Pentru mulți ingineri, machine learning a început cu un model antrenat de la zero pe un set de date propriu. În multe proiecte de azi, punctul de plecare e un model preantrenat, iar munca s-a mutat în altă parte: alegi modelul potrivit, îl adaptezi pe datele tale, îl rulezi acolo unde datele au voie să stea și demonstrezi cu cifre că versiunea nouă e mai bună decât cea veche. Partea de inginerie a crescut, nu a dispărut.
Fiecare dintre aceste decizii are compromisuri concrete. Fine-tuning-ul schimbă comportamentul unui model, dar nu e calea potrivită pentru cunoștințe care se schimbă des; acolo ajută RAG. Un model cuantizat încape pe hardware mai modest, cu un preț în calitate pe care trebuie să-l măsori. Un model open-weight rulat local ține datele pe infrastructura ta, dar vine cu licența lui, pe care trebuie s-o citești înainte de uz comercial. Iar în computer vision, o etichetă greșită dintr-un set de date poate ieși la iveală abia în producție.
Traseul adună cursuri de nivel Intermediar, Avansat și Expert care acoperă aceste decizii: fine-tuning de la strategie la operare continuă, computer vision cu deep learning până la MLOps, LLM-uri locale cu Ollama și servire cu vLLM sau SGLang, RAG în producție și o comparație a modelelor din perspectivă enterprise. Presupune că programezi și că știi deja ce e un set de antrenare și un set de validare.