Сергей Дегтев | Инжиниринг искусственного интеллекта (2026) [PDF, EPUB] -Автор: Сергей Дегтев Издательство: Самиздат Жанр: Компьютерная литература Формат: PDF, EPUB Качество: Изначально электронное (ebook) Иллюстрации: Цветные и черно-белые Описание: Представьте, что LLM - это чёрный ящик. Вы знаете, что внутри что-то есть но каждый раз, открывая его, надеетесь на чудо. Эта книга закроет ящик навсегда.Не учебник. Не научпоп. Инженерный путеводитель. Две книги под одной обложкой. Первая - от токена до трансформера: как работает внимание, почему память убивает процессор, сколько стоит владение моделью и что такое HBM. Вторая - от агента до лицензии на ИИ: как строить тестировать, внедрять, считать ROI и не провалиться в цифровую ловушку самообмана.Здесь нет магии. Есть инженерия компромиссов: скорость против памяти, качество против денег, контроль против автономии.Автор не гуру. Автор - энтузиаст, который прошёл путь от «что такое токен» до внедрения агентов в продакшен. И честно рассказывает, где заканчивается наше понимание.Если вы готовы заменить веру в чудо на систему координат - откройте эту книгу.
"Дополнительная информация:"
Оглавление СТАРТОВАЯ КАРТА 9 ВАЖНОЕ ПРЕДУПРЕЖДЕНИЕ ДЛЯ ЧИТАТЕЛЯ 10 КНИГА 1. Инженерия LLM: от токена до двойника 12 ВВЕДЕНИЕ 14 ГЛАВА 1. КАК РАБОТАЕТ ГЕНЕРАТИВНАЯ ЯЗЫКОВАЯ МОДЕЛЬ: ОТ ЗАПРОСА К ОТВЕТУ 16 1.1 Токен 17 1.2 Эмбеддинги 25 1.3 Позиционное кодирование (Positional Encoding) 28 1.4 Механизм самовнимания (Self‑Attention) 31 1.5 Трансформерные блоки (Transformer Blocks) 34 1.6 Выходной слой и генерация 39 1.7 Галлюцинации: когда модель уверенно врёт 41 1.8 RAG: как модель не выдумывает факты 44 РЕЗЮМЕ ГЛАВЫ 1 49 Вопросы для самопроверки 51 ГЛАВА 2. ТИПЫ АРХИТЕКТУР НЕЙРОСЕТЕЙ 52 2.1 CNN Convolutional Neural Network / Свёрточная нейросеть 53 2.2 RNN (Recurrent Neural Network / Рекуррентная нейросеть) 55 2.3 LSTM (Long Short‑Term Memory / Долгая краткосрочная память) 58 2.4 GRU (Gated Recurrent Unit / Рекуррентный блок с вентилями) 61 2.5 Трансформер (Transformer) 62 2.6 MoE (Mixture of Experts / Смесь экспертов) 71 2.7 Diffusion Models (Диффузионные модели) 73 2.8 За рамками текста: как трансформеры научились видеть 76 РЕЗЮМЕ ГЛАВЫ 2 78 Вопросы для самопроверки 80 ГЛАВА 3. ОБУЧЕНИЕ МОДЕЛЕЙ 81 3.1 Pre‑training (Предварительное обучение) 82 3.2 SFT - Supervised Fine‑Tuning (Дообучение с учителем) 86 3.3 RLHF - Reinforcement Learning from Human Feedback (Обучение с подкреплением на основе обратной связи от человека) 88 3.4 Этика и «красные линии»: чью мораль вшивают в модель? 95 РЕЗЮМЕ ГЛАВЫ 3 98 Вопросы для самопроверки 99 ГЛАВА 4. КЛЮЧЕВЫЕ ОПТИМИЗАЦИИ СОВРЕМЕННЫХ МОДЕЛЕЙ 100 4.1 KV‑Cache (Кэш ключей и значений) 101 4.2 GQA - Grouped Query Attention (Групповое внимание по запросам) 103 4.3 MLA - Multi‑head Latent Attention (Латентное многоголовое внимание) 106 4.4 MTP - Multi‑Token Prediction (Предсказание нескольких токенов) 109 4.5 Sliding Window Attention (Внимание со скользящим окном) 111 4.6 Sparse Attention (Разреженное внимание) 113 4.7 Квантизация: как сжать модель без убийства качества 116 4.8 FlashAttention: как ускорить внимание без потери качества 118 РЕЗЮМЕ К ГЛАВЕ 4 119 Вопросы для самопроверки 120 ГЛАВА 5. КАК ВЫБИРАТЬ МОДЕЛИ И ПОДРУЖИТЬ ИХ С ВАШИМИ ДАННЫМИ 121 5.1 СРАВНЕНИЕ СОВРЕМЕННЫХ (2024-2025) МОДЕЛЕЙ. 