До вмісту
L-SYSTEM

середній

Прикладний AI для IT-фахівців Big4

Практичний курс зі штучного інтелекту для IT-фахівців Big4 та інших компаній професійних послуг. Не підготовка Data Scientist, а вміння обрати доречний AI-підхід, порахувати якість, вартість і ризик та спроєктувати PoC, який може чесно сказати «ні». Увесь курс іде на одному наскрізному кейсі: ви працюєте в групі Digital & IT вигаданої фірми Aldervane Advisory LLP і ведете два пілоти. Triage PoC — підказки й часткова автомаршрутизація тікетів ENGAGE Service Desk. Policy Assistant — RAG-асистент із внутрішніх IT-політик, який згодом отримує обмежені дії як агент. Дані синтетичні, але з реальними дефектами: leakage у вивантаженні тікетів, скасована версія політики в індексі, папка клієнта з обмеженим доступом. Теми: постановка AI use case; optimization; імовірність, base rate і баєсове оновлення; класичний ML — regression, classification, similarity, triage; корпоративні документи; evaluation — precision, recall, overfitting, shadow mode, monitoring; нейромережі без магії; LLM і способи адаптації; RAG; AI-агенти, least privilege і prompt injection; Responsible AI та governance, зокрема EU AI Act, NIST AI RMF і ISO/IEC 42001 станом на вересень 2026 року; business case і критерії go / iterate / stop; підсумковий capstone-proposal. Кожна тема подається як біль → рішення → ціна. Близько 190 тренувальних завдань, зокрема розрахункових, схеми та ілюстрації в кожному юніті, три необов’язкові лабораторні на Python із готовими генераторами даних: прогноз навантаження, класифікація тікетів і прототип RAG. Мова курсу — російська.

Заняття — вашою мовою: його веде асистент.

  • Матеріал: російська
  • Іспит: російська — складається на сайті, без перекладу
Як це влаштовано

Асистент бере матеріал курсу з нашого сервера й веде заняття вашою мовою.

Іспит складається на сайті, без асистента. Питання іспиту не перекладаються: так вирішено для всіх курсів.

Як під’єднати асистента

Шлях курсом

· юнітів: 19

порядок вільний · сходинки нижче — той порядок, який пропонує автор, а не умоваВигляд: карта · щаблі

  1. Щабель 1

    ~1,5 год

  2. Щабель 2

    ~5 год

    за задумом автора — після «AI у Professional Services: від задачі до цінності»

  3. Щабель 3

    ~7 год

  4. Щабель 4

    ~6 год

  5. Щабель 5

    ~1,5 год

  6. Щабель 6

    ~2,5 год

  7. Щабель 7

    ~2,5 год

  8. Щабель 8

    ~7,5 год

  9. Щабель 9

    ~2 год

    • 15 · за задумом автора — після «Model Evaluation, overfitting і business metrics», «Responsible AI, privacy, security і governance»

      AI Business Case: від ідеї до PoC

      ~2 год

  10. Щабель 10

    ~4 год

    • 16 · за задумом автора — після 13 із: «AI у Professional Services: від задачі до цінності», «Optimization: коли AI шукає найкраще рішення», «Probability і невизначеність», «Bayesian reasoning: оновлюємо впевненість за evidence», «Machine Learning Fundamentals», «Regression і forecasting», «Classification, similarity і triage», «Робота з текстом і enterprise documents», «Model Evaluation, overfitting і business metrics», «Neural Networks і Deep Learning без магії», «Generative AI і LLM в enterprise», «RAG і Enterprise Knowledge», «AI Agents і workflow automation», «Responsible AI, privacy, security і governance», «AI Business Case: від ідеї до PoC»

