AI Developer – online

Faza 1: Fundamente (modulele 1-4)

• Python pentru AI și mediul de lucru: medii virtuale, pachete, Git, structura unui proiect, testare de bază. Practică: repository inițial cu CI simplu.
• Date: numpy, pandas, curățare, vizualizare, API-uri și fișiere. Practică: pipeline care încarcă și pregătește un set de date real.
• Machine learning clasic: clasificare, regresie, train/test, validare încrucișată, overfitting, metrici (precision, recall, F1). Practică: un model scikit-learn cu comparație între algoritmi.
• Rețele neuronale și PyTorch: tensori, backpropagation intuitiv, bucla de antrenare, GPU. Practică: un clasificator antrenat de la zero.

Faza 2: Modele de limbaj și aplicații (modulele 5-9)

• Cum funcționează LLM-urile: tokeni, embeddings, transformer la nivel conceptual, context, temperatură, limite și halucinații. Practică: explorarea tokenizării și a parametrilor de generare.
• Lucrul cu API-uri de LLM: mesaje, prompturi de sistem, output structurat (JSON), streaming, costuri și latență, gestionarea erorilor. Practică: un serviciu care extrage date structurate din text.
• Embeddings și RAG: căutare semantică, chunking, baze vectorale, reranking, citarea surselor. Practică: un asistent care răspunde pe baza documentelor proprii.
• Tool use și agenți: apelarea de funcții, bucle agentice, planificare, memorie, limite de siguranță, introducere în MCP. Practică: un agent care folosește 3-4 unelte (căutare, baze de date, calcule).
• Fine-tuning și modele open-source: când merită (și când nu), LoRA, Hugging Face, rularea locală, cuantizare. Practică: adaptarea unui model mic pe un set de date specific.

Faza 3: Calitate și producție (modulele 10-13)

• Evaluare: seturi de test pentru LLM, LLM-as-judge, regresii, metrici pentru RAG și agenți. Practică: un harness de evaluare rulat automat la fiecare modificare.
• Deployment: FastAPI, Docker, variabile de mediu și secrete, cloud, cozi, caching, limitare de rată. Practică: aplicația publicată online.
• Monitorizare și fiabilitate: logging, tracing, controlul costurilor, fallback-uri, observabilitate pentru LLM. Practică: un dashboard cu costuri, latență și erori.
• Securitate, etică și reglementare: prompt injection, scurgeri de date, bias, drepturi de autor, GDPR, EU AI Act. Practică: un audit de risc și teste de tip red-team pe propria aplicație.

Faza 4: Proiect final

• Demo Day: prezentare de 10 minute + code review, cu demonstrație live, arhitectură, rezultatele evaluării și limitările cunoscute.