История AI: от экспертных систем до агентов. Примеры задач машинного обучения, проблемы внедрения AI и агентных систем, самые частые ошибки руководителей.

Типы задач машинного обучения. Что должны знать руководители об AI.

Что такое LLM, как они работают и каковы их возможности.

Что уже внедрено и работает в банках и других компаниях, что пока невозможно сделать.

Разбор реальных проблем слушателей. Интерактивный разбор мифов.

Где создается ценность. Источники эффектов. Масштабируемость и барьеры.

Гиперперсонализация, персональные предложения. Автоматизация приема жалоб и обращений.

Распознавание документов, поиск данных в документах, поиск ответов по тексту.

Массовая автоматическая оценка телефонных звонков, текстовых обращений, чат-боты, AI-консультанты.

Создание кода, схем, ускорение анализа документации. AI-ассистенты для сотрудников (copilot).

Примеры автоматизации в ритейле.

Беспилотные системы.  

Как формулировать AI-инициативу. Разница между идеей, гипотезой и инициативой.

Структура AI-инициативы, выбор типа задачи.

Ошибки формулирования инициатив. Примеры провалившихся проектов.

Метрики и критерии успеха AI-проекта. Критерии остановки проекта.

IT-архитектура: преимущества архитектурного подхода в построении систем.

Архитектуры AI-решений: от простого к сложному.

Введение в AI-агентов: концепция, классификация, отличие от традиционного ИИ.

Применение AI-агентов в управлении. Технологические основы AI-агентов.

Стратегия внедрения AI-агентов: от идеи до реализации. Взаимодействие с AI-агентами.

Демонстрация агента на low-code-платформе, примеры работающих агентных систем.

Как запускать AI-пилот и выбрать MVP продукта при разработке AI-решения или агента.

Основы A/B-тестирования. Метрики оценки, выбор метрики для конкретной задачи.

Правильный сбор данных и подключение внешних источников.

Команда и экономика пилота. Обзор инструментов.

Учет рисков при первом запуске. Характерные ошибки при запуске.

Этические проблемы развития ИИ в разных областях. Принципы ответственного ИИ. Этика GenAI (использование персональных данных, deepfakes, утечки, авторские права).

Примеры реальных ошибок и злоупотреблений. Виды атак на LLM и примеры инцидентов.

Как регулируется ИИ в РФ и мире.

Интерактив «Взломай защиту LLM».

Некачественные данные — это риск.

Жизненный цикл AI-проекта: чем он отличается от обычного IT-проекта.

Как построить дорожную карту от пилота к промышленному решению.

Оценка качества и доступности данных, мониторинг и обновление моделей.

AI как часть стратегии компании.

Гибкие методологии для AI-проектов, эффективная работа с контрагентами.

Повторение материала. Разбор материалов учебного проекта.

Как защищать и представлять ИИ-проект. Ошибки презентации AI-проектов. Ответы на неудобные вопросы.

Сборка проекта в финальный документ. Перекрестное рецензирование проектов.

Предзащита, обратная связь и корректировка проектов.

Публичная защита перед комиссией.

Обратная связь и рекомендации по внедрению.