Новые складчины | страница 15

​

В этом курсе мы вместе разберемся, как работает Model Context Protocol — протокол, через который LLM может взаимодействовать с внешними инструментами.
Мы не будем пользоваться готовыми абстракциями, а реализуем MCP-клиент и MCP-сервер на Java с помощью официального SDK. После этого подключим все к LLM-хосту и покажем, как интегрировать полученный результат в Spring AI.
Курс построен так, чтобы у вас появилось не просто поверхностное понимание, а реальный опыт работы с протоколом: от структуры сообщений до практической интеграции с моделью.

• Кому будет интересен этот курс?
  • Разработчикам, которые уже работают с Java или Spring и хотят понять, как подключать LLM к внешним системам через MCP
  • Тем, кто интересуется интеграцией AI-инструментов в корпоративные приложения и хочет разобраться, что именно происходит «под капотом»
  • Тем, кто только начинает знакомиться со Spring AI. Мы не отходим от темы в продакшен-архитектуру, а показываем понятные рабочие примеры, которые помогут быстро приобрести нужные навыки
• 
  Зачем?
  • Понять, что представляет собой MCP и как устроено взаимодействие между клиентом, сервером и моделью
  • Научиться реализовывать MCP-компоненты на Java с использованием SDK
  • Попробовать связать сервер, клиент и LLM-хост, чтобы увидеть, как это работает
  • Освоить базовые приемы интеграции MCP со Spring AI
  • Получить четкое представление о том, как такие системы можно применять в реальных проектах
• 
  Что останется у вас после
  • Рабочий пример MCP-клиента и серверы на Java
  • Код хоста, который связывает LLM с инструментами
  • Пример интеграции MCP в Spring AI
  • Понимание ключевых элементов MCP: транспорты, модель сообщений и capabilities, сущности (Tools, Resources, Resource Templates, Prompts и т. д.), отладка (MCP Inspector для отладки сервера)
  • Готовая структура проекта, которую можно использовать как основу для собственных решений

Спойлер: Программа курса:

Модуль 1. Введение

• Что такое MCP (Model Context Protocol)
• Роль MCP в экосистеме LLM
• Архитектура: клиент, сервер, хост

Модуль 2. MCP-протокол

• Transport (stdio, stream http)
• Message types (Request, Response, Error, Notifications)
• Client capabilities (Roots, Sampling, Elicitation, Experimental)
• Server capabilities (Prompts, Resources, Tools, Logging, Completions)
• Utilities (Cancelation, Progress, Ping)
• Inspector

Модуль 3. MCP SDK на Java

• Обзор MCP-библиотеки для Java
• Реализация MCP-клиента
• Реализация MCP-сервера

Модуль 4. Отладка и мониторинг

• Использование Inspector
• Логирование
• Диагностика проблем

Модуль 5. LLM-хост

• Взаимодействие с хостом

Модуль 6. Интеграция с моделями

• Модели с fine-tuning для использования tools
• Модели без fine-tuning (через системный промпт)

Модуль 7. Spring AI и MCP

• Подключение MCP в Spring AI
• Базовые настройки

Модуль 8. Практика

• Построение простого MCP-сервера и клиента
• Интеграция с LLM-хостом
• Интеграция с помощью Spring AI

​

Этот воркшоп для вас, если:

• вы хотя бы раз в жизни сталкивались с ситуацией, когда длительная операция тормозит ваше приложение
• вы отлаживали фоновые операции днями и неделями, пытаясь договориться с отправителем или получателями о "протоколе" обмена
• при разработке микросервисного приложения, у вас каждый раз получается "жирный" оркестратор, который в курсе всех бизнес-процессов
• вы хотите разобраться с особенностями современных брокеров сообщений, в какой ситуации подходит тот или иной брокер

Почему Event-Driven архитектура сейчас актуальна?

События в программировании используются с момента появления первых компьютеров. Их можно найти и в первых мейнфреймах, и в аппаратной части, и в desktop-приложениях. Однако, в настоящее время под Event-Driven или событийной архитектурой мы имеем в виду отдельный тип распределенных архитектур.

После Docker-революции наши приложения стали стремительно уменьшаться в размере. Границы приложения теперь определяются не физическим или виртуальным компьютером, а легковесным контейнером, размер которого теперь определяется только задумкой разработчика. Как следствие, мы все чаще стали прибегать к микросервисной архитектуре и довольно остро встал вопрос по связыванию, координации отдельных микросервисов и обмена сообщениями.

