Главное про AI

Программа ориентирована на собственников бизнеса, руководителей и специалистов, которые принимают решения о внедрении AI и хотят понимать последствия этих решений. Участники приходят с разным уровнем подготовки — от полного незнания технологии до первых экспериментов. Общее у них одно: понимание, что AI уже влияет на рынок, и что игнорировать это не получится, но и слепо внедрять тоже нельзя.

В результате прохождения каждый участник научится понимать архитектуру языковых моделей и применять это для оценки AI-инструментов на практике. Разберётся, какие задачи AI решает эффективно, а какие создают риски, и где технология реально поможет его компании. Разберутся, как внедрять AI без неприятных сюрпризов и какую ответственность несёт бизнес за решения, принятые на основе AI.

Ключевая особенность программы состоит в том, что она фокусируется на принципах работы AI, а не на конкретных сервисах и инструментах. Понимание того, как устроены LLM и почему AI ошибается, остаётся актуальным вне зависимости от того, какие сервисы появятся через год. Это позволяет каждому участнику адаптировать знания к своим процессам. Отдельное внимание уделено российским реалиям: ФЗ-152, авторское право на AI-контент, доступные модели и сервисы.

Программа семинара

Модуль 1. Как устроены LLM

Трансформеры и предсказание токена: почему механизм «следующего слова» определяет всё
Контекстное окно: как модель «забывает» старый контекст, проблема потери информации в середине
Токенизация: как текст превращается в числа, почему русский дороже английского в токенах
Почему модели появились именно сейчас: данные, вычисления, архитектура — три фактора
Виды моделей: авторегрессивные, диффузионные, гибридные — что под капотом у каждого типа
Параметры и размер: 7B, 70B, 405B — что даёт масштаб и когда это не главное

Модуль 2. Что AI умеет и чем ограничен

Классы задач LLM: классификация, резюмирование, генерация, анализ, поиск — пять типов и их особенности
Галлюцинации: почему AI выдумывает факты и не знает, что врёт; RAG как основной метод снижения
Предвзятость AI: системные искажения из обучающих данных — гендер, раса, культура; как обнаружить
Цепочка рассуждений: зачем модель «рассуждает вслух» и когда это повышает качество ответа
Метрики AI-систем: успешность конвейера, оценочные наборы, задачные метрики — без измерения нет улучшения
Три заблуждения об AI: чудо, игрушка, враг — почему все три мешают эффективному внедрению

Модуль 3. AI против человека: возможности и границы

Скорость, объём, отсутствие усталости: более 50 преимуществ AI над человеком в конкретных задачах
Задачи, где AI пока уступает: эмпатия, интуиция, этические дилеммы, нетипичные ситуации
AI-агенты: ощущение → мышление → действие — принципиальное отличие от чата: память состояния, инструменты, многошаговое планирование
RAG против дообучения: два подхода к адаптации модели — когда использовать каждый и когда комбинировать

Модуль 4. От чата к AI-агентам и мультиагентным средам

Чат против агента: когда простое обращение к модели достаточно, а когда нужен автономный агент
AI-платформы: эволюция интерфейсов — от простого чата к AI-ассистентам с памятью и инструментами
Архитектуры AI-агентов: рефлексивные, с планированием, иерархические
Мультиагентные системы: несколько агентов работают вместе — паттерны координации, роли, конфликты между агентами
Протокол контекста модели (MCP): стандарт подключения агентов к внешним инструментам

Модуль 5. Промпт — Навык — Воркфлоу

Промпт-инжиниринг: итеративный процесс — хороший промпт не пишется с первого раза; это нормально и даже правильно
Системный промпт: 10 блоков — роль, задача, контекст, ограничения, формат вывода, примеры, защитные rails
Иерархия абстракций: когда промпт достаточен, когда нужен навык, когда — автоматизированный воркфлоу
Обучение на нескольких примерах: подача примеров в контексте без переобучения модели
Предзаполнение: задание начала ответа для принуждения модели к нужному формату — JSON, код, структурированный вывод
Итерационный подход: метод проб и ошибок — как учиться писать промпты через практику

Модуль 6. Бенчмарки и сравнение моделей

Бенчмарки LLM: MMLU, HumanEval, GSM8K, SWE-bench — что они реально показывают и чего не показывают
Что бенчмарки не измеряют: креативность, этика, актуальность знаний, устойчивость к инъекции промптов
Сводная таблица моделей: OpenAI (GPT-4.5, o3), Anthropic (Claude 3.7, 4), Google (Gemini 2.5), DeepSeek V4, MiniMax, Qwen, Mistral — цены, контекст, MMLU, сильные стороны
Кириллица в LLM: русский работает иначе — токенизация, размер словаря, качество корпуса
Российские модели: GigaChat, YandexGPT, Kandinsky — возможности, ограничения, импортозамещение
Сравнение скорости: токенов в секунду — от чего зависит скорость и когда она критична для бизнеса

Модуль 7. Облачные или локальные модели

Облачные против локальных: критерии выбора, точки безубыточности стоимости; когда облачное дешевле, когда — локальное
Стек инструментов: Ollama, vLLM, lm.cpp — что выбрать для локального запуска
Локальные модели 2026: Gemma 4, Qwen3.6, Llama 4 Scout, DeepSeek V4 — требования к железу и ограничения
Квантование: Q4/Q8 — что это значит для качества и производительности; как выбрать степень сжатия
Локальные LLM-агенты: VPS и локальные модели без облачных API — требования, инструменты, сравнение стоимости

Модуль 8. Специальные модели: изображения, звук, видео, код

Генерация изображений: Stable Diffusion, DALL-E, Midjourney, Flux — как работают диффузионные модели, промптинг, стили
Модели для иллюстраций: качество, скорость, стоимость — какой инструмент для какой задачи
Консистентность персонажей: LoRA, IP-Adapter, Character Reference — как сохранить единый облик в серии изображений
Синтез и распознавание речи: синтез (ElevenLabs, Silero) и распознавание (Whisper) — где работает, границы качества
Генерация звука и музыки: MusicGen, AudioCraft, Suno — применение в подкастах, видео, рекламе
Генерация видео: Sora, Runway Gen-3, Kling, Pika — временная согласованность, управление движением, промптинг для видео; реалистичность в 2026 году

Модуль 9. AI для бизнеса: классы задач и оценка эффективности

Критерии пригодности процесса для AI: повторяемость, формализуемость, стоимость ошибки, отсутствие творческого элемента
AI-воркфлоу: типичные сценарии — документооборот, поддержка клиентов, аналитика; как выглядит AI в бизнес-процессе
AI в продажах: генерация текстов, прогнозирование, приоритизация лидов, автоматизация последующих действий; интеграции с CRM
AI в маркетинге: генерация контента, сегментация, персонализация, анализ кампаний; что заменяет рутину
AI для обработки документов: распознавание текста, извлечение структуры, классификация, суммаризация — где точность критична
Полная стоимость владения AI: CAPEX (оборудование, лицензии), OPEX (API, поддержка), скрытые затраты (интеграция, обучение, время до ценности)
LCOI (Labor Cost of Intelligence): полная стоимость — CAPEX (оборудование, лицензии), OPEX (API, поддержка), скрытые затраты (интеграция, обучение, time-to-value) — почему большинство проектов «дешевле» облачного оказывается дороже при полном подсчёте
ROI AI: метрики времени, качества, стоимости — как измерить эффект; четыре состояния зрелости AI; кому отчитываться

Модуль 10. Внедрение AI: подготовка и организация проекта

CAPEX и OPEX: полная картина затрат — оборудование, лицензии, API, поддержка, интеграция, обучение, время до ценности
Пилотный запуск: контролируемое тестирование перед массовым внедрением — критерии выбора пилотной зоны, метрики успеха
Быстрые победы: результат за дни или недели, измеримость до/после, низкая стоимость ошибки — какие задачи дают быстрый результат
Пять этапов создания AI-агента: процесс до технологии → мультимодельность → границы возможностей → память → запуск и масштабирование
Управление изменениями: ADKAR, BANI — как преодолеть сопротивление команды; ролевая модель внедрения
Расслоение восприятия AI: по ширине охвата лидирует молодёжь, по глубине — опытные; как это влияет на стратегию внедрения
Роли в проекте внедрения: владельцы AI, промпт-инженеры, специалисты по оценке — кто нужен и когда

Модуль 11. Безопасность AI

Инъекция промпта: внедрение вредоносных инструкций через пользовательский ввод — как атакуют и как защищаться
Изоляция и валидация: разделение системного промпта, песочница, валидация входа — практические методы защиты
Отказ в LLM: механизмы отказа — что модели отказываются делать и почему; влияние на бизнес в чувствительных отраслях
Ответственный AI: предвзятость, прозрачность, объяснимость — как выстраивать этику AI в организации
Персональные данные и AI: ФЗ-152 — что нельзя отправлять в облако; соответствие GDPR; когда локальные модели обязательны
Паттерны атак на AI-системы: состязательные промпты, отравление данных, инверсия модели — минимальный чек-лист для безопасности

Модуль 12. Правовое регулирование AI

EU AI Act: четыре класса рисков — от минимального до неприемлемого; запрет социального скоринга; требования к высокорисковому AI; штрафы до €35 млн
ФЗ-152 и AI: текущий статус генеративного AI в российском законодательстве; что разрешено, что — под вопросом
Ответственность за AI: кто отвечает за решения, принятые на основе AI — разработчик, оператор, пользователь
Авторские права на AI-контент: кому принадлежит сгенерированный контент — позиции США, ЕС, России; коммерческое использование
Ответственность за контент: текст, изображения, код — цитирование, раскрытие использования AI при публикации; судебные прецеденты
Текущий подход и перспективы: что ожидает российский бизнес в ближайшие 2–3 года в части регулирования AI

Модуль 13. Тренды AI: что нас ожидает

Agentic AI: от персонального ассистента к партнёру по рабочему процессу — как меняется роль AI в бизнесе; Microsoft Copilot, IBM, корпоративные исследования
Влияние на рынок труда: исчезающие задачи, новые роли, трансформация навыков — как готовить сотрудников
Будущее работы: среда BANI — хрупкость, тревожность, нелинейность, непонятность; новые навыки и как адаптироваться
Edge AI: AI на устройстве без облака — Apple Intelligence, Google Gemini Nano, локальные модели на телефонах; приватность и задержка
Мультимодальность: рассуждение через модальности — текст + изображения + аудио + видео в одном запросе; следующее поколение моделей
Долгосрочные тренды 2026–2028: на что реально стоит обращать внимание бизнесу, а что — хайп

Форматы проведения

Открытый семинар — 8 часов, группы до 20 человек, очно или онлайн
Корпоративный тренинг — 8 часов, группа от 6 человек, программа адаптируется под специфику компании
Семинар-практикум — 16 часов, включая практические занятия с реальными задачами участников

Организация обучения

Требования к помещению для проведения занятий

Для проведения семинара необходимо хорошо проветриваемое помещение, защищенное от прямых солнечных лучей. Помещение должно быть оборудовано письменными столами, белым экраном размером не менее 2х1,5 м, флип-чартом и мультимедийным проектором. Все расходы, связанные с арендой помещения и оборудования для проведения обучения, несёт заказчик.

Документация и материалы, выдаваемые слушателям

В процессе обучения слушатели получают материалы в электронном виде, которые содержат презентацию, примеры, образцы отдельных документов, а также электронную библиотеку материалов по теме обучения.

По вопросам проведения семинара обращайтесь:

телеграм:@zhartun
e-mail: vadim@zhartun.me
телефон: +7 (931) 120-43-00

Здесь можно получить информацию об авторе курса и других учебных программах.