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. Что пока не реально сделать в ИИ, прогнозы, тренды.

Критерии быстрого эффекта и принцип 80/20 в ИИ. 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. Технологические основы AI-агентов. Обзор инструментов и платформ.

Как внедрять AI-агентов? Разбор неудачных проектов. Тренды и будущее AI-агентов. 

Симуляция взаимодействия с AI-агентом, разработка агента на low-code платформе

Архитектура типовых агентов, адаптация шаблона под организацию. Демонстрация агента на low-code платформе n8n.

Агент для HR: автоматизация подбора, ответы на вопросы новых сотрудников. Агент для обучения сотрудников: персонализированный onboarding-трек, подбор материалов по запросу, тестирование знаний через чат.

Агент для финансов: сверка счетов, контроль бюджета, генерация отчетов. Агент для маркетинга и PR: поддержание деловых отношений. Агент для юристов: анализ договоров на стандартные риски, поиск прецедентов, генерация черновиков писем.

Агент для госструктур: мониторинг СМИ, анализ обращений, проекты решений.

Агент для поддержки: мониторинг SLA, автоматическое эскалирование инцидентов

Как правильно сформулировать гипотезу при разработке ИИ-решения или AI-агента? 

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

Минимальный состав команды пилота. Как собрать данные и подключить API.

Учет рисков при первом запуске. Характерные ошибки при запуске.

Жизненный цикл ИИ-проекта. Agile/Scrum для ИИ-проектов. Кого брать в команду? Как работать с контрагентами?

Построение дорожной карты от пилота к промышленному решению. Составление и заполнение чек-листа запуска ИИ-проекта, мониторинг после внедрения

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

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

Как регулируется ИИ в РФ и мире, опыт использования.

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.