Extra ✦

На этом этапе мы изучим продвинутые темы в области бэкенд-разработки и DevOps, которые помогут вам углубить ваши знания и навыки в создании надежных и масштабируемых систем для AI Агентов. Данные концепции особенно полезны для тех, кто стремится к ролям архитектора систем или техлида в AI проектах.

Инструкция к Ask AI

инструкция

Так как данные темы не меняются со временем, лучше всего вам изучать их с персональным преподавателем - ChatGPT.

Процесс изучения должен быть следующим:

• вы составляете системный промпт для ChatGPT (шаблоны), где описываете свой бэкграунд, предпочтения, уровень подробности объяснений и т.д.
• копируете тему из списка (тройной клик), и просите ChatGPT объяснить вам эту тему
• при желании углубиться, задаете уточняющие вопросы

На данный момент это самый удобный способ изучения основ. Кроме концептов, вы можете изучать дополнительные материалы в секциях Gold, Silver, Extra.

1. Gold - стоит обязательно изучить до общения с ChatGPT
2. Ask AI - задавайте вопросы по каждой малознакомой теме
3. Silver - второстепенные материалы
4. Extra - углубленные темы

Golden

Nginx

10 Sysdes Patterns

Why Kubernetes is so popular

Sysdes

More Sysdes

Ansible

Terraform

Ask AI

DevOps и Инфраструктура

1. Nginx для AI-систем: балансировка нагрузки и проксирование запросов
2. Kubernetes: оркестрация ML-воркфлоу в продакшене (практические кейсы)
3. Kubernetes Operators: автоматизация повторяющихся задач (Обзорно)
4. GitOps для начинающих: базовые принципы и настройка ArgoCD
5. Мониторинг Kubernetes: Prometheus + Grafana (шаблоны для AI)
6. Service Mesh: базовые концепты Istio/Linkerd (Кратко)
7. Helm: шаблонизация приложений (практикум для AI-разработчика)
8. Canary Deployments: безопасное обновление моделей (пошаговый гайд)
9. Infrastructure as Code: сравнение Terraform и Pulumi (концепт)
10. CI/CD пайплайны: автоматизация тренировки моделей (end-to-end пример)

Высоконагруженные системы

11. Шардирование БД: базовые стратегии для начинающих
12. CQRS + Event Sourcing: архитектурные паттерны (Обзорно)
13. Очереди сообщений: Kafka vs RabbitMQ (сравнение для AI)
14. Backpressure: защита систем от перегрузки (практические примеры)
15. Согласованность данных: базовые паттерны распределенных систем
16. Оптимизация задержек: диагностика проблем в AI-инференсе
17. Кэширование: многоуровневые стратегии (практические кейсы)
18. Observability: мониторинг AI-пайплайнов (OpenTelemetry)
19. Обработка Big Data: Spark для начинающих (основные концепции)
20. Rate Limiting: защита API (готовые решения и библиотеки)

Безопасность и надежность

21. OAuth 2.0: практическая реализация для AI-систем
22. Защита моделей: базовые методы против prompt injection
23. Zero Trust: основные принципы (Краткий обзор)
24. Secrets Management: работа с HashiCorp Vault (гайд)
25. Fault Tolerance: шаблоны для начинающих (Обзорно)
26. gRPC: оптимизация коммуникации между микросервисами
27. Blue-Green Deployments: базовый сценарий для AI-моделей
28. SLA/SLO/SLI: метрики качества (практические примеры)
29. Аудит безопасности: основные этапы (чек-лист)
30. Резервирование: стратегии для AI-инференса (Кратко)

Облачные технологии и финансовая оптимизация

31. Multi-cloud стратегии: снижение зависимости от провайдеров для AI-систем
32. FinOps: оптимизация затрат на облачные GPU и TPU для AI-проектов
33. Spot Instances: эффективное использование для тренировки моделей
34. Serverless для AI: архитектурные шаблоны и антипаттерны
35. Cloud Native AI: эффективное использование облачных сервисов ML/AI
36. Data Lake и Data Warehouse: архитектуры для AI-данных
37. Edge Computing: перенос AI-инференса ближе к источникам данных
38. Бенчмаркинг облачных провайдеров: методология для AI-воркфлоу
39. Pay-as-you-go vs Reserved Instances: стратегии для AI-стартапов
40. Облачная автоматизация: роботы для мониторинга и оптимизации затрат

Базы данных и хранение для AI

41. Векторные БД: оптимизация запросов и индексирования для RAG-систем
42. Time Series DB: хранение и анализ временных рядов для мониторинга AI
43. NewSQL: современные распределенные БД с ACID-гарантиями
44. Data Lakehouse: архитектура для AI-стартапов (Delta Lake, Iceberg)
45. Column Store vs Row Store: выбор для аналитических AI-систем
46. Embedded DB: локальные решения для Edge AI (SQLite, DuckDB)
47. Транзакционный Outbox: надежная передача событий между сервисами
48. Полнотекстовый поиск: Elasticsearch для гибридного поиска с AI
49. Database Federation: объединение разнородных источников данных
50. Graph DB: использование для LLM knowledge графов и рекомендаций

Silver

1. DevOps Roadmap для AI Engineer
2. Современные паттерны архитектуры облачных приложений
3. Ansible vs Puppet vs Chef: сравнительный анализ
4. Тестирование распределенных систем: подходы и инструменты

Extra

1. Разработка кастомных Kubernetes-операторов для AI-воркфлоу
2. EventMesh: глобальная шина событий для микросервисных AI-систем
3. WebAssembly как среда выполнения для облегченных AI-моделей
4. eBPF: мониторинг и отладка на уровне ядра для высоконагруженных AI-систем
5. unikernels: минималистичные специализированные ОС для AI-инференса
6. Функциональное программирование в бэкенд-разработке: преимущества для AI-систем
7. SRE для AI-систем: практики и процессы Google
8. Квантовые вычисления для AI: современное состояние и перспективы
9. Zero-downtime миграции баз данных: стратегии для непрерывной работы
10. Data Sovereignty: соответствие региональным требованиям для AI-данных