Zum Inhalt springen
L-SYSTEM

Mittelstufe

Applied AI for Big4 IT Professionals

Практический курс по искусственному интеллекту для IT-специалистов Big4 и других professional-services фирм. Не подготовка Data Scientist, а умение выбрать подходящий AI-подход, посчитать качество, цену и риск и спроектировать PoC, который может честно сказать «нет». Весь курс проходит на одном сквозном кейсе: вы работаете в группе Digital & IT вымышленной фирмы Aldervane Advisory LLP и ведёте два пилота. Triage PoC — подсказки и частичная авто-маршрутизация тикетов ENGAGE Service Desk. Policy Assistant — RAG-ассистент по внутренним IT-политикам, который затем получает ограниченные действия как агент. Данные и документы синтетические, но с настоящими дефектами: leakage в выгрузке тикетов, отменённая версия политики в индексе, папка клиента с ограниченным доступом. Темы: постановка AI use case; optimization; вероятность, base rate и байесовское обновление; классический ML — regression, classification, similarity, triage; работа с корпоративными документами; evaluation — precision, recall, overfitting, shadow mode, monitoring; нейросети без магии; LLM и способы адаптации; RAG; AI-агенты, least privilege и prompt injection; Responsible AI и governance, включая EU AI Act, NIST AI RMF и ISO/IEC 42001 по состоянию на сентябрь 2026 года; business case и критерии go / iterate / stop; capstone-proposal для совета практик. Каждая тема подаётся как боль → решение → цена. Около 190 тренировочных заданий, в том числе расчётные; схемы и иллюстрации в каждом юните. Три необязательные лаборатории на Python с готовыми генераторами данных: прогноз нагрузки, классификация тикетов и прототип RAG.

Ihre Lektion ist in Ihrer Sprache: Ihr Assistent leitet sie.

  • Material: Russisch
  • Prüfung: Russisch – wird auf der Website abgelegt, nicht übersetzt
So funktioniert’s

Ihr Assistent holt das Kursmaterial von unserem Server und leitet die Lektion in Ihrer Sprache.

Die Prüfung wird auf der Website abgelegt, ohne Assistenten. Prüfungsfragen werden nicht übersetzt: Das ist für jeden Kurs so festgelegt.

So verbinden Sie einen Assistenten

Weg durch den Kurs

· 19 Einheiten

freie Reihenfolge · die Stufen unten sind die vom Autor vorgeschlagene Reihenfolge, keine BedingungAnsicht: Karte · Stufen

16

Capstone: AI Solution Proposal

~4 Std.

laut Plan des Autors nach 13 davon: „AI в Professional Services: от задачи к ценности“, „Optimization: когда AI ищет лучшее решение“, „Probability и неопределённость“, „Bayesian reasoning: обновляем уверенность по evidence“, „Machine Learning Fundamentals“, „Regression и forecasting“, „Classification, similarity и triage“, „Работа с текстом и enterprise documents“, „Model Evaluation, overfitting и business metrics“, „Neural Networks и Deep Learning без магии“, „Generative AI и LLM в enterprise“, „RAG и Enterprise Knowledge“, „AI Agents и workflow automation“, „Responsible AI, privacy, security и governance“, „AI Business Case: от идеи к PoC“