Все это подтолкнуло сообщество к пересмотру обработки событий. Еще 20 лет назад, брокер сообщений - это реализованный внутри приложения паттерн. Сейчас мы имеем дело с готовыми промышленными брокерами: RabbitMQ, Kafka.

Зачастую на практике события в приложениях используются хаотично, без системы. На воркшопе мы рассмотрим как проблемы при построении Event-Driven архитектуры, так и способы их решения.

Программа воркшопа

День 1. Event-Driven архитектура
В первый день познакомимся с событийной архитектурой и ее основными концепциями. Посмотрим, для каких задач она хорошо подходит, какие проблемы она решает.

Разберемся с базовыми паттернами: производитель (producer), потребитель (consumer), канал сообщений (topic, queue), агрегатор, разветвитель, dead-letter queue, брокер сообщений.

Заложим основы нашего будущего приложения, подберем архитектурные решения по структуре сообщения, количеству и назначению топиков. Проведем краткий обзор брокеров сообщений: sidekiq и resque на базе Redis, RabbitMQ и Apache Kafka.

Результат:

• Познакомимся/вспомним основные паттерны событийной архитектуры
• Построим архитектуру приложения
• Примем архитектурные решения в отношении будущего приложения
• Освоим инструменты документирования асинхронного взаимодействия (AsyncAPI)

День 2. Брокеры сообщений RabbitMQ и Kafka

Детальнее остановимся на брокерах сообщений, как на отдельном типе приложений. Рассмотрим брокеры сообщений первого и второго типов. Плюсы и минусы Kafka и RabbitMQ. Детальнее остановимся на внутренних возможностях: еxchange и binding-и.

Рассмотрим веб-панели управления, особенности эксплуатации и настройки брокеров сообщений. Потрогаем гемы для работы с брокерами сообщений и типичные приемы.

Построим центральную часть нашего приложения: разработаем сервисы для распознавания текста, заложим резервирование в системе, установим взаимодействие между сервисами и обеспечим документирование взаимодействия. Основная часть примеров будет именно на RabbitMQ.

Результат:

• Изучим, как выбирать брокер сообщений под ту или иную задачу
• Познакомимся с брокерами сообщений и инструментами для взаимодействия с ними
• Научимся обрабатывать сообщения, полученные через брокер сообщений и масштабировать решение
• Разработаем основную логику нашего приложения, связав сервисы и обработку

День 3. Event-Driven архитектура на практике

В третий день доведем наше приложение до конечного результата. Соединим все микросервисы в цепочку, так, чтобы полученный на почтовый ящик чек, проходил все этапы и сумма попадала в базу данных.

Кроме того, мы рассмотрим приемы для долговременного сопровождения проекта. Документируем проект при помощи AsyncAPI, напишем тесты, подключим dead-letter очередь для отлавливания сбойных сообщений в результате неудачных релизов.

Для мониторинга проекта настроим prometheus и grafana, в котором будем отслеживать динамику накопления и разбора очередей.

Результат:

• Завершим разработку приложения для учета чеков
• Применим паттерн dead-letter queue на практике
• Рассмотрим варианты тестирования: mock-сервер vs функциональное тестирование
• Настроим prometheus и grafana для отслеживания размера очередей

Игорь Симдянов
Автор воркшопов "Архитектура современных веб-приложений на Ruby on Rails" и "Domain Driven Design в Ruby-приложениях"

​

Программа

Модуль 1 - Основы python
1. Первая "Hello World" программа
2. IDLE (VS CODE , JetBrains ,Cursor)
3. Понятие переменной
4. Ввод вывод
5. Типы данных
6. Использование ИИ в работе и обучении

Модуль 2 - Основные возможности Python
1. Коллекции (list, tuple , dict и т.д )
2. Функции
3. ООП
4. Основные библиотеки
5. (Async / Sync / Threading )

Модуль 3 - Основы SQL и ORM

Модуль 4 - Продвинутые возможности Python (более глубокое изучение направлений профессиональной разработки)
1. Web программирование (Django , FastAPI )
2. Анализ данных
3. Машинное обучение

Модуль 5 - Проект "Создание чат бота ассистента"

​

Синтаксис языка Python — один из самых простых и интуитивных. Его используют для разработки приложений, сайтов, ботов и других сервисов, а также для сбора, анализа и визуализации данных. Буквально одной командой можно выбрать нужные комбинации, записи по заданным критериям, сгруппировать их, вычислить значения и визуализировать результат.

