Библиотека задач по DevOps | тесты, код, задания

Проект, созданный для упрощения и оптимизации использования Docker на Mac или Windows. Этот инструмент автоматизирует процесс установки и настройки Docker и предоставляет графический интерфейс пользователя для запуска контейнеров Docker

👾 — Docker Cloud
👍 — Docker Kitematic
🥰 — Docker Compose
⚡ — Docker Control Plane

Библиотека задач по DevOps

Какой из перечисленных типов объектов Kubernetes является допустимым?

👾 — kind: PodTemplate
👍 — kind: ReplicaSet
🥰 — kind: ServiceAccount
⚡ — Все вышеперечисленное

Библиотека задач по DevOps

🧑‍💻 Учиться агентной разработке — у тех, кто уже внедряет её в бигтехе

Курс «ИИ для разработчиков» ведут практики из ведущих российских IT-компаний 🔥

🔵 Они прошли путь от первых экспериментов с AI до рабочих процессов, в которых агенты помогают команде писать код, готовить PR и быстрее доводить задачи до продакшена.

В ближайшее время познакомим вас с каждым преподавателем. Программа курса — по ссылке 🎹

🏃‍♀️ Proglib Academy

🤷‍♂️ Что важнее в хорошем курсе: программа или люди, которые её создают?

У Proglib Academy вышел пост о том, на каком опыте построен новый курс по AI для разработчиков 🦴

Для чего нужен startupProbe в Kubernetes?

👾 — Проверяет, готов ли под принимать трафик
👍 — Для медленно стартующих приложений: пока он падает, liveness/readiness не срабатывают, избегая преждевременных рестартов
🥰 — Чтобы гарантировать достаточную CPU-квоту
⚡️ — Чтобы разместить под на ноде с SSD

Библиотека задач по DevOps

🫡 Один и тот же запрос к AI можно выполнить двумя способами — и получить совершенно разный результат.

1️⃣ способ — просто попросить написать код. Модель может сгенерировать рабочее решение, но именно на этапе проверки часто всплывают пропущенные edge case’ы, ошибки обработки или проблемы с тестами.

2️⃣ способ — дать агенту цикл Think → Act → Observe. Он не останавливается после первой попытки: планирует действия, проверяет результат и, если находит ошибку, исправляет её и пробует снова.

Самое интересное, что разница здесь не столько в модели ❕ Claude, GPT или другая LLM могут быть одинаковыми. Разницу создаёт инженерная система вокруг них.

📅 Именно это разберём 23 июля в 19:00 (МСК) на бесплатном вебинаре с Алексеем Жиряковым (Executive Director в Сбере, GenAI Data Platform, ex-CTO Stream и KION).

На живом демо покажем, как один и тот же запрос работает без агентной системы и с ней 🔥

🔗 Регистрация

🏃‍♀️ Proglib Academy

С точки зрения исправления ошибок в ваших производственных системах, каково основное преимущество использования переключателей функций, встроенных в конфигурации ваших программных приложений?

👾 — Это самый простой способ исправить проблему. Он не требует срочного развертывания кода
👍 — Вам не нужно срочно исправлять ошибочные части в вашем развертывании
🥰 — Ваша команда DevOps может потратить время на то, чтобы правильно определить основную причину проблемы и улучшить свои методы, чтобы гарантировать, что такая проблема вряд ли повторится в будущем
⚡️ — Все вышеперечисленные варианты

Библиотека задач по DevOps

🔥 Курс «Разработка ИИ-агентов» стартовал, но вы еще успеваете присоединиться!

Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.

💼 Главная фишка: финальный проект в портфолио:

В финальном проекте вы сможете выбрать один из двух вариантов: реализовать свою идею или решить задачу от партнера курса — крупной российской финтех-компании. Вы будете работать с датасетом, построенным по реальным сценариям, получите бизнес-контекст и продовые ограничения. В результате соберете AI-агента, который станет сильным проектом для портфолио.

🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!

Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом

🔗 Занять место и забрать 3 курса

Какова цель развертывания Kubernetes?

👾 — Определить и управлять набором модулей, а также обеспечить их постоянную работу
👍 — Создание и управление сетью взаимосвязанных контейнеров
🥰 — Для обеспечения балансировки нагрузки и распределения сетевого трафика между несколькими модулями
⚡ — Для автоматического масштабирования количества модулей в зависимости от использования ресурсов

Библиотека задач по DevOps

🔥 Стартуем СЕГОДНЯ! Новый поток курса «Разработка ИИ-агентов» открыт

По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.

Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.

Что внутри урока:

- Устройство LLM.
- Рабочие шаблоны промптов (Persona, Chain-of-Thought и др.).
- Разбор реального кейса Яндекса. Как автоматизировать разметку, обойти качество людей на 5% и срезать косты на 60%.

После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.

👉Смотреть закрытый урок на YouTube

Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.

🔗 Занять место на курсе

Для какого типа рабочей нагрузки обычно лучше использовать Ingress в Kubernetes?

👾 — Приложения с отслеживанием состояния
👍 — Микросервисы без сохранения состояния
🥰 — Задания пакетной обработки
⚡ — Системы управления базами данных

Библиотека задач по DevOps

🚀 Уже завтра стартует новый поток курса «ИИ-агенты»!

Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.

Старт уже завтра!

Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!

Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.

