RLHF‑тонкую настройку или добавить guardrails

мастер-класс

LangChain Enterprise: От локальной модели до агентных систем

Разворачивание локальной LLM, собирает RAG, агент на LangChain и Gradio с мониторингом.

Подробнее

мастер-класс

RAG-конвейер

Собираем RAG-конвейер: чанкинг документов, векторное хранилище на Milvus, сборка цепочки через LangChain, re-ranking и гибридный поиск

Подробнее

мастер-класс

Путеводитель по разработке с LangGraph

Проектирование ИИ-агентов в LangGraph — от Reflection и ReAct до Agentic RAG, персистентность, асинхронност. Реализация в Flowise.

Подробнее

мастер-класс

LLMOps с LangChain: тесты, guardrails, мониторинг

Настраиваем контроль качества LLM-системы: eval-тесты промптов в LangSmith, guardrails для валидации ответов, мониторинг с алертами и автопроверки в CI/CD

Подробнее

мастер-класс

Fine-Tuning & RLHF российских LLM

Команда дообучает отечественную LLM методом LoRA, проводит RLHF-выравнивание, сравнивает качество до/после и упаковывает модель для деплоя

Подробнее