სიღრმისეული მასალები პროგრამული არქიტექტურის, საუკეთესო პრაქტიკებისა და რეალური production-სისტემებიდან მიღებული გამოცდილების შესახებ.
პრაქტიკული ანალიზი იმისა, როდის აქვს მიკროსერვისებს რეალური აზრი და როდის — არა. დაფუძნებულია განაწილებული სისტემების არქიტექტურაში მიღებულ რეალურ წარმატებებსა და შეცდომებზე.
ეს ვიდეოები არის ფრთხილად შერჩეული გარე რესურსები, რომლებიც Profectus Lab-მა აირჩია, რათა დაეხმაროს ინჟინრებს მოწმენილი AI და სისტემის დიზაინის პრინციპების გაგებაში.
~1:56:00 იშვიათი პრაქტიკული ახსნა GPT-ის შიდა არქიტექტურის შესახებ — თეორიიდან რეალურ კოდამდე.
~1:00:00 კარპატის ერთსაათიანი ახსნა: როგორ მუშაობს LLM — inference, ტრენინგი, fine-tuning და ჩამოყალიბებადი LLM-OS. ერთიანი მენტალური მოდელი ინჟინრებისთვის, ვინც ახლა შემოდის ამ სფეროში.
~27:00 3Blue1Brown-ის ფირმოვანი ვიზუალური ახსნა transformer-ის არქიტექტურის. საუკეთესო 30-წუთიანი შესავალი ინჟინრებისთვის — ჯერ ინტუიცია, შემდეგ მათემატიკა.
~16:00 StatQuest-ის ფირმოვანი ნაბიჯ-ნაბიჯ მიდგომა attention-ის მიმართ. ხსნის "მაგიას" და ტოვებს გასაგებ ინტუიციას self-attention-ისთვის.
~14:00 3Blue1Brown-ის ვიზუალური მტკიცებულება იმისა, თუ როგორ ისწავლება ნეირონული ქსელი. გრადიენტული დაშვებისა და chain rule-ის ყველაზე გასაგები მენტალური მოდელი 15 წუთში.
~18:00 ანგრევს მითს „ნეირონული ქსელები შავი ყუთია". საფეხურებრივი ახსნა მათემატიკის უმარტივეს მაგალითზე — სწორი საწყისი წერტილი.
~50:00 Mosh Hamedani-ის პრაქტიკული შესავალი: ნულიდან სრულ ML-პაიპლაინამდე Python-ზე. სწრაფი end-to-end ML-შესავალი მათთვის, ვინც Python-ს უკვე ფლობს.
~15:00 Michael Phi თითოეულ transformer-კონცეფციას ანიმაციით ხსნის. კარგი მეორე ვიდეო 3Blue1Brown-ის შემდეგ — იგივე ინტუიცია, სხვა კუთხიდან.
~6:00:00 MCP ტრეკის კეინოუტი Anthropic-ის გუნდთან ერთად. თუ გინდათ გაიგოთ, რატომ გახდა 2025-ში MCP ინდუსტრიის სტანდარტი LLM-ის ხელსაწყოებთან დასაკავშირებლად — ეს საუკეთესო პირველწყაროა.
~2:00:00 Anthropic-ის პრაქტიკული ვორქშოპი production-აგენტების Claude Agent SDK-ით აშენებაზე — tool use, sub-agents, hooks, MCP-სერვერები და დემოს მიღმა მუშა პატერნები.
~8:00:00 2024 წლის უდიდესი ტექნიკური AI-კონფერენციის კეინოუტი. AI-ინჟინერიის სურათი — რა გამოვიდა, რა იმუშავა, რა არა — გუნდებისგან, რომლებიც ამას აშენებენ.