123 5.2 Выводы: как выбирать модель 126 5.3 TCO: сколько на самом деле стоит владение моделью? 127 5.4 Вычислительная инфраструктура: почему LLM «едят» память, а не процессор 132 5.5 MLOps: как превратить модель в работающий сервис 142 5.6 Безопасность LLM: как не выпустить джинна из бутылки 146 РЕЗЮМЕ К ГЛАВЕ 5 153 Вопросы для самопроверки 156 ГЛАВА 6. ПЕРСПЕКТИВНЫЕ АРХИТЕКТУРЫ: ОТ МОНОЛИТА К ОРКЕСТРУ 158 6.1 Проблема одной модели 159 6.2 Роутинг моделей (Model Routing) 160 6.3 Аналогия с микросервисной архитектурой 163 6.4 Единая шина для обмена контекстом 165 6.5 RLM - Recursive Language Models (Рекурсивные языковые модели) 167 6.6 Агентные системы 171 6.7 Переключение по длине контекста 173 6.8 DWH (Data Warehouse) и ИИ: как подружить бухгалтера и художника 175 РЕЗЮМЕ К ГЛАВЕ 6 181 Вопросы для самопроверки 183 ГЛАВА 7. ЦИФРОВОЙ ДВОЙНИК ЧЕЛОВЕКА: ЕДИНОЕ ОКНО В ЦИФРОВОЙ МИР 184 7.1 Проблема: человек как узкое горлышко 185 7.2 Идея: цифровой двойник как единое окно 186 7.3 Архитектура двойника (три уровня) 187 7.4 Сценарий: утро с двойником 193 7.5 Техническая архитектура 194 7.6 Проблемы и прогноз 196 РЕЗЮМЕ К ГЛАВЕ 7 199 Вопросы для самопроверки 200 ЧТО ДЕЛАТЬ ДАЛЬШЕ? 201 ПРИЛОЖЕНИЯ 202 1. КАК ТРАНСФОРМЕР ПОНИМАЕТ 203 2. КЛЮЧЕВЫЕ МЫСЛИ КНИГИ 1 208 3. ИСТОРИЯ РАЗВИТИЯ НЕЙРОСЕТЕЙ: ОТ МЕЧТЫ К ПОВСЕДНЕВНОСТИ 213 4. МНОГОЯЗЫЧНЫЕ МОДЕЛИ: КАК ОДИН ТРАНСФОРМЕР МОЖЕТ ГОВОРИТЬ НА ВСЕХ ЯЗЫКАХ 217 5. ПРАКТИЧЕСКИЕ ПРИМЕРЫ: (псевдо-)КОД И ИНСТРУКЦИИ 221 5.1 KV Cache на псевдокоде (как это работает внутри) 222 5.2 Расчет TCO на Python 223 5.3 Простой роутер на fastText 224 5.4 Минимальный прототип цифрового двойника (FastAPI) 225 6. ГЛУБИННЫЕ ВОПРОСЫ: то, что осталось за кадром 227 ГЛОССАРИЙ 234 ЗАКЛЮЧЕНИЕ 240 КНИГА 2. От инструмента к двойнику: экономика, тестирование и границы ИИ 242 ВВЕДЕНИЕ 243 ГЛАВА А. AI-АГЕНТЫ: ОТ ПРОТОТИПА К PRODUCTION 245 А.1 Определение и эволюция: LLM vs AI, Agent vs Workflow 246 А.2 Архитектурные паттерны агентов 252 А.3 Инструментарий разработчика 264 А.4 Управление состоянием и памятью 269 А.5 Надежность, безопасность и будущее агентов (сводная глава) 273 РЕЗЮМЕ К ГЛАВЕ А 278 Вопросы для самопроверки 279 ГЛАВА Б. ИНЖЕНЕРНЫЙ АРСЕНАЛ LLM: ОТ КВАНТИЗАЦИИ ДО ДАТАСЕТОВ 280 Б.1 Квантизация и сжатие моделей 281 Б.2 Распределённый тренинг 283 Б.3 Системы RAG (Retrieval-Augmented Generation) 285 Б.4 Промпт-инжиниринг и структурированные выходы 287 Б.5 Оценка и бенчмаркинг LLM 294 Б.6 Fine - tuning на практике 296 Б.7 Инференс и сервинг 298 Б.8 Модальности: мультимодальные модели 300 Б.9 Безопасность и выравнивание (Alignment) 302 Б.10 Инжиниринг данных для LLM 304 Б.11 No - code / low - code платформы для оркестрации ИИ 306 РЕЗЮМЕ К ГЛАВЕ Б 308 Вопросы для самопроверки 309 ГЛАВА В. КАРТА КОМПЕТЕНЦИЙ AI-ПРОДАКТА 310 B.1 Природа ИИ (Ментальная модель) 311 B.2 Технический цикл жизни модели (MLLC): Почему код - это не главное 312 B.3 Техническая грамотность (без углубления в код) 316 B.4 Безопасность, право и этика 317 B.5 Бизнес и управление изменениями 318 B.6 Управление ИИ-продуктом (AI PDLC): Как организовать команду и процесс 332 РЕЗЮМЕ К ГЛАВЕ B (для продакта и тимлида) 338 