      Capstone: AI Solution Proposal

      ~4 год

  11. Іспит

    закрито · записатися на курс

    • фінал · у браузері, без асистента

      Іспит

Шлях курсом словами
  • Щабель 1 · AI у Professional Services: від задачі до цінності — ~1,5 год
  • Щабель 2 · Optimization: коли AI шукає найкраще рішення — за задумом автора — після «AI у Professional Services: від задачі до цінності»; ~1,5 год
  • Щабель 2 · Probability і невизначеність — за задумом автора — після «AI у Professional Services: від задачі до цінності»; ~1,5 год
  • Щабель 2 · Machine Learning Fundamentals — за задумом автора — після «AI у Professional Services: від задачі до цінності»; ~2 год
  • Щабель 3 · Bayesian reasoning: оновлюємо впевненість за evidence — за задумом автора — після «Probability і невизначеність»; ~1,5 год
  • Щабель 3 · Regression і forecasting — за задумом автора — після «Machine Learning Fundamentals»; ~1,5 год
  • Щабель 3 · Classification, similarity і triage — за задумом автора — після «Machine Learning Fundamentals»; ~2 год
  • Щабель 3 · Робота з текстом і enterprise documents — за задумом автора — після «Machine Learning Fundamentals»; ~2 год
  • Щабель 4 · Model Evaluation, overfitting і business metrics — за задумом автора — після «Regression і forecasting», «Classification, similarity і triage»; ~2 год
  • Щабель 4 · Optional Lab: Regression на Python — за задумом автора — після «Regression і forecasting»; необовʼязковий; ~2 год
  • Щабель 4 · Optional Lab: Text Classification на Python — за задумом автора — після «Classification, similarity і triage»; необовʼязковий; ~2 год
  • Щабель 5 · Neural Networks і Deep Learning без магії — за задумом автора — після «Model Evaluation, overfitting і business metrics»; ~1,5 год
  • Щабель 6 · Generative AI і LLM в enterprise — за задумом автора — після «Neural Networks і Deep Learning без магії»; ~2,5 год
  • Щабель 7 · RAG і Enterprise Knowledge — за задумом автора — після «Generative AI і LLM в enterprise»; ~2,5 год
  • Щабель 8 · AI Agents і workflow automation — за задумом автора — після «RAG і Enterprise Knowledge»; ~2 год
  • Щабель 8 · Responsible AI, privacy, security і governance — за задумом автора — після «Generative AI і LLM в enterprise», «RAG і Enterprise Knowledge»; ~2,5 год
  • Щабель 8 · Optional Lab: RAG Prototype — за задумом автора — після «RAG і Enterprise Knowledge»; необовʼязковий; ~3 год
  • Щабель 9 · AI Business Case: від ідеї до PoC — за задумом автора — після «Model Evaluation, overfitting і business metrics», «Responsible AI, privacy, security і governance»; ~2 год
  • Щабель 10 · Capstone: AI Solution Proposal — за задумом автора — після 13 із: «AI у Professional Services: від задачі до цінності», «Optimization: коли AI шукає найкраще рішення», «Probability і невизначеність», «Bayesian reasoning: оновлюємо впевненість за evidence», «Machine Learning Fundamentals», «Regression і forecasting», «Classification, similarity і triage», «Робота з текстом і enterprise documents», «Model Evaluation, overfitting і business metrics», «Neural Networks і Deep Learning без магії», «Generative AI і LLM в enterprise», «RAG і Enterprise Knowledge», «AI Agents і workflow automation», «Responsible AI, privacy, security і governance», «AI Business Case: від ідеї до PoC»; ~4 год

Програма · 19 юнітів

1AI у Professional Services: від задачі до цінності

Відрізняти AI-задачу від звичайної автоматизації та аналітики

~1,5 год
2Optimization: коли AI шукає найкраще рішення

Розуміти optimization як вибір найкращої дії за обмежень

~1,5 год
3Probability і невизначеність

Інтерпретувати ймовірність моделі як частку на множині випадків і розуміти calibration

~1,5 год
4Bayesian reasoning: оновлюємо впевненість за evidence

Розуміти prior, likelihood і posterior та рахувати оновлення через шанси й likelihood ratio

~1,5 год
5Machine Learning Fundamentals

Розрізняти supervised (classification, regression), unsupervised і generative постановки

~2 год
6Regression і forecasting

Розуміти regression як передбачення числа і forecasting як regression у часі

~1,5 год
7Classification, similarity і triage

Розрізняти binary, multiclass і multilabel classification

~2 год
8Робота з текстом і enterprise documents

Розрізняти extraction, classification, retrieval, summarization і generation та добирати до кожної свою перевірку

~2 год

Показати решту: 11 юнітів