🔗 Пройти демо-урок и занять место на курсе

Какой инструмент DevOps известен своими возможностями «инфраструктуры как кода» и безагентной архитектурой?

👾 — Jenkins
👍 — Git
🥰 — Puppet
⚡️ — Ansible

🐸Библиотека задач по DevOps

🤨 Как заставить AI-агента не ломать архитектуру, а нормально писать код?

Мы привыкли общаться с ИИ промптами, но для автономных систем это путь к бесконечным циклам и сливу бюджета. Чтобы убрать хаос, инженеры переходят на Spec-Driven Development (SDD).

Вот как этот подход меняет работу агента на практике:

🔹Контракт вместо текста. Сначала пишется строгая спецификация (JSON-схема/OpenAPI) и автотесты. Агент зажат в рамки интерфейсов, за которые физически не может выйти.
🔹Контроль на шагах. Внутри петли Think-Act-Observe агент сверяет действия со спецификацией.
🔹Саморефлексия. Если ИИ нарушил типы или «додумал» лишнее, тест падает. Агент получает ошибку в контекст и сам правит код, не выходя за рамки ТЗ.

Это лишь база того, как укротить ИИ-разработку. Если вы хотите глубоко внедрить эту методологию, научиться проектировать архитектурные контракты и собирать отказоустойчивые системы —оставляйте заявку на наш новый курс по Spec-Driven Development. Стартуем совсем скоро🙂

🔥 Как перестать слепо доверять ИИ и начать им управлять?

1–2 августа на «ИИ-выходных» вы научитесь проектировать архитектуру автономных AI-агентов и контролировать их работу.

Что будет в вашем портфолио после обучения:

— Вы выйдете с готовым профилем AI-инженера (отлично дополнит ваши LinkedIn и GitHub).
— Освоите связку Python, FastAPI, OpenAI API, Docker и PostgreSQL.
— Соберете полноценный AI-сервис под вашу личную задачу.

Для кого: junior-middle разработчики. Вы пишете на Python, работаете с Git и терминалом (с нуля не подойдет, темп очень быстрый!).

👨‍💻 Спикер: Алексей Жиряков (Сбер, GenAI).

Места строго ограничены!

👉 Изучить программу и занять место

Каково значение по умолчанию поля targetPort в определении сервиса?

👾 — То же, что и после порта
👍 — Случайное
🥰 — 8080
⚡️ — 80

Библиотека задач по DevOps

Какой тип IP-адреса по умолчанию назначается службе в Kubernetes?

👾 — Внешний IP
👍 — Внутренний IP
🥰 — Кластерный IP
⚡️ — Виртуальный IP

Библиотека задач по DevOps

📹 Из чего на самом деле состоит ИИ-агент?

Прикрепили для вас свежую вырезку из вебинара. Внутри, что прячется под капотом агентных систем: от LLM-ядра до вызова внешних инструментов. Обсуждаем, какими бывают агенты (спойлер: далеко не только автономными) и когда какой подход использовать.

Готовы перейти от видео к практике и собрать свой первый продакшн-кейс?

Прямо сейчас у нас действует акция «3 курса по цене 1»:

🔹 При покупке VIP-тарифа нового потока «Разработка ИИ-агентов» вы получаете в подарок хардкорный курс «AgentOps» + ещё один любой курс Академии на ваш выбор!

🔹 Ваша чистая экономия — 129 000 ₽! Два топовых курса по созданию и контролю агентов обойдутся вам всего в 134 000 ₽ вместо 263 000 ₽. Плюс третий курс бонусом (например, «Математика для AI»).

Сомневаетесь, подойдет ли вам формат? Оставьте заявку и пройдите бесплатный демо-урок, чтобы протестировать платформу перед покупкой.

👉 Пройти демо-урок и забрать 3 курса по цене 1

Какова цель следующей команды Docker?

👾 — Она создает новый образ Docker с именем nginx и запускает его в фоновом режиме, сопоставляя порт 8080 на хосте с портом 80 в контейнере
👍 — Она извлекает последний образ nginx из Docker Hub и запускает контейнер в отсоединенном режиме, предоставляя порт 80 из контейнера как порт 8080 на хосте
🥰 — Она запускает новый контейнер на основе образа nginx, сопоставляя порт 80 хоста с портом 8080 в контейнере, и запускает его в фоновом режиме
⚡️ — Она создает новую сеть Docker с именем nginx и подключает к ней контейнер, перенаправляя порт 8080 с хоста на порт 80 в контейнере

Библиотека задач по DevOps

💰 Почему одним Data Scientist платят больше, чем другим?

Дело не только в знании Python и ML-библиотек. Во многих компаниях уровень специалиста оценивают по математической подготовке: теории вероятностей, статистике, линейной алгебре и математическому анализу.

Именно эти знания помогают понимать модели, решать более сложные задачи и претендовать на позиции с более высокой оплатой.

На курсе «Математика для Data Science» вы изучите разделы, которые используются в работе Data Scientist и ML Engineer.

Что вас ждёт:

🔹 40+ видеолекций и 150+ практических заданий на Python
🔹 Проверка домашних работ и обратная связь от преподавателей
🔹 Подготовка к техническим собеседованиям
🔹 Программа от преподавателей ВМК МГУ, НИУ ВШЭ и экспертов индустрии

👉 Записаться на бесплатный демо-урок