AI Чемпионы: курс для внутренних лидеров AI
Обучение для тех, кто хочет не просто внедрять AI, а понимать современные технологии, создавать и реализовывать проекты, строить сети ИИ-агентов и быть драйвером изменений в компании.
Этот курс для вас, если вы...
...хотите стать драйвером AI-трансформации в компании
...руководите изменениями, внедряете новые технологии
...тимлид или руководитель направления, ищете современные инструменты
...AI-амбассадор, строите сеть ИИ-агентов и обучаете коллег
Требования к участию
Технологическая грамотность: уверенный пользователь ПК и облачных сервисов. Ожидаем, что вы сможете самостоятельно установить и освоить новое приложение по инструкции, а к незнакомым технологиям относитесь с интересом и без страха. Опыт программирования не обязателен — необходимые навыки кодинга мы дадим на курсе.
В результате обучения вы сможете:
Скаутить и оценивать AI‑кейсы
собирать обоснованный портфель проектов
Проектировать архитектуру AI-решений
от LLM и базы знаний до интеграций, MCP и мониторинга
Собирать агента на n8n за часы
а затем перенести ядро в Python, соблюдая DevOps/ML Ops‑практики
Настраивать RAG и корпоративную базу знаний
включая транскрибацию и аналитику общения
Управлять рисками и безопасностью
учитывая регуляторику и InfoSec‑требования
Работать с метриками & ROI
считать экономический эффект, защищать инвестиции перед стейкхолдерами
Программа курса
9 модулей практического обучения с воркшопами, кейсами и персональным сопровождением кураторов
Содержание модуля:
- Представление о LLM (encoder/decoder, transformer). Типы моделей Open‑Source vs Proprietary
- Способы использовать ИИ в организации. Вертикальные и горизонтальные кейсы и 4 уровня ИИ
- ИИ-ландшафт в организации. Метрики (MMLU, Perplexity). Оценка качества работы LLM
- Основы промпт-инжиниринга. Создание простого ассистента в OWUI/Dify/GPTs
- База n8n: основные ноды, триггеры, REST API + JSON
Что узнаете:
- Базу Transformer: encoder/decoder, токены, контекстное окно; влияние temperature/top-p
- Что измеряют MMLU и Perplexity, отличие техметрик от бизнес-метрик
- Разницу Open-Source vs Proprietary и критерии выбора; форматы применения ИИ
Что сможете:
- Писать промпты (роль, контекст, формат, ограничения, self-check)
- Собрать простого ассистента в OWUI/Dify/GPTs
- Собрать базовый n8n-флоу: триггер → REST API → обработка JSON → лог/уведомление
Содержание модуля:
- Ключевые термины машинного обучения. Модель, данные, обучение
- Какие бывают модели. Классификация, регрессия, генерация. Supervised vs unsupervised
- Жизненный цикл ML модели: от данных до внедрения
- Особенности использования данных. Смещение, устаревание, стоимость разметки
- Метрики качества в ML и их связь с бизнес-метриками
- Строим свою ML модель в Orange
Что узнаете:
- Базовые понятия: модель, признаки, таргет, train/val/test, пере- и недообучение
- Типы задач: классификация, регрессия, генерация; supervised vs unsupervised
- Жизненный цикл CRISP-DM от понимания бизнеса до мониторинга
- Проблемы данных: смещения, дрейф, стоимость разметки
Что сможете:
- Соотносить бизнес-задачу с типом ML-задачи и целевой метрикой
- Считать/интерпретировать accuracy, precision, recall, F1 и связывать их с деньгами
- Настраивать порог решения с учётом стоимости ошибок (cost-sensitive)
- В Orange собирать и сравнивать простые модели с кросс-валидацией
Содержание модуля:
- Картирование процессов и поиск точек автоматизации
- Пять компонентов продуктовой гипотезы
- Методы приоритезации. ICE/RICE, WSJF
- AI Canvas – инструмент, чтобы «приземлить» идею: ценность/пользователь/процесс, данные и доступность, риски/комплаенс, метрики успеха, пилот и масштабирование
- Использование Value Stream Map для поиска точек использования ИИ
- Формулирование гипотез. Приоритезация гипотез методом ICE/RICE
Что узнаете:
- Принципы картирования процессов (Value Stream Mapping) для поиска точек автоматизации
- Пять компонентов продуктовой гипотезы и их роль в проверке жизнеспособности идеи
- Методы приоритезации ICE, RICE, WSJF: в чём разница, когда и какой применять
- Структуру AI Use Case Canvas
Что сможете:
- Строить карту процесса (VSM), выделять узкие места и точки, где ИИ может дать эффект
- Формулировать гипотезу с учётом всех пяти компонентов
- Заполнять AI Use Case Canvas для выбранного кейса
- Применять ICE, RICE или WSJF к набору гипотез
Содержание модуля:
- RAG: векторный поиск + reranking
- Концепция MeetinOPS: оцифровка и использование контекста со встреч
- Context Engineering: System Prompt, RAG, Memories, Tools
- Speech‑to‑Text, diarization; Text‑to‑Speech; latency trade‑offs
- Чат‑ассистент на корпоративных документах
- RAG‑пайплайн в n8n: ingest → embed → retrieve → rerank → answer
Что узнаете:
- Принцип работы Retrieval-Augmented Generation (RAG): векторный поиск, reranking
- Основы context engineering: разбиение текста на фрагменты (chunking), использование метаданных
- Принципы работы Short Term/Long Term Memory
- Возможности и ограничения Speech-to-Text (STT) и Text-to-Speech (TTS)
Что сможете:
- Настраивать RAG-пайплайн: загрузка (ingest), создание эмбеддингов (embed), поиск (retrieve)
- Выбирать подход к chunking и обогащению контекста метаданными
- Интегрировать STT и TTS в рабочий процесс
- Создавать чат-ассистента на основе корпоративных документов
Содержание модуля:
- Типы бизнес метрик. Запаздывающие и опережающие метрики
- Финансовая модель AI продукта
- Связь метрик через юнит-экономику
- Создание брифа AI продукта при помощи AI Canvas
- AI-канвас кейса: цель, пользователь, процесс, данные, риски, таргеты
- Дерево метрик: цель → драйверы → KPI → как считаем и где логируем
- Финмодель: затраты, эффект, окупаемость; фиксация допущений
Что узнаете:
- Как связать цель кейса с измеримыми метриками и выбрать релевантные KPI продукта
- Как построить финансовую модель AI продукта
- Как заполнить бриф AI продукта и согласовать его с заинтересованными лицами
Что сможете:
- Заполнять AI Canvas для выбранного кейса
- Строить дерево метрик от бизнес метрик до DS метрик
- Выбирать ключевые KPI под задачу и обосновывать их с точки зрения ценности и рисков
- Собирать простую финмодель: оценка затрат, расчёт выгоды, определение срока окупаемости
Содержание модуля:
- MCP (Model Context Protocol): спецификация, секьюрити, rate‑limit
- Tool use в n8n: вызов внешних API по JSON‑схеме
- Prompt‑паттерны для tool selection и MCP‑calls
- Мульти‑tool агент в n8n: planner‑executor loop
- Создание MCP‑шлюза
Что узнаете:
- Что такое MCP (Model Context Protocol), его назначение, структура спецификации
- Как строится архитектура многозадачного агента (planner-executor loop)
- Принципы tool use: вызов внешних API по JSON-схеме и обработка ответов
- Prompt-паттерны для выбора нужного инструмента (tool selection)
Что сможете:
- Настраивать мульти-tool агента в n8n с циклом planner-executor
- Подключать и вызывать внешние API через JSON-схему, обрабатывать ошибки
- Разрабатывать MCP-шлюз: описывать спецификацию, настраивать безопасность
- Применять prompt-паттерны для корректного выбора инструментов
Содержание модуля:
- Жизненный цикл AI‑продукта: vision → road‑map → backlog (story mapping)
- Управление рисками ИИ проекта
- Регуляторика и Информационная Безопасность
- Декомпозиция ИИ проекта
- Оценка проектов в условиях высокой неопределенности
- Планирование ИИ проекта: story mapping, декомпозиция
- Оценка рисков: тех/ data/ legal/ people risks
Что узнаете:
- Жизненный цикл AI-продукта: от формулировки vision до roadmap и backlog
- Основные категории рисков в ИИ-проектах: технические, связанные с данными, правовые
- Базовые требования регуляторики и информационной безопасности для ИИ-решений
- Принципы декомпозиции проектов на этапы, задачи и результаты
Что сможете:
- Формулировать vision ИИ-проекта и переводить его в roadmap и backlog
- Строить story map для ИИ-проекта, определять MVP и релизы
- Декомпозировать проект на логические этапы и задачи
- Проводить оценку рисков по четырем категориям, фиксировать меры минимизации
Содержание модуля:
- MLOps / DevOps: CI/CD, Model Registry, IaC, GPU‑scheduling
- Мониторинг: latency, cost‑tracking, drift, prompt‑metrics, алерты в Prometheus / Grafana
- Python‑агенты: packaging, dependency management, gRPC + REST‑API, security hooks
- Управление инцидентами и SLA
- Vibe‑coding: cоздание кастомных нодов n8n на Python (SDK + Docker)
Что узнаете:
- Основы MLOps/DevOps для ИИ-проектов: CI/CD, Model Registry, Infrastructure as Code
- Подходы к мониторингу: latency, cost-tracking, drift, метрики промптов
- Архитектуру Python-агентов: упаковка (packaging), управление зависимостями
- Что такое vibe-coding и как LLM-ассистент помогает в разработке
Что сможете:
- Настраивать CI/CD для обновления и деплоя ИИ-агентов
- Организовывать мониторинг с отслеживанием ключевых метрик и настройкой алертов
- Разрабатывать кастомные ноды для n8n на Python с использованием SDK и Docker
- Применять vibe-coding для ускоренной разработки при поддержке LLM-ассистента
Содержание модуля:
- Road-map трансформации. От «пилот»→ «первый деплой»→«масштаб до 5 команд»→…
- CODER фреймворк
- Adoption tracking. Использование метрики adoption rate
- Change management. Планирование коммуникаций (Town-hall, обучающие сессии, документация)
- Коучинг и сопровождение. AI-Champions для поддержки других команд
- Создание роадмапа трансформации
Что узнаете:
- Этапы roadmap трансформации: от пилота до масштабирования на несколько команд
- Суть фреймворка CODER и как он помогает перейти от локальной оптимизации к созданию новой ценности
- Метрики adoption rate и их роль в оценке успешности внедрения
- Основы change management: каналы и форматы коммуникации
Что сможете:
- Разрабатывать roadmap внедрения ИИ-проекта с учётом этапов роста
- Применять CODER для согласования технологических и стратегических целей
- Отслеживать и анализировать метрики adoption rate, выявлять точки сопротивления
- Организовывать сопровождение и наставничество для команд через AI-Champions
Почему именно этот курс?
Трёхтрековая модель
Программа построена как последовательность этапов по трём трекам: Ценность, Технологии и Внедрение. Обеспечивает системный подход к изучению AI от бизнес-эффекта до промышленного применения.
От прототипа к продакшену
Быстрый практический прогресс от первого прототипа до готовности к промышленной эксплуатации. Участник получает понятную траекторию развития и поддержку по всем трекам обучения.
Набор готовых артефактов
По итогам обучения участник получает готовые к использованию артефакты. Включает брифы кейсов, дерево метрик, финансовую модель и план внедрения для реальных проектов.
Как проходит курс
Детали формата обучения, инструменты и поддержка участников
Длительность
9 модулей × 4 ч = 36 ч живых практических сессий + 10‑15 ч самостоятельной теории
Модуль
15–20 мин «выжимки» теории → серия воркшопов «руками» → ретроспектива
Инструменты
n8n, Dify / Open WebUI / GPTs, Python, LangChain, облачные LLM, Postgres, FastAPI, Grafana
Домашние задания
Чек‑листы и мини‑проекты, которые сразу можно внедрять в работе
Диплом
Индивидуальный проект: от видения и финмодели до готового AI прототипа. Защита перед экспертным советом курса.
Поддержка
Чат комьюнити, ревью флоу, Q&A‑сессии, база шаблонов и промтов
Записаться на курс AI Чемпионы
Обучение для сотрудников, которые станут внутренними экспертами в AI
Оставьте заявку, чтобы узнать, как курс поможет вам и вашей компании освоить современные технологии и стать лидером AI-трансформации