Abschluss · im Browser, ohne den Assistenten

Prüfung

gesperrt · in den Kurs einschreiben

Der Weg in Worten
  • Stufe 1 · AI в Professional Services: от задачи к ценности — ~1,5 Std.
  • Stufe 2 · Optimization: когда AI ищет лучшее решение — laut Plan des Autors nach „AI в Professional Services: от задачи к ценности“; ~1,5 Std.
  • Stufe 2 · Probability и неопределённость — laut Plan des Autors nach „AI в Professional Services: от задачи к ценности“; ~1,5 Std.
  • Stufe 2 · Machine Learning Fundamentals — laut Plan des Autors nach „AI в Professional Services: от задачи к ценности“; ~2 Std.
  • Stufe 3 · Bayesian reasoning: обновляем уверенность по evidence — laut Plan des Autors nach „Probability и неопределённость“; ~1,5 Std.
  • Stufe 3 · Regression и forecasting — laut Plan des Autors nach „Machine Learning Fundamentals“; ~1,5 Std.
  • Stufe 3 · Classification, similarity и triage — laut Plan des Autors nach „Machine Learning Fundamentals“; ~2 Std.
  • Stufe 3 · Работа с текстом и enterprise documents — laut Plan des Autors nach „Machine Learning Fundamentals“; ~2 Std.
  • Stufe 4 · Model Evaluation, overfitting и business metrics — laut Plan des Autors nach „Regression и forecasting“, „Classification, similarity и triage“; ~2 Std.
  • Stufe 4 · Optional Lab: Regression на Python — laut Plan des Autors nach „Regression и forecasting“; optional; ~2 Std.
  • Stufe 4 · Optional Lab: Text Classification на Python — laut Plan des Autors nach „Classification, similarity и triage“; optional; ~2 Std.
  • Stufe 5 · Neural Networks и Deep Learning без магии — laut Plan des Autors nach „Model Evaluation, overfitting и business metrics“; ~1,5 Std.
  • Stufe 6 · Generative AI и LLM в enterprise — laut Plan des Autors nach „Neural Networks и Deep Learning без магии“; ~2,5 Std.
  • Stufe 7 · RAG и Enterprise Knowledge — laut Plan des Autors nach „Generative AI и LLM в enterprise“; ~2,5 Std.
  • Stufe 8 · AI Agents и workflow automation — laut Plan des Autors nach „RAG и Enterprise Knowledge“; ~2 Std.
  • Stufe 8 · Responsible AI, privacy, security и governance — laut Plan des Autors nach „Generative AI и LLM в enterprise“, „RAG и Enterprise Knowledge“; ~2,5 Std.
  • Stufe 8 · Optional Lab: RAG Prototype — laut Plan des Autors nach „RAG и Enterprise Knowledge“; optional; ~3 Std.
  • Stufe 9 · AI Business Case: от идеи к PoC — laut Plan des Autors nach „Model Evaluation, overfitting и business metrics“, „Responsible AI, privacy, security и governance“; ~2 Std.
  • Stufe 10 · Capstone: AI Solution Proposal — laut Plan des Autors nach 13 davon: „AI в Professional Services: от задачи к ценности“, „Optimization: когда AI ищет лучшее решение“, „Probability и неопределённость“, „Bayesian reasoning: обновляем уверенность по evidence“, „Machine Learning Fundamentals“, „Regression и forecasting“, „Classification, similarity и triage“, „Работа с текстом и enterprise documents“, „Model Evaluation, overfitting и business metrics“, „Neural Networks и Deep Learning без магии“, „Generative AI и LLM в enterprise“, „RAG и Enterprise Knowledge“, „AI Agents и workflow automation“, „Responsible AI, privacy, security и governance“, „AI Business Case: от идеи к PoC“; ~4 Std.

Lehrplan · 19 Einheiten

1AI в Professional Services: от задачи к ценности

Отличать AI-задачу от обычной автоматизации и аналитики

~1,5 Std.
2Optimization: когда AI ищет лучшее решение

Понимать optimization как выбор лучшего действия при ограничениях

~1,5 Std.
3Probability и неопределённость

Интерпретировать вероятность модели как долю на множестве случаев и понимать calibration

~1,5 Std.
4Bayesian reasoning: обновляем уверенность по evidence

Понимать prior, likelihood и posterior и считать обновление через шансы и likelihood ratio

~1,5 Std.
5Machine Learning Fundamentals

Различать supervised (classification, regression), unsupervised и generative постановки

~2 Std.
6Regression и forecasting

Понимать regression как предсказание числа и forecasting как regression во времени

~1,5 Std.
7Classification, similarity и triage

Различать binary, multiclass и multilabel classification

~2 Std.
8Работа с текстом и enterprise documents

Различать extraction, classification, retrieval, summarization и generation и подбирать к каждой свою проверку

~2 Std.
9Model Evaluation, overfitting и business metrics

Различать train, validation и test и распознавать overfitting и износ test set

~2 Std.
10Neural Networks и Deep Learning без магии

Понимать слой, параметры, loss и gradient descent и считать число параметров слоя

~1,5 Std.
11Generative AI и LLM в enterprise

Понимать LLM как вероятностную генеративную модель и объяснять природу hallucination

~2,5 Std.
12RAG и Enterprise Knowledge

Проследить RAG pipeline от ingestion до grounded answer и назвать, где в нём может сломаться ответ

~2,5 Std.
13AI Agents и workflow automation

Отличать agentic workflow от chatbot и от детерминированного workflow и выбирать между ними

~2 Std.
14Responsible AI, privacy, security и governance

Распознавать основные категории AI risk на конкретных системах

~2,5 Std.
15AI Business Case: от идеи к PoC

Заполнять use case canvas и оценивать data, technical и operational feasibility

~2 Std.
16Capstone: AI Solution Proposal

Синтезировать business, data, model, architecture и governance decisions в одном proposal

~4 Std.
17Optional Lab: Regression на Python

Пройти полный цикл простого regression experiment от baseline до отчёта

~2 Std.
18Optional Lab: Text Classification на Python

Построить baseline text classifier на синтетических тикетах и сравнить его с тривиальной базовой линией

~2 Std.
19Optional Lab: RAG Prototype

Собрать минимальный retrieval для RAG на безопасной синтетической базе знаний

~3 Std.