fdengineer.org

Открытая программа

Внешний курс Forward Deployed Engineer

27 разделов от первых задач с ИИ до выпускного проекта. Здесь опубликованы темы и цели обучения. Учебные материалы открываются участникам потока отдельно от этой страницы.

  1. 01Основы работы с ИИ. Постановка первых задач и проверка ответов ИИ-модели.

    Цель: Постановка первых задач и проверка ответов ИИ-модели.

    Темы

    1. Путь запроса к действию
    2. Где заканчивается предположение модели и начинается ответственность системы и человека
    3. Как провести первый безопасный эксперимент с моделью
    4. Как подготовить данные и ограничить доступ перед первым экспериментом с ИИ?
    5. Как прочитать путь простого запроса к ИИ
    6. Что в системе меняется между запусками и где данные уходят к другому владельцу?
    7. Когда эксперимент с ИИ нужно остановить и кому передать решение?
    8. Почему ответы модели различаются и каких выводов нельзя делать по их виду
    9. На каком этапе сквозного пути возник сбой?
    10. Как текст превращается в вероятностное продолжение
  2. 02Подготовка к программированию. Чтение и запуск простого кода.

    Цель: Чтение и запуск простого кода.

    Темы

    1. Как выражение превращается в значение
    2. Как программа выбирает и повторяет шаги
    3. Как преобразовать коллекцию записей
    4. Как функция получает данные и возвращает результат
    5. Как прочитать сбой по исключению и трассировке стека (traceback)
  3. 03Технические основы. Работа с кодом, API и средой разработки.

    Цель: Работа с кодом, API и средой разработки.

    Темы

    1. Как воспроизвести запуск незнакомого проекта
    2. Как проверить запись из CSV- или JSON-файла, прежде чем передать её дальше
    3. Первый аутентифицированный API-запрос без утечки секрета
    4. Как прочитать SQL-схему и получить нужные строки безопасно
    5. Где проходит транзакционная граница изменения
    6. Как воспроизвести среду выполнения и конфигурацию
    7. Как внести проверяемое малое изменение через Git
    8. Проследить малый Python-модуль от входа до результата
    9. Как воспроизвести, изменить и откатить малую визуальную схему
    10. Как доказать поведение и получить диагностический сигнал
    11. Как выпустить изменение в песочнице и вернуть назад
    12. Как выбрать модель под измеренную задачу и бюджет
    13. Как уложить входы и ответ в окно контекста
    14. Что карточка модели утверждает и чего она не доказывает
  4. 04Организация работы с ИИ. Постановка задачи, подготовка материалов и ведение рабочей сессии с ИИ-ассистентом.

    Цель: Постановка задачи, подготовка материалов и ведение рабочей сессии с ИИ-ассистентом.

    Темы

    1. Как устроить безопасное рабочее место для работы с ИИ
    2. Что хранить как правило проекта, а что передавать в текущую сессию?
    3. Когда завершить тупиковую сессию и что сохранить вне чата
    4. Как превратить расплывчатую задачу в критерии приёмки
    5. Как с ИИ разобрать документ или транскрипт, не приняв выдумку?
    6. Как создать искусственный пример и не выдать его за данные о настоящих клиентах
  5. 05Инструкции и контекст. Постановка задачи для ИИ-агента.

    Цель: Постановка задачи для ИИ-агента.

    Темы

    1. Какая инструкция имеет приоритет и чему нельзя доверять?
    2. Как получить и проверить структурированный ответ
    3. Когда помогают примеры или декомпозиция
    4. Что включить в ограниченный бюджет контекста?
    5. Как изменить инструкцию модели без скрытой регрессии
  6. 06Разработка с ИИ. От задачи ИИ-агенту до проверенного кода приложения.

    Цель: От задачи ИИ-агенту до проверенного кода приложения.

    Темы

    1. Как с ИИ понять незнакомую систему, не доверяя выдумкам
    2. Как получить ограниченное и объяснимое изменение
    3. Как отлаживать от воспроизведения, а не советов модели
    4. Какие сгенерированные ИИ тесты действительно опровергают решение
    5. Как проверить изменение кода, предложенное ИИ, до того как его принять
    6. Как передать изменение без выдуманной документации
  7. 07Эффективность работы с ИИ. Выбор инструментов, оценка их пользы и развитие собственных профессиональных навыков.

    Цель: Выбор инструментов, оценка их пользы и развитие собственных профессиональных навыков.

    Темы

    1. Помог ли ИИ на этой задаче?
    2. Как выбирать и пересматривать инструменты ИИ для своей задачи
    3. Как сохранить понимание при работе с ИИ
    4. Как превратить рабочее затруднение в цель обучения
    5. Как поставить минимальный эксперимент и честно сравнить новый способ с текущим
    6. Внедрить, отложить или отклонить новый приём
  8. 08Согласование результата с заказчиком. Определение требований к решению и критериев его приёмки.