Во время прохождения курса вы научитесь программировать, даже если раньше никогда этого не делали. Познакомитесь с базовыми возможностями Python 3 и сразу отработаете на практике.

Для кого:

Курс подходит слушателям, желающим начать программировать на Python

• Начинающим
  Изучите основы программирования с нуля, начнете использовать Python для решения повседневных задач
• Специалистам с небольшим опытом в программировании
  Освоите сбор, анализ и визуализацию больших данных

Результаты обучения:

• Освоите язык Python
  Изучите типы данных, циклы, ветвления
• Научитесь работать с библиотеками для анализа данных и визуализации
  Numpy, pandas, matplotlib, plotly
• Будете уметь работать с API и форматами данных из API: Xml, json

Программа:

• Введение в язык Python. Знакомство со средой программирования. Базовые операции. Интерпретация ошибок
• Строки и списки в Python
• Списки, кортежи, последовательности. Методы строк и списков
• Множества. Словари. Вложенные структуры данных. Цикл For. Вложенные циклы
• Функции. Рекурсия. О-нотация
• Регулярные выражения
• Работа с файлами: текстовые и табличные файлы
• Основы ООП. Классы
• Сбор данных: web-scraping, requests, BeautifulSoup
• Сбор данных: requests, BeautifulSoup — продолжение
• Сбор данных: работа с сервисами через API
• Введение в numpy. Работа с векторами и матрицами. Введение в pandas
• Pandas продолжение. Разведывательный анализ данных
• Визуализация для презентации данных: matplotlib, seaborn
• Работа с SQL запросами и базами данных
• Создание телеграм-ботов
• Предобработка текстовых данных и изображений
• Обзор полезных библиотек Python для решения различных задач программиста

Маргарита Бурова

• Преподаватель факультета компьютерных наук
• Образование: Национальный исследовательский университет «Высшая школа экономики», специальность «Прикладная математика и информатика», магистр.
• Профессиональные интеерсы: Python, анализ данных, машинное обучение.

​

Каждый участник курса сделает своего телеграм-бота всего за 8 недель!
Я не верю в теорию. Каждую неделю — вебинар и практическое домашнее задание, где мы вместе движемся к цели — готовому приложению, написанному вашими руками.

Программа:
Недели 1-2. Git и запуск первого проекта

• Вы научитесь работать с Git как настоящий разработчик — коммиты, ветки, GitHub. Настроите профессиональные инструменты: Cursor, Docker, туннели. Запустите первый проект с hot reload и научитесь читать логи.
• Результат: Полностью настроенная среда разработки и первый работающий проект в вашем GitHub-профиле.

Недели 3-4. Архитектура и первый Telegram-бот

• Вы разберетесь, из каких блоков состоят все IT-продукты: фронтенд, бэкенд, база данных, API. Создадите первого работающего бота с админкой. Освоите цифровую безопасность — защита API-ключей и паролей.
• Результат: Работающий Telegram-бот с админкой, который безопасно хранит данные пользователей.

Недели 5-6. AI-интеграции и умный функционал

• Вы подключите к боту большую языковую модель (LLM), научитесь писать эффективные промпты и контролировать расходы на токены. Добавите боту память и тулколинг — он сможет работать с базами данных и выполнять сложные команды.
• Результат: Интеллектуальный бот с AI, который помнит контекст и может автоматизировать реальные задачи.

Недели 7-8. Деплой и масштабирование

• Вы развернете бота на реальном сервере (VPS), настроите домен и запустите в режиме 24/7. Освоите продвинутые техники вайб-кодинга и научитесь поддерживать проект как в настоящих IT-компаниях.
• Результат: Готовый продукт, работающий в интернете 24/7, и навыки для создания новых проектов.

