AI Product Factory: от гипотезы до промышленного масштаба - AI11

Описание

Программа представляет собой комплексный продуктовый интенсив по созданию AI‑продукта от формулировки гипотезы до запуска работающего MVP: архитектурное проектирование, организация данных и оценки качества, реализация агентной логики, обеспечение безопасности и пользовательского интерфейса, развёртывание и нагрузочное тестирование.

Аудитория

Продуктовые менеджеры с техническим бэкграундом, технические лидеры, AI‑архитекторы, fullstack‑инженеры и команды, запускающие AI‑продукты в коммерческую эксплуатацию.

Расписание:

День 1. Архитектурный дизайн и agentic workflow.

Формулировка гипотезы AI‑first продукта и обоснование необходимости использования моделей. Выбор «движка»: тяжёлая SOTA‑модель против ансамбля локальных SLM, экономика и компромиссы. Проектирование графа состояний (LangGraph, PydanticAI) и определение точек human‑in‑the‑loop. Подбор стека и подключение MCP‑серверов к корпоративным источникам данных.

День 2. DataOps и база знаний.

Сбор данных из разнородных источников (PDF, веб, API) и создание гибридного хранилища или GraphRAG. Синтетическая генерация данных моделями‑учителями при дефиците разметки. Подготовка evaluation‑пайплайна (RAGAS, DeepEval) до начала основной разработки и фиксация критериев успеха продукта.

День 3. Backend и интеграция агентов.

Оркестрация мультиагентного взаимодействия и петли самоисправления. Подключение внешних API через structured outputs и Model Context Protocol. PromptOps и автоматическая оптимизация промптов под выбранную модель. Архитектура памяти, обеспечивающая узнавание пользователя и обучение на прошлых сессиях.

День 4. Безопасность, интерфейс и guardrails.

Агентный пользовательский интерфейс с отображением промежуточных рассуждений (Streamlit, Vercel AI SDK). Развёртывание guardrails для защиты от инъекций и утечек персональных данных. Обработка ошибок и стратегии fallback при недоступности модели или внешних сервисов.

День 5. Развёртывание, нагрузка и защита проекта.

Промышленное развёртывание через NIM, BentoML или LangServe. Стресс‑тестирование под реальной нагрузкой, оценка достаточности KV‑кэша и поведения системы при пиковых сессиях. Презентация работающего MVP с демонстрацией бизнес‑эффекта и экономики одного запроса.