История ИИ: от экспертных систем до агентов. Примеры задач машинного обучения, проблемы внедрения ИИ и агентов. Типы задач машинного обучения, что такое модель машинного обучения. Что такое LLM и как они работают (на примере ChatGPT), возможности LLM. Реальные кейсы внедрения ИИ в банках и госсекторе. Интерактивный разбор мифов vs реальности. Что пока не реально сделать в ИИ, прогноз, тренды.

Как оценить «готовность» процесса к ИИ. Гиперперсонализация, персональные отображения массовых услуг. Автоматизации приема жалоб и обращений. Распознавание документов, данных в документах, поиск ответов по тексту. Массовая автоматическая оценка телефонных звонков, текстовых обращений. Создание схем процессов, кода, ускорение анализа документации. AI-ассистенты для сотрудников, чат-боты. Автоматизация ритейла, Маршрутизация документов.

Введение в AI-агентов: концепция, классификация, отличие от традиционного ИИ. Применение AI-агентов в управлении: возможности и вызовы. Стратегия внедрения AI-агентов: от идеи до реализации. Взаимодействие с AI-агентами: UX, адаптация процессов. Технологические основы AI-агентов: обзор без кода. Multi-Agent Systems, будущее AI-агентов: тренды и стратегическое планирование. Разбор проваленных проектов (причины провалов). Симуляция взаимодействия с AI-агентом, разработка агента на low-code платформе.

Готовые шаблоны агентов. Архитектура типовых агентов по функциям, адаптация шаблон под организацию. Демонстрация агента на low-code платформе n8n. Агент для HR: автоматизация подбора, ответы на вопросы новых сотрудников. Агент для финансов: сверка счетов, контроль бюджета, генерация отчётов. Агент для госструктур: мониторинг СМИ, анализ обращений, проекты решений. Агент для маркетинга и PR: для поддержания деловых отношений. Агент для юристов: анализ договоров на стандартные риски, поиск прецедентов, генерация шаблонов писем. Агент для поддержки: мониторинг SLA, автоматическое эскалирование инцидентов. Агент для обучения сотрудников: персонализированный onboarding-трек, подбор материалов по запросу, тестирование знаний через чат.

Команда пилота: минимальный состав. Основы A/B тестирования. Метрики оценки, выбор метрики для конкретной задачи. Правильный сбор данных и подключение API. Характерные ошибки при запуске. Как выбрать MVP продукта при разработке ИИ решения или агента? Учет рисков при первом запуске. Обзор и инструментов и платформ.

Жизненный цикл ИИ-проекта: итеративность, работа с данными, «чёрный ящик». Роли в команде: data engineer, ML engineer, AI engineer, работа с контрагентами. Agile/Scrum для ИИ-проектов. Особенности проекта с ИИ-агентом, по сравнению с классическим ИИ. Построение дорожной карты от пилота к промышленному решению. Работа с данными: как оценить качество и доступность данных на старте. Составление чек-листа запуска ИИ-проекта и мониторинга после внедрения.

Этические проблемы развития ИИ в разных областях. Принципы ответственного ИИ. Этика GenAI (генерация, использование персональных данных, deepfakes, утечки). Примеры реальных ошибок и злоупотреблений. Виды атак на LLM и примеры инцидентов. Регулирование ИИ в РФ (ai.gov.ru) и мире. Как защищать и представлять ИИ проект. Критерии оценки проектов: актуальность, реализуемость, цели, метрики, измеримость, риски и этика, качество материалов, убедительность. Консультации по проектам.

Повторение материала. Разбор материалов учебного проекта. Подготовка и рецензирование проектов. Публичная защита перед группой и экспертами. Обратная связь и рекомендации по внедрению.