Тариф Только посмотреть
Видеоуроки + домашка

​

Ваши результаты после курса: Научитесь строить ML модели на Python и подготовитесь к ML-секции собеседования на Junior

Для кого этот курс

• Полные новички и Junior в ML
• Аналитики
  Сможешь решать рабочие задачи с применением ML, создавать собственные проекты
• Разработчики
  Быстрее и качественнее будешь приходить к результату, возглавишь ML отдел
• Менеджеры
  Сможешь свободно общаться с командой на одном языке, самостоятельно оценивать сроки и результаты работы

Перед курсом освежите знания
или попробуйте разобраться с нуля в необходимой для старта базе:
1.Что такое матрицы и как их перемножать
2.Что такое производная и как ее считать
3.Что такое градиент функции, и куда он направлен
4.Что такое матожидание и дисперсия и как их оценивать по выборке
5.Что такое нормальное распределение, откуда оно берется и зачем нужно
6.Как поставить себе на компьютер Jupyter Notebook и как писать на Python циклы, условные операторы, вывод на печать, как и зачем импортировать библиотеки

Программа курса

• Модуль 1. Предварительные сведения из математики и программирования
• Модуль 2. Алгоритмы машинного обучения
• Модуль 3. Оценка качества
• Модуль 4. Разбор и практика решений задач с собеседований

​

Результат после курса: Научитесь не просто обучать модели, а приносить бизнесу измеряемую в деньгах пользу с помощью ML

Для кого курс

• Освоил базу ML и хочешь дальше углубляться в машинное обучение
  будешь увереннее чувствовать себя на собеседованиях
• Нет коммерческого опыта в сфере ML и хочешь попрактиковаться в применении ML на реальных кейсах
  сможешь внедрять ML в реальные проекты и приносить пользу бизнесу
• Хочешь больше коммерческого опыта в ML или застрял на позиции джуна и чувствуешь нехватку экспертизы для дальнейшего карьерного роста
  сможешь обосновать перед руководством, почему тебя стоит повысить

Программа курса

Введение:
1. Введение: напоминание основ машинного обучения, обзор применений машинного обучения во взаимодействии бизнеса с клиентом и в оптимизации расходов бизнеса. Обзор отраслей, наиболее активно использующих машинное обучение

Модуль 1. Увеличение дохода
2. Рекомендательные системы
3. Ценообразование на основе данных: smart pricing и dynamic pricing
4. Лидогенерация: таргетирование с помощью прогнозов вероятности целевого действия, uplift modelling и positive-unlabeled (PU) learning

Модуль 2. Минимизация рисков
5. Скоринг клиентов: классическая задача оценки вероятности дефолта, скоринг мошенников и кастомные скоринги
6. Детектирование аномалий или почему антифрод это не просто скоринг

Модуль 3. Оптимизация бизнеса
7. Приоритизация расходов
8. Автоматизация работы с помощью deep learningД
9. Оптимизация работы персонала и процессов в компании
Дополнительная тема: можно ли с помощью машинного обучения построить новый бизнес, и почему это не так просто

​

Чему вы научитесь

• Понимать ключевые принципы машинного обучения и типы задач (регрессия, классификация, кластеризация).
• Готовить данные: очистка, обработка выбросов, кодирование категорий, масштабирование.
• Работать с NumPy, Pandas и визуализировать данные (Matplotlib, Seaborn, Plotly).
• Разрабатывать модели на Scikit-learn: от линейной регрессии до бустингов (XGBoost, LightGBM, CatBoost).
• Оценивать модели по метрикам (accuracy, precision, recall, F1, ROC-AUC) и проводить валидацию.
• Оптимизировать гиперпараметры (GridSearchCV, Optuna, Hyperopt) и собирать ансамбли.
• Строить нейронные сети в PyTorch и TensorFlow (CNN, RNN, Transfer Learning).
• Решать задачи рекомендаций, временных рядов, кластеризации и детекции аномалий.
• Интерпретировать модели (SHAP, LIME) и учитывать bias/fairness.
• Версионировать эксперименты и модели (MLflow, DVC).
• Собирать REST API для ML-моделей (FastAPI).
• Упаковывать и деплоить модели (Docker, Streamlit, облачные сервисы).
• Настраивать мониторинг и перезапуск моделей в продакшене (Evidently, Prometheus).
• Разрабатывать end-to-end ML-проекты и оформлять GitHub-портфолио.
• Готовиться к собеседованиям на позиции ML/DS/ML Engineer (алгоритмы, SQL, системный дизайн).

