Предисловие и вводная глава

Александр Поломодов и Евгений Сергеев начинают разбор книги Чип Хёйен «AI Engineering» с практики: команды строят LLM-приложения, используют RAG и fine-tuning, но не умеют надёжно оценивать качество. Десять глав ведут от foundation models и evaluation к архитектуре, данным, интерфейсам и эксплуатации продукта.

Первая глава объясняет переход от классического ML с собственным обучением к приложениям поверх готовых foundation models. Ведущие разбирают токены как единицу представления и оплаты, instruction following и мультимодальность. Текст, изображения и речь превращают модель в интерфейс для широкого класса задач.

Sentiment analysis, определение намерения и модерация показывают, где LLM заменяет узкий классификатор и где создаёт риски. Кривая хайпа отделяет ожидания бизнеса от отдачи. Внутренняя платформа сокращает разрыв, если даёт не только модель, но доступ, наблюдаемость, шаблоны и оценку.

GitHub-тренды и корпоративные кейсы показывают рост AI-инструментов, а MCP и Claude Desktop — общий протокол для контекста и действий. Качество моделей растёт, цена падает. Prompt engineering упрощает прототип, но production требует данных, проверок, безопасности и инженерной дисциплины.