Работа с ИИ: модели, промпты, выбор инструментов и практическое применение - AI00

Цель курса

Курс помогает участникам понять, какие бывают ИИ-модели, чем отличаются облачные и локально запускаемые решения, как правильно ставить задачи ИИ, как писать эффективные промпты, для каких задач ИИ подходит и не подходит, а также как сравнивать модели и выбирать их под рабочие сценарии.

Аудитория курса

Курс подойдет руководителям, менеджерам, аналитикам, маркетологам, HR-специалистам, преподавателям, продуктовым командам, разработчикам и всем, кто хочет использовать ИИ в работе системно и осознанно.

Формат курса

Теория, демонстрации, практика, разбор кейсов
Ориентир: 40% теория, 60% практика

Результаты обучения

После курса участники смогут:
Различать основные типы ИИ-моделей;
Понимать разницу между облачными, open-weight и локальными решениями;
Грамотно ставить задачи ИИ;
Писать сильные промпты;
Сравнивать модели по ключевым критериям;
Выбирать подходящий инструмент под задачу;
Учитывать ограничения, риски и требования к качеству результата.

День 1

Модуль 1. Современный ИИ: виды моделей, принципы работы и области применения
В модуле рассматриваются:

Какие бывают ИИ-модели: языковые, мультимодальные, модели для изображений, аудио, кода и специализированные решения;
Базовые принципы работы моделей: контекст, токены, инструкции, ограничения, галлюцинации;
Различия между облачными, open-weight и локально запускаемыми моделями;
В каких случаях стоит использовать облачные сервисы, а в каких важны локальный запуск, приватность и контроль;
Для каких задач ИИ подходит хорошо, а где его применение ограничено;
Типовые риски и ошибки при использовании ИИ.

Практика модуля:

Сравнение разных типов моделей на одинаковых задачах;
Разбор сценариев, где ИИ полезен и где не подходит;
Обсуждение различий между облачным и локальным использованием.

День 2

Модуль 2. Практика работы с ИИ: как ставить задачи и писать эффективные промпты
В модуле рассматриваются:

Почему качество ответа зависит от формулировки задачи;
Структура сильного промпта: цель, контекст, данные, ограничения, формат ответа, критерии качества;
Базовые техники промптинга: роль, примеры, пошаговая постановка задачи, уточнение запроса;
Способы повышения качества ответа: самопроверка, переформулирование, несколько версий ответа;
Промпты для типовых рабочих задач: анализ документов, письма, отчеты, суммаризация, маркетинг, HR, аналитика, код.

Практика модуля:

Улучшение слабых промптов;
Сравнение разных формулировок одной и той же задачи;
Получение ответов в разных форматах и для разных аудиторий;
Сбор собственного набора промпт-шаблонов.

День 3

Модуль 3. Сравнение моделей: плюсы, минусы, ограничения и выбор под задачу
В модуле рассматриваются:

По каким критериям сравнивать модели: качество, скорость, стоимость, точность, длина контекста, работа с файлами, мультимодальность, приватность, локальный запуск;
Различия между крупными облачными моделями, open-weight решениями, локальными моделями и специализированными инструментами;
Сильные и слабые стороны разных классов моделей;
Когда оправдан локальный запуск, а когда удобнее облачное решение;
Как выбирать модель не “вообще”, а под конкретную задачу.

Практика модуля:

Сравнение моделей по рабочим критериям;
Выбор подходящего класса модели под конкретные кейсы;
Анализ компромиссов между качеством, ценой, скоростью и приватностью.

Модуль 4. Внедрение ИИ в рабочие процессы и безопасное использование
В модуле рассматриваются:

Типовые сценарии применения ИИ в работе: подготовка материалов, анализ документов, работа с базой знаний, обработка обратной связи, поддержка внутренних процессов;
Разница между промптингом, RAG и более сложной настройкой моделей;
Риски использования ИИ: галлюцинации, устаревание знаний, ошибки автоматизации, чувствительные данные, репутационные риски;
Роль человека в контуре и способы проверки результата;
Подход к проектированию собственного сценария внедрения ИИ.

Практика модуля:

Проектирование рабочего процесса с использованием ИИ;
Выбор модели и формата использования;
Составление рабочих промптов;
Определение рисков и критериев проверки качества;
Итоговый мини-проект по собственному кейсу.