О курсе
Этот курс — про инженерную сборку ML-систем под реальные условия продакшена. Вы пройдёте путь от чистого ноутбука и базовой модели до полностью работающего сервиса: с пайплайном данных, API, CI/CD и мониторингом.

Внутри — не только «как обучить модель», но и то, что важно в эксплуатации: версионирование экспериментов (MLflow, DVC), контейнеризация и деплой (Docker, FastAPI), автоматизация пайплайнов (Airflow), контроль качества (Evidently), алерты, retraining и управление зависимостями. Отдельные блоки посвящены оптимизации гиперпараметров, интерпретации моделей и принципам надёжности ML-сервисов.

Ничего лишнего: каждое занятие завершается практическим артефактом — обученной моделью, пайплайном, Docker-образом или эндпоинтом. Все проекты запускаются «из коробки» и воспроизводятся по инструкциям.

Итог курса
На выходе вы соберёте и задеплоите end-to-end ML-продукт: подготовка данных, обучение модели, REST API, контейнеризация, деплой в облако и мониторинг метрик. Получившийся проект можно добавить в портфолио и использовать как базу для продакшн ML-систем.

Для кого этот курс
Для всех, кто хочет уверенно войти в машинное обучение и доводить модели до продакшена.
Подойдёт студентам, начинающим аналитикам, разработчикам и Data Scientist’ам, которые хотят системно понять, как строятся реальные ML-сервисы — от идеи и данных до готового API и мониторинга.
Курс не требует глубоких математических знаний — всё нужное разбирается по ходу практики.

Программа курса
1. Введение в ML:

• Что такое машинное обучение и где оно применяется
• История и современные тренды
• Классы задач ML (регрессия, классификация, кластеризация, генера
• Настройка окружения (Python, Jupyter, библиотеки)
• Git основы для ML-проектов

2. Математические основы ML:

• Линейная алгебра для ML
• Основы статистики
• Теория вероятностей
• Оптимизация и градиенты

3. Python для машинного обучения:

• Основы Python для DS/ML
• Типы данных и коллекции в Python
• Работа с NumPy
• Pandas: анализ табличных данных
• Визуализация: Matplotlib и Seaborn
• Plotly: интерактивные графики
• Scikit-learn: базовые возможности
• Практикум: первая модель классификации

4. Сбор и подготовка данных:

• Источники данных: CSV, SQL, API, web scraping
• Парсинг данных (requests, BeautifulSoup, Scrapy)
• Работа с JSON, XML, Parquet
• Очистка данных и обработка пропусков
• Выбросы и методы их обработки
• Масштабирование данных
• Кодирование категориальных переменных
• Балансировка классов
• Практикум: подготовка датасета

5.Классические алгоритмы ML:

• Линейная и логистическая регрессия
• KNN и методы ближайших соседей
• Деревья решений и Random Forest
• SVM
• Наивный Байес
• Метрики качества: accuracy, precision, recall, F1, ROC-AUC
• Валидация моделей
• Практикум: сравнение алгоритмов

6. Ансамбли и настройки моделей:

• Bagging и Random Forest
• Boosting: AdaBoost, Gradient Boosting
• XGBoost, LightGBM, CatBoost
• GridSearchCV и RandomizedSearchCV
• Байесовская оптимизация
• Hyperopt, Optuna
• Ensemble Stacking
• Отслеживание экспериментов (MLflow)
• Практикум: подбор гиперпараметров

7. Глубокое обучение:

• Что такое нейронные сети и как они устроены
• Функции активации, loss-функции, оптимизаторы
• Регуляризация: Dropout, BatchNorm
• PyTorch основы
• TensorFlow/Keras основы
• CNN для изображений
• RNN и LSTM
• Attention и Seq2Seq
• Transfer Learning
• Практикум: классификация изображений

8. Специализированные задачи ML:

• Кластеризация: KMeans, DBSCAN
• Обнаружение аномалий
• Рекомендательные системы
• Анализ временных рядов: ARIMA, Prophet, LSTM
• Интерпретируемость моделей: SHAP и LIME
• Bias и fairness в ML
• Практикум: рекомендательная система

