One tab per IT direction. Each map lives on its own page and in its own source file (roadmaps/<slug>.json) — drop your maps there and they plug straight in.
🤖 AI / LLMML и AI
live
From Python backend to ML and AI engineer — 8 stages, fast track 16–20 weeks, full track 10–14 monthsОт Python-бэкенда к ML и AI-инженеру — 8 этапов, быстрый трек 16–20 недель, полный 10–14 месяцев
▸ Stage 0. Python for data (2–3 wk)Этап 0. Python для данных (2–3 недели)live
NumPy: arrays, vectorization instead of loops, broadcasting
pandas or polars: loading, cleaning, groupby, merge, windows
Visualization and notebooks: matplotlib, Jupyter, uv environments
Formats and scale: Parquet, Arrow, DuckDB for SQL on files
Assignment: reproducible real-dataset EDA report
NumPy: массивы, векторизация вместо циклов, broadcasting
pandas или polars: загрузка, очистка, groupby, merge, оконные операции
Визуализация и ноутбуки: matplotlib, Jupyter, окружения uv
Форматы и большие данные: Parquet, Arrow, DuckDB для SQL по файлам
Практика: воспроизводимый EDA-отчёт по реальному датасету
▸ Stage A. Math and statistics (6–8 wk, parallel)Этап A. Математика и статистика (6–8 недель, параллельно)live
Linear algebra: vectors, matrices, norms, SVD idea, cosine similarity
Calculus: derivatives, gradients, chain rule as the base of backpropagation
Рекомендательные системы: two-tower модели, NDCG/MAP, холодный старт, петли обратной связи
Поиск и ранжирование: BM25, гибридный поиск, learning-to-rank
Обучение LLM: претрейнинг, SFT, RLHF/DPO, scaling laws, распределённые запуски
Компьютерное зрение: детекция, сегментация, ViT, диффузионные модели
Временные ряды: сезонность, ARIMA/Prophet против бустинга, валидация по времени
Антифрод: сильный дисбаланс, графовые признаки, петли разметки
Речь: ASR/TTS вроде Whisper, потоковая обработка и задержка
Инференс и инфраструктура: профилирование GPU, KV-кэш, continuous batching, устройство vLLM
▸ Stage G. GPU Inference in Kubernetes (vLLM, DRA/MIG), AI Gateways & MCP EcosystemЭтап G. GPU-инференс в Kubernetes (vLLM, DRA/MIG), AI-шлюзы и экосистема MCPlive
NVIDIA GPU Operator in Kubernetes: Dynamic Resource Allocation (DRA), MIG profiles, and Time-Slicing
High-throughput LLM serving with vLLM: PagedAttention, prefix caching, tensor parallelism, and 16Gi /dev/shm
Scale-to-zero GPU autoscaling with KEDA and rapid spot/on-demand GPU node provisioning via Karpenter
AI Gateways (LiteLLM and Envoy AI Gateway): token rate limits, team budgets, fallback routing, and Redis semantic cache
Model Context Protocol (awesome-mcp-servers) and IDE rules (.cursor/rules) for production coding agents
Оркестрация GPU в Kubernetes: NVIDIA GPU Operator, профили MIG, DRA и Time-Slicing
Высокопроизводительный сервинг vLLM: PagedAttention, prefix caching, tensor parallelism и /dev/shm в RAM
Масштабирование GPU-подов в ноль через KEDA и быстрый заказ GPU-нод через Karpenter
Единый AI-шлюз (LiteLLM / Envoy AI Gateway): лимиты токенов, бюджеты команд, фоллбэк и семантический кэш в Redis
Интеграция агентов через Model Context Protocol (awesome-mcp-servers) и правила редакторов (.cursor/rules)