Описание курса
Искусственный интеллект (ИИ) стал одной из наиболее значимых технологических инноваций последней четверти века. Организации в самых разных сферах — включая здравоохранение, финансы, производство, розничную торговлю, образование и государственный сектор — активно инвестируют в ИИ, чтобы автоматизировать процессы, совершенствовать принятие решений, улучшать качество обслуживания клиентов, а также создавать новые продукты и услуги.
В отличие от классических программных проектов, проекты в области ИИ опираются на данные и статистические модели, а не на детерминированную бизнес-логику. Обычное приложение при получении одних и тех же входных данных ведет себя предсказуемо, тогда как модель ИИ выявляет закономерности в исторических данных и формирует вероятностные прогнозы. В результате проекты, связанные с ИИ, привносят новые неопределенности, риски и требования к управлению.
Традиционное управление проектами сосредоточено на реализации заранее определенного объема работ — в установленные сроки и в рамках бюджета. Управление же проектами в сфере ИИ должно дополнительно учитывать:
- Качество и доступность данных
- Этические аспекты
- Эффективность модели
- Предвзятость и справедливость
- Конфиденциальность и безопасность
- Непрерывный мониторинг и дообучение
- Соблюдение нормативных требований
- Внедрение в бизнес-процессы и доверие
Эти факторы требуют от руководителей проектов сочетания устоявшихся методов управления проектами с пониманием процессов разработки и эксплуатации систем искусственного интеллекта, что приводит практически к сращиванию ролей менеджера проекта и менеджера продукта в области ИИ, а также к расширению его роли на указанные смежные области.
Данный курс предоставляет специалистам по управлению проектами практические инструменты для руководства инициативами в области ИИ, которые приносят реальную пользу бизнесу, и преобразует сложность ИИ в управляемые этапы, обеспечивающие ясность, подотчетность и надежность.
Аудитория курса
- Руководители и участники проектов по созданию, внедрению и развитию ИИ-решений;
- менеджеры ИТ-проектов и цифровой трансформации;
- менеджеры продуктов и владельцы продуктов (Product Managers, Product Owners);
- бизнес-аналитики и системные аналитики; руководители направлений и специалисты, отвечающие за внедрение ИИ в бизнес-процессы.
Курс также подойдет экспертам предметных областей, которые участвуют в формировании требований к ИИ-продуктам и взаимодействуют с командами разработки.
Вы научитесь
- Описать, чем проекты ИИ отличаются от традиционных проектов в области ИТ и программного обеспечения.
- Описывать основные этапы жизненного цикла ИИ-проекта.
- Определять роль, зоны ответственности и ключевые задачи менеджера ИИ-проекта.
- Определять области управления, требующие особого внимания в ИИ-проектах.
- Разъяснять фундаментальные концепции искусственного интеллекта (ИИ).
- Различать понятия «искусственный интеллект» (ИИ), «машинное обучение» (МО), «глубокое обучение» (ГО) и «генеративный ИИ».
- Понимать возможности и ограничения больших языковых моделей (LLM).
- Распознавать распространенные типы приложений на основе ИИ.
- Эффективно взаимодействовать как с техническими специалистами, так и с представителями бизнеса.
- Выявлять бизнес-задачи, для решения которых подходят технологии ИИ.
- Разрабатывать бизнес-обоснование для внедрения ИИ, соответствующее стратегии организации.
- Определять измеримые бизнес-цели и критерии успеха.
- Проводить предварительную оценку реализуемости ИИ-проекта.
- Выявлять типичные риски до начала технической реализации.
- Применять практические инструменты, такие как «канва возможностей ИИ» (AI Opportunity Canvas).
- Объяснять, почему данные являются фундаментом любого ИИ-проекта.
- Оценивать пригодность имеющихся данных для создания ИИ-решения.
- Выявлять распространенные проблемы с качеством данных и их влияние на модели ИИ.
- Разбираться в различных типах и источниках данных.
- Распознавать потенциальные искажения (предвзятость) в наборах данных.
- Разъяснять принципы управления данными (data governance) и ответственности за данные (data stewardship).
- Учитывать вопросы конфиденциальности, безопасности и нормативно-правового регулирования.
- Подготавливать оценку готовности данных и реестр рисков, связанных с данными.
- Эффективно взаимодействовать с инженерами данных, специалистами по анализу данных (data scientists) и представителями бизнеса.
- Объяснять назначение этапа подготовки данных.
- Понимать процесс преобразования «сырых» данных в наборы, пригодные для использования в ИИ.
- Определять основные этапы подготовки данных и их влияние на бизнес-результаты.
- Разъяснять концепцию проектирования признаков (feature engineering).
- Разбираться в процессах разметки и аннотирования данных.
