Перейти к основному содержимому
DevScallix
← ПрограммыПланируется

AI Engineering для backend-разработчиков

Интеграция функций на основе LLM в Java/Spring backend надёжно, измеримо и безопасно.

Эта программа планируется и ещё не включена в расписание. Дата, цена и группа не объявлены. Если вы оставите интерес, мы свяжемся, когда программа будет запланирована, или чтобы обсудить индивидуальный формат.

Оставить интересПроверить соответствие с AI

Цель

Программа учит backend-инженера строить AI-функции с той же инженерной дисциплиной, что и любой сервис: интеграция LLM API, tool calling с проверкой схемы, RAG, оценка и регрессионные тесты, защита от prompt injection, приватность, бюджеты стоимости и задержки. Фокус - надёжная backend-интеграция, а не исследование моделей.

Для кого

  • Middle и senior Java/Spring backend-инженеры, которым нужно добавить AI-функцию в продукт
  • Tech lead, желающие превратить прототип на LLM в надёжный сервис
  • Архитекторы, которым нужно понимать архитектуру RAG и tool calling
  • Команды, которым нужно измерять качество и безопасность AI-функции

Для кого не подходит

  • Тем, кто хочет изучать обучение моделей, fine-tuning или ML-исследования
  • Тем, кто ещё осваивает основы backend (HTTP API, SQL, Spring Boot)
  • Тем, кто просто хочет пользоваться готовым AI-продуктом: программа посвящена инженерной интеграции

Требования

  • Опыт написания REST API на Java и Spring Boot
  • Практическое знание SQL и баз данных
  • Основы JSON и JSON Schema
  • Привычка писать тесты и работать с CI
  • Простой запрос к LLM API (желательно)

Что вы сможете делать

Что вы сможете делать

  • Интегрировать LLM API в Spring-сервис с таймаутами, повторами и обработкой ошибок
  • Построить tool calling с проверкой схемы и не доверять аргументам, которые вернула модель
  • Построить конвейер RAG: chunking, embedding, retrieval и grounding
  • Написать оценочный набор и регрессионные тесты для AI-функции
  • Снижать риск prompt injection и утечки данных с помощью guardrail
  • Отслеживать стоимость, задержку и качество AI-вызовов и задавать бюджеты
  • Ограничивать передачу персональных данных модели и вести журнал аудита

Ни одна образовательная программа не может гарантировать трудоустройство или повышение.

Учебный план

Учебный план

  1. 01

    Интеграция LLM API

    Вызывать API модели так же надёжно, как любую другую внешнюю зависимость.

    • Структура запроса и ответа, токены
    • Таймауты, повторы, rate limit и circuit breaker
    • Потоковые ответы и backpressure
    • Абстракция для смены провайдера
    • Работа с недетерминированными ответами

    Практическая лабораторная: Адаптер LLM-клиента в сервисе Spring Boot с повторами, таймаутами и картой ошибок.

  2. 02

    Tool/function calling и проверка схемы

    Позволить модели вызывать операции backend и сохранить контроль.

    • Описание tool и JSON Schema
    • Проверка и отклонение аргументов от модели
    • Авторизация: права пользователя, а не модели
    • Операции с побочными эффектами и шаг подтверждения
    • Многошаговые циклы tool и ограничения

    Практическая лабораторная: Простой агент с tool для статуса заказа и возврата, с проверкой схемы и авторизации.

  3. 03

    Retrieval-augmented generation

    Опирать ответы на собственные данные организации и указывать источники.

    • Стратегии chunking и компромисс размера
    • Embedding и векторный поиск
    • Гибридный поиск и переранжирование
    • Grounding и ссылки на источники
    • Умение не отвечать при нехватке контекста

    Практическая лабораторная: RAG по набору документов: индексация в PostgreSQL pgvector, retrieval и ответ со ссылками на источники.

  4. 04

    Оценка качества и регрессионные тесты

    Измерять качество AI-функции воспроизводимыми проверками, а не впечатлениями.