9. MLops и продакшн:

• Жизненный цикл ML-проекта
• Версионирование моделей (MLflow, DVC)
• Сериализация моделей
• REST API для моделей (FastAPI)
• Docker для ML
• Деплой: Streamlit и облако
• Мониторинг моделей
• Best practices в ML в продакшне
• Практикум: end-to-end проект

10. Подготовка к собеседованиям:

• Типовые вопросы по ML и DL
• Математика на собеседовании
• Алгоритмы и структуры данных
• SQL для ML-инженеров
• Python coding challenges
• Системный дизайн ML-систем
• Разбор реальных кейсов
• Как оформить портфолио и GitHub
• Итоговый проект

На выходе вы получите:

• системное понимание ML и MLOps
• рабочее портфолио (5+ проектов)
• финальный end-to-end ML-сервис с автообновлением модели и мониторингом

​

Если "нейросети плохо пишут код", то вам сюда. Рекомендую сначала пройти курс, потом уже с пониманием использовать MCP серверы. Не забывая конечно про правила для IDE, которые бесплатны.

MCP-серверы
6 Docker контейнеров, подключаемых одной строкой, при правильной настройке заставляют ИИ "творить чудеса" при кодинге в 1С

• Поиск (RAG+Fulltext) по коду, справке конфигурации и метаданным
• Поиск (RAG+Fulltext) по справке и запросам
• Поиск (RAG) по шаблонам кода для 1С
• Проверка синтаксиса BSL LS
• Проверка кода (1С:Напарник - нужен ключ)
• Поиск по метаданным (Граф + Субагент)

​

Этот курс — ваш профессиональный прорыв в сфере нагрузочного тестирования 1С. Мы не просто объясняем теорию, а даём реальные инструменты и методики, которые используют ведущие эксперты отрасли. Гибкий график и практико-ориентированный подход позволят вам получить максимум пользы без отрыва от текущих проектов.

Главное, что вы освоите:

• Полный цикл нагрузочного тестирования — от проектирования сценариев до анализа результатов
• Работу с инструментами тестирования для платформы 1С
• Методы оптимизации производительности под экстремальные нагрузки

Почему это важно?

90% критических сбоев в 1С происходят из-за неправильной оценки нагрузок — после курса вы сможете предотвращать их до запуска систем в продакшен.

​

Выложил первое видео в цикле для подготовки к System Design Interview.

Очень детально разобрал реальные критерии оценки.
Также для кого и когда проводят System Design Interview, какие типы system design собеседований для разных позиций, сколько длится, оптимальная структура ответа, статистика такого рода собеседований.

​

Что даст вам этот курс?
Умение интегрировать популярные AI-инструменты (Copilot, Cody) в рабочий процесс
Навыки генерации кода, автоматического тестирования и рефакторинга с помощью AI
Повышение эффективности за счет автоматической генерации документации, пояснений и поддержки кода
Быстрый онбординг и устранение багов с помощью AI
Навыки генерации boilerplate, проектирования API и архитектурных решений с помощью AI-инструментов
Опыт работы с агентными фреймворками и локальными моделями
Знания о безопасной интеграции AI в рабочие процессы


Программа

Введение и обзор возможностей ИИ в разработке

• Тема 1: Эволюция ИИ в разработке: история и ключевые переходы. Обзор подходов: автодополнение, чаты, агенты, LLM
• Тема 2: Обзор популярных инструментов: Copilot, ChatGPT, Cody, CodeWhisperer и др. Критерии выбора и зрелость
• Тема 3: Установка и настройка Copilot в VS Code. Лучшие расширения для AI-поддержки разработки
• Тема 4: Основы настройки агентских ИИ-сред
• Тема 5: Практика: генерация функции по описанию, исправление багов, запрос тестов. Сравнение промптов и автодополнения

Интеграция ИИ в кодинг

• Тема 1: Промпт-инжиниринг для разработчиков
• Тема 2: Рефакторинг и генерация кода. Сравнение с ручным подходом
• Тема 3: Покрытие тестами: генерация unit-тестов через промпты, snapshot-тестирование, интеграционные запросы
• Тема 4: Работа с чужим кодом: пояснение логики, генерация документации
• Тема 5: Практика: разработка мини-фичи с поддержкой Copilot. Использование GitHub Issues + Copilot + автотестов в связке.
• Тема 6: QA-сессия