- Описывать стратегии разделения данных на обучающую, валидационную и тестовую выборки.
- Учитывать риски и вопросы управления, возникающие при подготовке данных.
- Эффективно координировать работу с инженерами данных и специалистами по анализу данных на протяжении всего процесса подготовки.
- Объяснять назначение этапа разработки модели.
- Понимать процессы выбора, обучения, валидации и оценки моделей ИИ.
- Различать этапы обучения, валидации и тестирования.
- Интерпретировать основные показатели эффективности ИИ с точки зрения управления проектами.
- Понимать роль итеративных экспериментов в ИИ-проектах.
- Определять обязанности менеджеров проектов в ходе разработки моделей.
- Учитывать вопросы управления, риски и этические аспекты, связанные с созданием моделей ИИ.
- Определять момент, когда модель готова к внедрению (развертыванию).
- Объяснить цель этапа развертывания в жизненном цикле ИИ.
- Понять, как модели ИИ переходят из стадии разработки в производственную.
- Различать техническое развертывание и внедрение в бизнес.
- Описать распространенные архитектуры развертывания ИИ.
- Понять MLOps и его роль в операционном ИИ.
- Спланировать пилотные внедрения и развертывание в производственной среде.
- Определить риски развертывания и стратегии их смягчения.
- Определить критерии готовности к производственной среде.
- Измерить успех развертывания с помощью технических и бизнес-KPI.
- Понять цели этапа мониторинга и непрерывного совершенствования.
- Распознать различные типы дрейфа модели и снижения производительности.
- Отслеживать технические, операционные и бизнес-KPI.
- Спланировать переобучение модели и управление жизненным циклом.
- Понять деятельность по управлению ИИ после развертывания.
- Управлять инцидентами ИИ и операционными рисками.
- Применять принципы непрерывного совершенствования к решениям на основе ИИ.
- Определить обязанности руководителя проекта во время операционного внедрения ИИ.
- Объяснить цель управления ИИ и почему это важно для успешных проектов в области ИИ.
- Различать понятия управления, этики, соответствия требованиям и управления рисками.
- Понимать принципы ответственного ИИ.
- Выявлять этические риски на протяжении всего жизненного цикла ИИ.
- Понимать принципы справедливости, прозрачности, объяснимости, подотчетности и конфиденциальности.
- Разрабатывать планы управления и контроля рисков для проектов ИИ.
- Объяснять, что такое генеративный ИИ и чем он отличается от традиционного ИИ.
- Понимать эволюцию от предиктивного ИИ к базовым моделям.
- Объяснять токены, токенизацию и контекстные окна.
- Распознавать сильные и слабые стороны моделей генеративного ИИ.
- Понимать, почему базовые модели трансформировали корпоративный ИИ.
Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы.
Обучение по мировым стандартам позволяет нашим выпускникам работать в ведущих компаниях России и других стран. Они делают успешную карьеру и пользуются уважением работодателей.
Предварительная подготовка
Требуемая подготовка:
Успешное окончание курса IT - Project Management: управление проектами в области информационных технологий
или Управление созданием и развитием ИТ, цифровых и физических продуктов
,
или Легкие методики управления проектами на основе стандартов ГОСТ и Р3. Express
,
или Управление проектами на основе стандарта PMI® PMBOK® Guide v.8
, или эквивалентная подготовка.
Успешное окончание курса Основы работы с большими данными (Data Science), или эквивалентная подготовка.
Рекомендуемая подготовка (необязательная):
Желательно иметь опыт участия в ИТ-, цифровых или продуктовых проектах.
Программа курса
Аудиторная нагрузка в классе с преподавателем 16 ак. ч. + 16 ак. ч. бесплатно*
* Для слушателей курса предусмотрено время для самостоятельной практической отработки и проработки материала в компьютерных классах Центра.
Вы можете использовать его для закрепления знаний, выполнения домашних заданий и консультаций со специалистами.
Время предоставляется бесплатно по предварительному согласованию с администратором комплекса:
- для занятий с 10:00 до 17:10: дополнительное время с 9:00 до 10:00.
- для занятий с 14:00 до 17:10: дополнительное время с 13:15 до 14:00.
- для занятий с 18:30 до 21:30: дополнительное время с 17:10 до 17:55.
По завершении обучения проводится итоговая аттестация. Она может проходить в виде теста на последнем занятии или основываться на результатах выполнения практических заданий в ходе курса.
Документы об окончании
В зависимости от программы обучения выдаются следующие документы:
Свидетельство выпускника
Cертификат международного образца
Удостоверение о повышении квалификации
* Для получения удостоверения вам необходимо предоставить копию диплома о высшем или среднем профессиональном образовании.
Сертификаты международного образца выводятся после окончания курса в личном кабинете слушателя.
