Эффективность сотрудников с ML

Вводная часть для всех участников — единый язык и культура работы с ИИ до разделения на треки.

• Где в рабочем дне теряется время и что из этого можно отдать ИИ
• Что машинное обучение и LLM умеют, а что пока нет — реалистичные ожидания
• Безопасность и данные: что нельзя отправлять в публичные сервисы, требования 152-ФЗ
• Как ставить задачу ИИ: базовые принципы промптинга для любых инструментов
• Как измерять личную эффективность до и после

Для сотрудников, которые не пишут код. Учимся применять готовые ИИ-инструменты и собирать автоматизации мышкой, без единой строчки программы.

Базовый навык: использовать ChatGPT, Claude, GigaChat или YandexGPT как личного помощника.

• Письма, ответы клиентам, тексты и посты за минуты вместо часов
• Резюме встреч, расшифровок и длинных переписок
• Перевод, редактура, смена стиля и тональности
• Подготовка к встречам, брейншторм идей и структурирование мыслей

Как поручить ИИ рутину с файлами и цифрами без формул и кода.

• Извлечение данных из договоров, счетов, PDF и сканов
• Анализ таблиц и сводок на естественном языке
• Генерация документов по шаблону, проверка на ошибки и соответствие
• ИИ-функции внутри привычных офисных инструментов

Связываем сервисы между собой и поручаем ИИ повторяющиеся цепочки действий.

• Сценарии в no-code платформах (n8n и аналоги): «если пришло письмо — сделай…»
• Автоответы, сортировка заявок, наполнение CRM, уведомления
• Готовые ИИ-агенты и кастомные GPT под отдел без программирования
• Телеграм-боты-помощники из готовых блоков

Чтобы навык остался после курса и превратился в привычку.

• Личная библиотека промптов и шаблонов под свои задачи
• Чек-лист «что я делегирую ИИ каждый день / неделю»
• Практикум: автоматизируем 2–3 реальные задачи участника

Для разработчиков, аналитиков и инженеров. Учимся применять ML и LLM в коде: ускорять разработку, строить собственные инструменты и модели.

Как использовать ИИ-ассистенты, чтобы писать и поддерживать код заметно быстрее.

• Cursor, GitHub Copilot и аналоги: генерация, рефакторинг, ревью
• Эффективные промпты для кода и работа с большими репозиториями
• Генерация тестов, документации и разбор легаси-кода
• Где ИИ ошибается в коде и как не пустить баги в продакшен

Пишем собственные скрипты, которые снимают рутину с команды.

• Основы работы с API LLM (OpenAI-совместимые и российские провайдеры)
• Структурированный вывод (JSON), валидация и обработка ошибок
• Парсинг, обработка документов и пакетная обработка данных
• Интеграции с внутренними системами, CRM, базами и мессенджерами

Собираем инструменты, которые отвечают по внутренним данным компании.

• Эмбеддинги и векторный поиск: как устроен RAG изнутри
• Ассистент по базе знаний, документации или коду компании
• Вызов инструментов (function calling) и простые агентные сценарии
• Оценка качества и контроль галлюцинаций

Классическое машинное обучение для прогнозов и приоритизации — там, где LLM не нужны.

• Постановка задачи: прогноз спроса, отток, скоринг, приоритизация лидов
• Быстрые модели на практике: CatBoost, LightGBM, AutoML
• Подготовка данных, валидация и честная оценка качества
• Интерпретация результатов и типичные ошибки

Как довести наработку до того, чем будет пользоваться вся команда.

• Превращаем скрипт в сервис: API на FastAPI, простой интерфейс или бот
• Контейнеризация и развёртывание «на пальцах»
• Мониторинг, логирование и контроль стоимости запросов
• Практикум: доводим инструмент участника до рабочего прототипа

Общий финал для обоих треков — чтобы обучение превратилось в реальную экономию времени.

• Как замерить эффект: сэкономленные часы, скорость, качество
• Что масштабировать на отдел и компанию, а что оставить личным
• Безопасность и регламенты использования ИИ в команде
• Дорожная карта внедрения на 1–3 месяца