    • Эталонные наборы и выбор сценариев
    • Раздельная оценка retrieval и генерации
    • Проверки по правилам и ограничения подхода model-as-judge
    • Регрессионные проверки в CI
    • Влияние изменения prompt и модели

    Практическая лабораторная: Оценочный набор из 30 примеров для лабораторной по RAG и регрессионный тест в CI.

  5. 05

    Guardrail и защита от prompt injection

    Не дать недоверенному тексту изменять поведение системы.

    • Прямая и косвенная prompt injection
    • Проверка входа и выхода
    • Принцип наименьших привилегий для tool
    • Очистка вывода и риски отображения
    • Проверка по списку рисков OWASP для LLM

    Практическая лабораторная: Добавить вредоносный документ в лабораторную RAG, воспроизвести атаку и проверить защиту.

  6. 06

    Приватность и работа с данными

    Контролировать, что отправляется модели и что сохраняется.

    • Маскирование персональных данных
    • Сроки хранения и политика логов
    • Условия провайдера и вопросы размещения данных
    • Журнал аудита и прослеживаемость
    • Согласие пользователя и место юридической консультации

    Практическая лабораторная: Фильтр, маскирующий персональные поля во входных данных, и дизайн журнала аудита.

  7. 07

    Бюджеты стоимости и задержки

    Определить ограничения, делающие AI-функцию устойчивой в эксплуатации.

    • Расчёт стоимости токенов
    • Кеширование: точное и семантическое
    • Маршрутизация на меньшую модель и fallback
    • Асинхронная обработка и очереди
    • Лимиты на пользователя

    Практическая лабораторная: Модель стоимости и задержки: таблица допущений и механизм лимитов.

  8. 08

    Observability AI-функций

    Видеть, что ответило, почему и какой ценой.

    • Трассы: запрос, retrieval, вызов модели, tool
    • Метрики: задержка, ошибки, токены, доля отказов
    • Баланс логирования prompt и ответов с приватностью
    • Сигналы качества и обратная связь пользователей
    • Алерты и понятие SLO

    Практическая лабораторная: Наблюдаемость сервиса RAG с трассами OpenTelemetry и панелью Grafana.

Практические задания

  • Адаптер LLM-клиента и тесты к нему
  • Сервис tool calling с проверкой схемы
  • Конвейер RAG с ответами, ссылающимися на источники
  • Оценочный набор и регрессионная проверка в CI
  • Отчёт об атаке prompt injection и защите

Результаты для портфолио

  • Пример проекта RAG-сервиса на Spring Boot
  • Оценочный набор и проверка в CI
  • Модель угроз и документ по guardrail
  • Таблица бюджета стоимости и задержки
  • Конфигурация панели observability

Как оценивается обучение

  • Ревью проекта: обратная связь по коду, тестам и оценочному набору
  • Защита решений по безопасности и приватности
  • Письменный анализ компромиссов стоимости и качества (рекомендации, а не сертификат)

Инструменты и технологии

  • Java 21
  • Spring Boot 3
  • Spring AI (как пример)
  • PostgreSQL / pgvector
  • JSON Schema
  • OpenTelemetry
  • Grafana / Prometheus
  • Testcontainers
  • JUnit 5

Последовательность уровней

До
Уровень middle Java developer: Spring Boot, SQL и опыт тестирования.
После
Программы senior backend или system design; архитектура AI-функций.
Длительность и формат
Длительность и формат ещё не определены; программа планируется и не включена в расписание.

Частые вопросы

Частые вопросы

Эта программа доступна сейчас?

Нет. Она планируется и не стоит в расписании. Даты и цены не объявлены. Можно оставить заявку об интересе.

Нужны ли знания машинного обучения?

Нет. Программа посвящена backend-интеграции, тестированию и безопасности, а не обучению моделей.

Привязана ли она к конкретному провайдеру моделей?

Нет. Подход не зависит от провайдера. Примеры кода могут использовать одного провайдера, но слой адаптера рассчитан на смену.

Гарантирует ли она качество AI?

Нет. Ни одна программа не может гарантировать правильность ответов AI. Она учит измерять качество и снижать риск.

Статьи по теме программы

Оставить интерес

Это не заявка и не обязательство по оплате. Мы свяжемся, когда программа будет запланирована, или чтобы обсудить подходящий формат.

Как с вами связаться?