Методы хранения данных для больших языковых моделей

Магистратура 2026/2027

ID 1271938

Статус: Курс по выбору (Исследования и предпринимательство в искусственном интеллекте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена проектированию и эксплуатации систем хранения данных для задач искусственного интеллекта. Рассматриваются типы данных и хранилищ, применяемых в ИИ-системах: данные для обучения моделей, оперативные данные, долговременная память, история взаимодействий, данные для семантического поиска и внешние источники. Особое внимание уделяется корпоративным платформам данных, потоковой обработке информации, векторным представлениям и семантическому поиску, архитектурам систем дополнения запросов (RAG-подходы), хранилищам признаков, а также эксплуатационным аспектам: наблюдаемости, стоимости хранения, безопасности и импортозамещению. Практическая часть курса включает проектирование архитектуры системы хранения данных для выбранного типа ИИ-системы (чат-бот, рекомендательная система, интеллектуальный поиск или аналитическая платформа) с обоснованием выбора технологий и потоков данных.

Цель освоения дисциплины

Сформировать у студентов целостное понимание архитектуры систем хранения данных для задач искусственного интеллекта и практические навыки проектирования таких систем с учётом требований к масштабируемости, актуальности данных, задержкам обработки и стоимости хранения.

Планируемые результаты обучения

Понимать роль различных типов данных и хранилищ в ИИ-системах (обучение, онлайн-сервисы, память, поиск, аналитика).
Владеть подходами к проектированию корпоративных платформ данных (Data Lake, DWH, витрины данных, мастер-данные, каталоги данных).
Уметь проектировать потоки данных, включая потоковую обработку и обновление признаков и индексов в реальном времени.
Понимать принципы работы векторных хранилищ и семантического поиска, а также ограничения их применения.
Владеть базовыми подходами к архитектуре систем дополнения запросов (RAG-системы, внешние источники знаний, долговременная память).
Уметь проектировать хранилища признаков (online/offline) с учётом согласованности и качества данных.
Учитывать эксплуатационные аспекты: наблюдаемость, безопасность, стоимость хранения, уровни данных (hot/warm/cold), работу с персональными данными и импортозамещение.