ИИ в поддержке и сопровождении

• Тема 1: Быстрый онбординг в проект
• Тема 2: Работа с багами и логами
• Тема 3: Автоматизация DevOps-задач
• Тема 4: AI в аудите и ревью

ИИ в архитектуре и дизайне ПО

• Тема 1: Генерация scaffold и boilerplate
• Тема 2: Проектирование API
• Тема 3: Архитектурные дискуссии с AI
• Тема 4: DSL и кодогенерация
• Тема 5: QA-сессия

Расширенные техники и кастомизация

• Тема 1: Агентные фреймворки (LangChain и OpenInterpreter)
• Тема 2: Локальные модели (LM Studio, Ollama, GPT4All)
• Тема 3: Интеграция с внешними системами
• Тема 4: Настройка VS Code для работы с локальными и кастомными моделями. Подключение внешних endpoint'ов
• Тема 5: MCP (Model Context Protocol)

Внедрение ИИ-инструментов в практику

• Тема 1: Подбор инструментов под стек
• Тема 2: Code governance и безопасность
• Тема 3: Паттерны внедрения

Проектная работа

• Тема 1: Выбор темы и организация проектной работы
• Тема 2: Консультация по проектам и домашним заданиям
• Тема 3: Защита проектных работ
• Тема 4: Подведение итогов курса

​

Этот курс — отличный шанс для вас не только ознакомиться с возможностями БСП, но и научиться применять их на практике для решения конкретных задач. Мы уверены, что полученные знания помогут вам стать более компетентным специалистом, создавать более качественные и современные решения на платформе 1С.

Чему вы научитесь
Цель нашего курса — помочь вам понять, как максимально эффективно использовать "1С:Библиотека стандартных подсистем" для автоматизации бизнес-процессов, повышения производительности и качества ваших решений. Мы подробно рассмотрим, как установить систему БСП, как использовать её возможности для расширения функционала объектов конфигурации и как внедрять стандартные подсистемы в уже существующие и новые конфигурации. В результате вы сможете создавать более гибкие, надежные и легко поддерживаемые системы, что значительно повысит вашу профессиональную ценность и эффективность работы.

Что вас ждёт:
Знакомство с БСП: что это такое и зачем нужно.
Установка и подключение: из шаблона, «с нуля» и через GitHub.
Основные возможности БСП: отчёты, реквизиты, документы, файлы, валюты и многое другое.
Практика: примеры функций, настройка подсистем, полезные лайфхаки.
Бизнес-процессы, задачи и сервисные инструменты для ускорения работы.

Результат:
Легко устанавливать и настраивать БСП.
Использовать её готовый функционал для ускоренной разработки.
Автоматизировать типовые задачи и экономить время.
Применять инструменты БСП в реальных проектах.

Введение
Добро пожаловать на курс
Оформление и помощники в тексте
Основные правила курса
Полезные ссылки
1С:Библиотека стандартных подсистем
«1С:Библиотека стандартных подсистем» (БСП)
Версии БСП
Онлайн-демонстрация БСП
Скачиваем БСП
Установка БСП (из шаблона)
Установка БСП ("с нуля")
Альтернативный способ ознакомления с 1С:БСП используя GitHub
Использование функционала БСП
Использование "1С:Библиотека стандартных подсистем"
Примеры функций и процедур БСП
Дополнительные отчеты и обработки
Дополнительные реквизиты
Валюты
Групповое изменение объектов
Дата запрета изменений
Присоединенные файлы
Завершение работы пользователей
Настройка порядка элементов
Адресный классификатор
Метки
Заметки пользователя
Бизнес-процессы и задачи
Напоминания пользователя
Банки
Версионирование объектов

​

Комплекс подготовки профессионального разработчика 1С: от нуля и до Специалиста по платформе

• Полный курс линейки=первый+второй курсы+ блок подготовки к специалисту по платформе, 18 модулей обучения
• Продолжительность курса – 684 ак. часов
• Даты обучения: на согласовании, появятся позже.
• Онлайн-формат = готовые видеозаписи в ЛК + живые онлайн-трансляций (записи онлайн-трансляций будут)
• Доступ к заранее подготовленному видео (студийная запись) за 2 недели до старта курса
• Методичка в эл.виде
• Поддержка кураторов во время обучения
• Общение с преподавателем в режиме реального времени на онлайн-вебинарах
• Поддержка онлайн-помощника (чат-бота) с 10.00 до 22.00 по МСК
• Доступ к материалам курса – до конца обучения.
• Диплом о профессиональной переподготовке с присвоением квалификации

​

First principle framework (FPF) -- это исследовательская разработка нового поколения руководств по SoTA методам фундаментального мышления как людей, так и AI-систем. Опора FPF идёт на самые базовые, "первые" принципы мышления: различение в мышлении объектов разной природы (систем, описаний, работы, ролей и т.д. в их привязке друг ко другу), оценка надёжности каких-то описаний в части их соответствия реальности, мышление на разных уровнях формальности и т.д. Особенность этой работы в том, что её выполняет главным образом GPT-5 Pro, направляемая научным руководителем мастерской инженеров-менеджеров (МИМ) Анатолием Левенчуком. Использоваться FPF будет не cтолько как "руководство/guide для людей" (это сложный технический текст, больше похожий на "псевдокод" для экспертной системы, хотя это и вполне человекочитаемый "псевдокод"), сколько самими системами AI. Основная трудность использования современных систем AI в том, что они слишком много знают, поэтому междисциплинарные рассуждения таким системам даются с трудом. Но именно такие междисциплинарные рассуждения важны в современных рабочих проектах, ведь все проблемы возникают "на стыках" инженерии и менеджмента, разработки и архитектуры, маркетинга и разработки. FPF в силу своей трансдисциплинарности даёт AI-системам способ аккуратных рассуждений, увязывающих понятия из самых разных предметных областей. Инженеры-менеджеры МИМ уже сегодня могут его использовать для помощи в отладке моделей в своих рабочих проектах.

Зачем идти? Чтобы за один день:

• Понять, как использовать AI для работы с большими сложными текстами. Вы увидите реальный кейс разработки и применения фреймворка объёмом в 3М знаков (примерно размер "Руководства по системному мышлению") с помощью LLM и поймёте границы их возможностей. Если вам надо разрабатывать стандарты, регламенты, техническую документацию и вы хотите задействовать AI -- это как раз пример такой работы.
• Получить новую версию языка для междисциплинарного разговора в рабочих проектах. FPF даёт унифицированный понятийный аппарат (роль, сервис, обязательство, доказательство, обоснование и т.д.), который позволяет инженерам, менеджерам, исследователям говорить на одном языке, устраняя дорогостоящие недопонимания и связанные с ними вечные переделки и исправления.
• Заново понять, что такое роль: с помощью "алгебры ролей" проще обсуждать самые разные контекстуальные и временные "ролевые маски" одних и тех же систем (например, Вася-агент, Вася-инженер и Вася-пациент это один и тот же Вася в разных контекстах и в разное время), это радикально упрощает проектирование сложных систем, как классических инженерных, так и организационных.
• Узнать про способы превращения творчества в управляемый процесс. Вы узнаете об эволюционных алгоритмах творчества, которые хаотическую генерацию идей превращают в дисциплинированный поиск сильных решений.
• Взглянуть на моделирование эволюции систем через динамику, глазами физика: траектория системы в многомерном пространстве её архитектурных характеристик (-ilities/-ости: надёжность, гибкость, доступность и т.д.). Проще будет прогнозировать и направлять эволюцию системы, "путь развития" будет именно путь (траектория), "скорость развития" будет именно скоростью (движения в пространстве архитектурных характеристик).
• Узнать про три мощных идеи наведения порядка в проекте: 1. Унифицированный (для претензий/claims, работ) механизм "охвата" (unified scope mechanism), формализация "границ применимости". 2. Обобщение графов состояний альф OMG Essence до графов состояний ролей в FPF. 3. Конструктивная мереология для надёжной интеграции данных (уже используется в UK digital twin программе в строительстве, текущие работы BORO и Core constructive ontology, отношения часть-целое для единиц знаний становятся возможными).
• Получить представление об исследованиях мастерской инженеров-менеджеров. FPF -- это не "серебряная пуля", это пока исследовательский проект. Но он отражает SoTA современного фундаментального инженерного и исследовательского мышления. Будет прямой диалог, где можно обсудить фундаментальные вещи, например, "а при чем тут вообще первые принципы?". Будут примеры задействования FPF в рабочих проектах в его нынешнем виде (первые опыты использования).