К содержимому
L-SYSTEM

средний

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.

Материал и экзамен: русский · занятие ведёт ассистент

Как это устроено

Ассистент берёт материал курса с нашего сервера и ведёт занятие на вашем языке.

Экзамен сдаётся на сайте, без ассистента. Вопросы экзамена не переводятся: так решено для всех курсов.

Как подключить ассистента

Путь по курсу

· юнитов: 19

порядок свободный · ступени ниже — тот порядок, который предлагает автор, а не условиеВид: карта · ступени

5

Machine Learning Fundamentals

~2 ч

по замыслу автора — после «AI в Professional Services: от задачи к ценности»

15

AI Business Case: от идеи к PoC

~2 ч

по замыслу автора — после «Model Evaluation, overfitting и business metrics», «Responsible AI, privacy, security и governance»

16

Capstone: AI Solution Proposal

~4 ч

по замыслу автора — после 13 из: «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»

финал · в браузере, без ассистента

Экзамен

закрыт · записаться на курс

Путь по курсу словами
  • Ступень 1 · AI в Professional Services: от задачи к ценности — ~1,5 ч
  • Ступень 2 · Optimization: когда AI ищет лучшее решение — по замыслу автора — после «AI в Professional Services: от задачи к ценности»; ~1,5 ч
  • Ступень 2 · Probability и неопределённость — по замыслу автора — после «AI в Professional Services: от задачи к ценности»; ~1,5 ч
  • Ступень 2 · Machine Learning Fundamentals — по замыслу автора — после «AI в Professional Services: от задачи к ценности»; ~2 ч
  • Ступень 3 · Bayesian reasoning: обновляем уверенность по evidence — по замыслу автора — после «Probability и неопределённость»; ~1,5 ч
  • Ступень 3 · Regression и forecasting — по замыслу автора — после «Machine Learning Fundamentals»; ~1,5 ч
  • Ступень 3 · Classification, similarity и triage — по замыслу автора — после «Machine Learning Fundamentals»; ~2 ч
  • Ступень 3 · Работа с текстом и enterprise documents — по замыслу автора — после «Machine Learning Fundamentals»; ~2 ч
  • Ступень 4 · Model Evaluation, overfitting и business metrics — по замыслу автора — после «Regression и forecasting», «Classification, similarity и triage»; ~2 ч
  • Ступень 4 · Optional Lab: Regression на Python — по замыслу автора — после «Regression и forecasting»; необязательный; ~2 ч
  • Ступень 4 · Optional Lab: Text Classification на Python — по замыслу автора — после «Classification, similarity и triage»; необязательный; ~2 ч
  • Ступень 5 · Neural Networks и Deep Learning без магии — по замыслу автора — после «Model Evaluation, overfitting и business metrics»; ~1,5 ч
  • Ступень 6 · Generative AI и LLM в enterprise — по замыслу автора — после «Neural Networks и Deep Learning без магии»; ~2,5 ч
  • Ступень 7 · RAG и Enterprise Knowledge — по замыслу автора — после «Generative AI и LLM в enterprise»; ~2,5 ч
  • Ступень 8 · AI Agents и workflow automation — по замыслу автора — после «RAG и Enterprise Knowledge»; ~2 ч
  • Ступень 8 · Responsible AI, privacy, security и governance — по замыслу автора — после «Generative AI и LLM в enterprise», «RAG и Enterprise Knowledge»; ~2,5 ч
  • Ступень 8 · Optional Lab: RAG Prototype — по замыслу автора — после «RAG и Enterprise Knowledge»; необязательный; ~3 ч
  • Ступень 9 · AI Business Case: от идеи к PoC — по замыслу автора — после «Model Evaluation, overfitting и business metrics», «Responsible AI, privacy, security и governance»; ~2 ч
  • Ступень 10 · Capstone: AI Solution Proposal — по замыслу автора — после 13 из: «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 ч

Программа · 19 юнитов

1AI в Professional Services: от задачи к ценности

Отличать AI-задачу от обычной автоматизации и аналитики

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

Понимать optimization как выбор лучшего действия при ограничениях

~1,5 ч
3Probability и неопределённость

Интерпретировать вероятность модели как долю на множестве случаев и понимать calibration

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

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

~1,5 ч
5Machine Learning Fundamentals

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

~2 ч
6Regression и forecasting

Понимать regression как предсказание числа и forecasting как regression во времени

~1,5 ч
7Classification, similarity и triage

Различать binary, multiclass и multilabel classification

~2 ч
8Работа с текстом и enterprise documents

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

~2 ч
9Model Evaluation, overfitting и business metrics

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

~2 ч
10Neural Networks и Deep Learning без магии

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

~1,5 ч
11Generative AI и LLM в enterprise

Понимать LLM как вероятностную генеративную модель и объяснять природу hallucination

~2,5 ч
12RAG и Enterprise Knowledge

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

~2,5 ч
13AI Agents и workflow automation

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

~2 ч
14Responsible AI, privacy, security и governance

Распознавать основные категории AI risk на конкретных системах

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

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

~2 ч
16Capstone: AI Solution Proposal

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

~4 ч
17Optional Lab: Regression на Python

Пройти полный цикл простого regression experiment от baseline до отчёта

~2 ч
18Optional Lab: Text Classification на Python

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

~2 ч
19Optional Lab: RAG Prototype

Собрать минимальный retrieval для RAG на безопасной синтетической базе знаний

~3 ч