Базовый уровень

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.

Описание

Программа посвящена переходу от ручного составления промптов к промпт‑инжинирингу как программируемой инженерной дисциплине: использованию сигнатур и автоматических оптимизаторов, обеспечению надёжного структурированного вывода, подключению инструментов через Model Context Protocol, организации PromptOps и систематической оценке качества.

Аудитория

инженеры прикладного ИИ, backend‑ и fullstack‑разработчики, аналитики данных, руководители AI‑направлений, ответственные за воспроизводимость и измеримость LLM‑решений.

Расписание:

День 1. От текста к программируемому промпту.

Фреймворк DSPy и переход от свободных инструкций к сигнатурам (входы и выходы). Автоматические оптимизаторы (MIPROv2, BootstrapFewShot) и подбор few‑shot примеров на основе данных. Работа с reasoning‑моделями и управление скрытой цепочкой рассуждений. Экономика контекста, кэширование запросов и снижение стоимости инференса.

День 2. Надёжность вывода и мультимодальность.

Constraint decoding и грамматики (PydanticAI, Outlines) для гарантированно валидного JSON на уровне распределения токенов. Model Context Protocol (MCP) как стандарт подключаемых инструментов и проектирование самодокументируемых интерфейсов. Принципы агентного интерфейса и vision‑инструкций для управления визуальными элементами. Стратегии работы со сверхдлинным контекстом и компенсация эффекта «lost in the middle».

День 3. PromptOps и оценка качества.

Подход LLM‑as‑a‑judge, проектирование критериев и кастомных моделей‑критиков. Семантическое версионирование и регрессионное тестирование промптов в составе CI/CD. Red‑teaming, поиск уязвимостей и встраивание guardrails в реальном времени. Гибридные схемы Prompting + RAG и критерии выбора между прямым включением данных в промпт и извлечением из графовой базы знаний.

Описание

Программа посвящена построению продвинутых систем извлечения и представления знаний: контекстному и визуальному чанкингу, гибридному поиску, GraphRAG, агентному retrieval, RAGOps, измеримости качества и обеспечению безопасности корпоративных ассистентов.

Аудитория

ML‑ и AI‑инженеры, архитекторы данных, инженеры данных, разработчики корпоративных ассистентов и систем поиска по документам.

Расписание

День 1. Архитектура знаний и продвинутый чанкинг.

Contextual retrieval и преобразование чанков перед индексацией для сохранения смысла. Семантический и документно‑визуальный чанкинг для PDF и презентаций с использованием vision‑моделей для описания таблиц и графиков. Late chunking как способ сохранить глобальный контекст в локальных эмбеддингах. Эмбеддинги 2026 года и подход Matryoshka с варьируемой размерностью для оптимизации скорости и памяти.

День 2. GraphRAG и гибридный поиск.

Построение графов сущностей и отношений поверх векторного индекса; сценарии, требующие связного знания. Гибридный поиск, объединяющий BM25, векторное сходство и графовые обходы; динамическая балансировка весов. Multi‑vector представления документа (краткое содержание, полные данные, гипотетические вопросы). Выбор стека хранения: серверные векторные базы и встраиваемые хранилища.

День 3. Retrieval как агент.

Декомпозиция и расширение запросов с помощью LLM. Подходы Self‑RAG и Corrective RAG: самооценка релевантности и переход к веб‑поиску при недостатке локальных данных. Re‑ranking на лёгких cross‑encoder‑ах и ColBERT‑подобных моделях. Стратегии long‑context RAG и RAG‑Fusion для моделей со сверхдлинным контекстом.

День 4. RAGOps, оценка качества и безопасность.

Метрики faithfulness и answer relevance в инструментах RAGAS и DeepEval, формирование тестовых наборов на синтетических данных. Дрейф данных и стратегии переиндексации. Защита от prompt injection через содержимое документов. Инфраструктура развёртывания (LangServe, BentoML), мониторинг качества и учёт стоимости поискового запроса.