Вопросы для самопроверки 339 ГЛАВА Г. МУЛЬТИМОДАЛЬНЫЕ МОДЕЛИ: КОГДА LLM ВИДИТ И СЛЫШИТ 340 Г.1 Проблема: текст - это только вершина айсберга 341 Г.2 От текста к картинкам: Vision Transformer (ViT) 342 Г.3 CLIP: как научить модель понимать, что на картинке 343 Г.4 Как устроены мультимодальные LLM (LLaVA, GPT-4V, Gemini) 345 Г.5 Глубже: как модели понимают видео и аудио 347 Г.6 Практические возможности и ограничения 348 Г.7 Риски и безопасность мультимодальных моделей 349 Г.8 Архитектурные паттерны для мультимодальных приложений 351 Г.9 Будущее мультимодальных моделей 352 РЕЗЮМЕ К ГЛАВЕ Г (для инженера) 353 Вопросы для самопроверки 354 ГЛАВА Д. ГОЛОСОВЫЕ АССИСТЕНТЫ: ASR, TTS И КОНВЕЙЕРЫ 355 Д.1 Чем голосовой ассистент отличается от чат-бота 356 Д.2 ASR: как компьютер слышит 357 Д.3 От ASR к пониманию: NLU для голоса 359 Д.4 TTS: как компьютер говорит 360 Д.5 Единые мультимодальные модели: конвейер уходит в прошлое? 362 Д.6 Латентность и интерактивность: почему 5 секунд - это много 363 Д.7 Практические рекомендации для инженера 364 Д.8 Будущее голосовых ассистентов 365 РЕЗЮМЕ К ГЛАВЕ Д 366 Вопросы для самопроверки 367 ГЛАВА Е. КАК ТЕСТИРОВАТЬ ТО, ЧТО НЕЛЬЗЯ ЗААССЕРТИТЬ 368 Е.1 Проблема: нейросеть не возвращает 2+2 370 Е.2 Три слоя тестирования (Пирамида для LLM) 376 Е.3 LLM-as-a-Judge: когда модель проверяет модель 378 Е.4 Метрики надежности: как измерить «качество агента» 379 Е.5 Регрессионное тестирование: библиотека nightmare 381 РЕЗЮМЕ К ГЛАВЕ Е 383 Вопросы для самопроверки 384 ГЛАВА Ж. ЦИФРОВАЯ ЛОВУШКА: КАК ИИ УГЛУБЛЯЕТ САМООБМАН 385 Ж.1 Проблема: зеркало, которое льстит 386 Ж.2 Механизм самообмана: пошаговая анатомия 387 Ж.3 Подмена реальности: как ИИ становится соучастником 388 Ж.4 «А если я пошутил?» Почему модель не отличает комплимент от насмешки 389 Ж.5 Почему это особенно опасно с ИИ 390 Ж.6 Что делают ответственные модели, чтобы этого избежать? 391 Ж.7 Практический кейс: как выглядит честный диалог 393 Ж.8 Что это значит для инженера (строящего такие системы) 395 Ж.9 Что это значит для пользователя (читающего книгу) 396 Ж.10 Границы и ограничения: что эта глава НЕ утверждает 397 РЕЗЮМЕ К ГЛАВЕ Ж 398 Вопросы для самопроверки 399 РЕЗЮМЕ КНИГИ 2. 20 ГЛАВНЫХ ИДЕЙ 400 ПРИЛОЖЕНИЯ 404 1. ЕСЛИ ЕСТЬ ТОЛЬКО 10-20 МИНУТ, ТО… 405 2. КАК ОТЛИЧИТЬ ТЕКСТ, СГЕНЕРИРОВАННЫЙ LLM, ОТ ЧЕЛОВЕЧЕСКОГО 410 3. ГЛУБИННЫЕ ВОПРОСЫ ЮРИСТА: КТО ОТВЕЧАЕТ, КОГДА ИИ ОШИБАЕТСЯ 415 4. КАК ВНЕДРИТЬ LLM В БИЗНЕСЕ: ЧЕК-ЛИСТ ДЛЯ ДИРЕКТОРА ПРОЕКТА 420 4.1 Аудит бизнес-процессов: как найти зоны с максимальным ROI за 2 недели 421 4.2 Выбор: готовая платформа vs кастомная разработка 423 4.3 Как защитить проект перед собственником (шаблон презентации) 425 4.4 Управление изменениями: как работать с сопротивлением 428 4.5 Безопасность: чек-лист для директора проекта 433 4.6 TCO-калькулятор: три варианта + платформа 435 4.7 Итог: чек-лист готовности Директора проекта 438 5. ENTERPRISE-ПЛАТФОРМЫ ДЛЯ ИИ: ГОТОВЫЙ «МОЗГ ПОД КЛЮЧ» 439 6. EDGE LLM: КОГДА ИИ ЖИВЁТ У ВАС В КАРМАНЕ 448 ГЛОССАРИЙ 457 ЗАКЛЮЧЕНИЕ 461 ПОСЛЕСЛОВИЕ. ЛИЦЕНЗИЯ НА ИИ: ОТ УТОПИИ К НЕИЗБЕЖНОСТИ 463
Курс Сергей Дегтев - Инжиниринг искусственного интеллекта (2026)
Текущее время: Сегодня 04:52
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы