Стратегический тренинг для менеджмента, обучающий навыкам поиска возможностей внедрения искусственного интеллекта в существующие корпоративные решения.
Дисклеймер: вы НЕ будете учиться работать с ChatGPT, вы будете учиться его создавать. Это углубленный инженерный тренинг для всех менеджеров, участвующих в принятии стратегических решений по развитию IT–продуктов и бизнес–направлений в организациях.
Ценность и ожидаемые результаты:
Глубокое фундаментальное понимание теоретических основ больших языковых моделей (LLM) и технологий искусственного интеллекта (ИИ).
Практические навыки оценки потенциала ИИ в рамках текущих бизнес–процессов и продуктов компании.
Умение разрабатывать и обосновывать стратегию внедрения ИИ, учитывая экономические и технологические аспекты.
Вы научитесь
Находить возможности для внедрения ИИ в текущие продукты компании.
Экономически и технологически обосновывать стратегию внедрения ИИ.
Оценивать стоимость внедрения и поддержки ИИ–решений.
Развитие способности критического анализа ИИ–технологий, понимания их возможностей, ограничений, этических аспектов и стратегического значения для различных отраслей.
Понимать математические и архитектурные основы современных LLM, включая механизм внимания и архитектуру Трансформер.
Разбираться в процессах предобучения, файнтюнинга (включая PEFT–техники, такие как LoRA) и RLHF для LLM.
Эффективно применять продвинутые техники промпт–инжиниринга для взаимодействия с ведущими LLM (Gemini, Claude, ChatGPT, DeepSeek и др.).
Понимать как фреймворки, такие как LangChain, создают комплексные ИИ–приложений, включая RAG–системы и автономных агентов.
Анализировать и выбирать подходящие ИИ–модели и инструменты для решения конкретных задач, включая опенсорс–решения (Hugging Face, Ollama).
Понимать принципы работы и потенциал ризонинга в LLM, а также методы запуска моделей на мобильных и Edge–устройствах.
Для кого
Директоры по развитию, инновациям и руководители IT–направлений.
Менеджеры и руководители, управляющие IT–продуктами.
Технические директора и руководители цифровой трансформации.
Для разработчиков есть углубленный вариант тренинга (по запросу).
Программа тренинга
Участие в программе не предполагает специальной технической подготовки. Несмотря на комплексность программы, применение интерактивных онлайн–досок, флипчартов и большой объем практики позволит вам эффективно усвоить материал.
Введение в ИИ и LLM
Современный ИИ–ландшафт, анализ текущего состояния, технологический переход.
История LLM: от зарождения NLP до архитектуры Трансформер.
Перцептрон, рекуррентные нейросети (RNN), LSTM, метод обратного распространения ошибки.
Вычислительные ресурсы и проблемы масштабирования.
Революция Внимания (Attention Mechanism)
Концепция и интуиция механизма внимания и Self-Attention.
Продвинутые механизмы внимания (обзор): Sparse Attention, FlashAttention.
Трансформеры – «Attention Is All You Need»
Детальный разбор архитектуры оригинального Трансформера: Encoder, Decoder.
Компоненты: эмбеддинги, позиционное кодирование, Multi-Head Attention, Masked Multi-Head Attention, Feed Forward Networks, Add & Norm.
Эволюция Трансформеров: Decoder-only (GPT), Encoder-only (BERT), MoE, Мультимодальные Трансформеры.
Ограничения и направления исследований "Beyond Transformers".
Обучение с меньшими данными (Few-shot и Zero-shot Learning)
Предобучение LLM – Создание базовых моделей
Цели и задачи предобучения; Self-Supervised Learning (SSL).
Данные для предобучения: источники, сбор, очистка, фильтрация, токенизация.
Проблемы качества данных: предвзятости (bias), токсичность.
Scaling Laws: влияние размера модели, датасета и вычислений на качество.
Файнтюнинг (Fine-tuning)
Задачи файнтюнинга: адаптация к домену, следование инструкциям, элаймент.
Виды: Unsupervised Fine-tuning, Supervised Fine-tuning (SFT).
Техники Parameter-Efficient Fine-Tuning (PEFT): LoRA, QLoRA и др.
Опенсорс–экосистема: Hugging Face, Ollama.
Продвинутые концепции: дистилляция, синтетические датасеты.
Обучение с подкреплением (RLHF) и Создание "Безопасных" Моделей
Основы Reinforcement Learning (RL).
RLHF (Reinforcement Learning from Human Feedback): цели, этапы, Reward Model.
Ограничения SFT и необходимость RLHF.
Ключевые алгоритмы RLHF: PPO, GRPO, DPO (обзор).
Проблемы и сложности RLHF.
Ризонинг (Reasoning) в LLM
Концепция ризонинга: пошаговое решение задач.
Chain of Thought (CoT) и его влияние.
Test-time scaling.
Примеры моделей с развитым ризонингом.
Ограничения и области исследований.
Промпт–Инжиниринг (Prompt Engineering)
Основы эффективного промптинга.
Продвинутые техники: Zero-shot, Few-shot, CoT prompting, Self-Consistency, Tree of Thoughts, ReAct.
Автоматизация и оптимизация промптов (APE, AutoPrompt).
Безопасность: Промпт–инъекции, джейлбрейкинг.
Решение задач с применением продвинутых техник промптинга (на моделях Gemini, Claude, DeepSeek, ChatGPT, Groq).
Создание ИИ–Приложений – LangChain, RAG, AI Agents
LangChain: архитектура и ключевые модули.
RAG (Retrieval Augmented Generation): продвинутые стратегии (chunking, retrieval, re-ranking).
AI Agents с LangChain: типы, инструменты, планирование.
n8n: Low-code автоматизация ИИ–воркфлоу.
AI Safety: техническая безопасность (alignment, control, interpretability).
Edge AI
MCP (Model-Centric Programming): концепция ИИ как API.
Локальные и мобильные LLM (Edge AI):
Квантизация (GPTQ, GGUF), прунинг.
Фреймворки для запуска на устройствах (TF Lite, Core ML).
Разработка стратегии внедрения
Анализ бизнес–процессов и определение приоритетных областей для внедрения ИИ.
Оценка готовности инфраструктуры и команды.
Разработка дорожной карты внедрения и KPI для измерения эффективности.
Телеграм
