OTUS анонсировал более 20 открытых занятий в октябре и одно — в ноябре: в программе LLM, ИИ-агенты, MCP, MLOps, безопасность и качество данных. Бесплатные уроки по ИИ интересны не столько набором модных терминов, сколько смещением фокуса от удачного промпта к эксплуатации: сколько агент отвечает, сколько это стоит, где модель ошибается и как это заметить до жалоб пользователей.
Подборку для специалистов, работающих с ИИ, машинным обучением и данными, сообщает Habr / Карьера. Занятия ведут преподаватели курсов OTUS — практикующие специалисты; формат задуман как знакомство с темами и подходами, а не как обещание за один вечер превратить чат-бота в автономный отдел разработки.
Блок по LLM стартует 12 октября уроком о проектировании устойчивых сценариев работы с языковыми моделями. 27 октября участникам расскажут о базовых аспектах работы LLM, а 16 ноября — о тенденциях генеративного ИИ. Для команд это полезное напоминание: промпт сам по себе не является спецификацией продукта. В реальном сервисе нужны ограничения на входные данные, проверка результата, понятные сценарии отказа и воспроизводимое тестирование изменений.
Самая плотная часть расписания посвящена агентам и автоматизации. 14 октября заявлены сразу три темы: нюансы использования ИИ разработчиком, подготовка ТЗ системным аналитиком с помощью агента и применение ИИ в мониторинге на базе Prometheus и Grafana. Далее идут занятия об агентах в разработке, Tool Calling и MCP для интеграции с корпоративными системами, генерации Android-тестов, встраивании LLM в рабочий процесс и мультиагентных системах.
В этом списке особенно показателен переход от разговора с моделью к её действиям во внешних системах. Пока LLM отвечает в чате, цена ошибки чаще ограничивается неточным текстом. Когда агент получает доступ к мониторингу, базе знаний, трекеру задач или внутреннему API, нужно заранее определить права, журналирование операций и границы самостоятельности. Иначе «автоматизация» быстро превращается в расследование того, почему бот уверенно выполнил не ту команду.
Отдельный трек посвящён эксплуатации. 12 октября пройдёт урок о стоимости ответа AI-агента и причинах долгого ожидания, 15 октября — о ML-экспериментах с GitLab CI/CD и CML, а также об архитектуре Security by Design для ИИ-систем. На 26 октября назначена тема Data Drift — деградации модели из-за изменения данных в продакшене. 27 октября разберут Langfuse в AgentOps: наблюдаемость и оценку работы LLM-агентов.
Эти темы обычно появляются в проекте позже, чем следовало бы. Команда делает демо, подключает модель к паре инструментов и получает первые хорошие отзывы. Затем растёт число запросов, меняются данные, появляются нестандартные формулировки, а у финансового директора возникает простой вопрос о стоимости каждого «умного» действия. Наблюдаемость, контроль версий, оценка качества и мониторинг дрейфа — не украшения для зрелой платформы, а способ не принимать решения по ощущениям.
В программе есть и менее хайповые, но не менее прикладные темы: Data Quality as a Service, метрики качества данных, предиктивная аналитика в управлении рисками и свёрточные сети. Для руководителей предусмотрены занятия «CIO в эпоху ИИ», расчёт ценности ИИ через метрики и ROI, а также сравнение стоимости автоматизации и работы IT-специалистов. Это важная поправка к дискуссии об эффективности: считать нужно не только лицензию или токены, но и подготовку данных, интеграции, контроль, поддержку и цену ошибки.
Для русскоязычных разработчиков, продактов и IT-руководителей бесплатные уроки по ИИ могут стать быстрым способом сверить собственные планы с задачами, которые уже возникают у внедряющих команд. Главный тренд здесь не в очередном названии фреймворка: AI-проекты всё чаще будут оценивать по надёжности, прозрачности расходов и способности безопасно работать внутри существующих процессов. Вопрос теперь звучит не «умеет ли модель отвечать», а «можно ли доверить ей действие — и доказать, почему оно было выполнено».