    Цель: Определение требований к решению и критериев его приёмки.

    Темы

    1. Как отделить проблему от просьбы «сделайте ИИ»
    2. Чьё решение должно измениться и кого это затронет?
    3. Как заранее описать полезное изменение?
    4. Цена ошибки и задержки: как выбрать рабочий компромисс
    5. Что входит в контракт результата
  9. 09Исследование задачи заказчика. Изучение рабочего процесса, потребностей пользователей и технических и организационных ограничений.

    Цель: Изучение рабочего процесса, потребностей пользователей и технических и организационных ограничений.

    Темы

    1. Как наблюдать фактическую работу
    2. Как разобрать последний реальный случай?
    3. Где процесс ждёт, передаёт и переделывает?
    4. Откуда решение по заявке получает сведения?
    5. Какие проверки работники делают сверх инструкции?
    6. Как выбрать первый узкий участок процесса?
    7. Как измерить исходное состояние процесса на малой выборке
    8. Когда эксперимент ещё оправдан
    9. Какие ограничения среды заказчика изменят решение?
  10. 10Целесообразность использования ИИ. Определение задач, в которых его применение неоправданно.

    Цель: Определение задач, в которых его применение неоправданно.

    Темы

    1. Как сравнить ИИ с сохранением процесса и более простыми изменениями
    2. Как тип неопределённости задаёт класс решения
    3. Какие шаги процесса можно доверить модели ИИ, а где нужны точное правило или человек
    4. Как приоритизировать гипотезы без ложной точности
    5. Что покажет быстрый ручной эксперимент с моделью?
    6. Кому решение может сделать хуже
    7. Как человек оспаривает и исправляет решение системы
    8. Как ограничить последствия неудачи?
    9. Какой эксперимент может опровергнуть гипотезу?
    10. Как принять и записать решение по результатам эксперимента
  11. 11Данные и знания. Подготовка достоверной информации для ИИ-решения.

    Цель: Подготовка достоверной информации для ИИ-решения.

    Темы

    1. Какие данные входят в узкий участок процесса и выходят из него
    2. Откуда взялось значение важного поля и не изменился ли его смысл
    3. Допустимые данные: цель, минимизация и риск повторной идентификации
    4. Как применить и затем отозвать доступ ко всем копиям данных
    5. Покрывает ли выборка важные случаи?
    6. Профиль данных до сборки: дефекты, знаменатели и систематические пропуски
    7. Правила использования базы знаний: от найденного фрагмента к допустимому ответу
    8. Можно ли начинать сборку с этими данными?
  12. 12Данные и интеграции. Подготовка данных и обмен ими между системами.

    Цель: Подготовка данных и обмен ими между системами.

    Темы

    1. Как устойчиво читать внешний API
    2. Как безопасно повторить запрос, который что-то создаёт
    3. Как база данных не даёт записать две оплаты одного заказа
    4. Как ETL/ELT обнаруживает плохие данные
    5. Как провести исправление или удаление по цепочке происхождения данных
    6. Как потребитель переживает задержку, дубликат и нарушение порядка
    7. Какая система является источником истины при конфликте
  13. 13Проектирование решения. Распределение действий между человеком и системой.

    Цель: Распределение действий между человеком и системой.

    Темы

    1. Какую роль дать ИИ в процессе?
    2. Какие компоненты оставить детерминированными и как связать их контрактами?
    3. Какой контекст нужен для решения?
    4. Как выглядит проверяемый выход компонента?
    5. Где человек обязан проверить, подтвердить или запретить действие
    6. Что показать человеку для ответственного действия?
    7. Что делает система, когда не знает или ломается?
    8. Как выбрать меру надёжности по механизму сбоя
    9. Как выбрать самое простое устройство ИИ-сервиса: один вызов модели, поиск по документам, заданный порядок шагов или агент
    10. Можно ли разрешить модели ИИ действие в рабочей системе: проверка до начала разработки
  14. 14Поиск по знаниям. Подготовка ответов на вопросы пользователей с помощью ИИ на основе документов и данных.

    Цель: Подготовка ответов на вопросы пользователей с помощью ИИ на основе документов и данных.

    Темы

    1. Полезная и ложная близость в векторном поиске
    2. Как разбиение на фрагменты влияет на поиск и цитату
    3. Как устроить индекс для фильтрации и версий
    4. Как не вернуть запрещённый фрагмент
    5. Какой этап поиска исправляет конкретный промах?
    6. Как отделить качество поиска от качества ответа
    7. Когда поисковая система обязана отказаться от ответа
    8. Как загрузка данных поддерживает свежесть знаний
    9. Пересборка индекса: как доказать полноту и сохранить происхождение
    10. Как разрешать конфликт источников при поиске
  15. 15Агенты и инструменты. Выполнение рабочих задач с помощью ИИ.

    Цель: Выполнение рабочих задач с помощью ИИ.

    Темы

    1. Нужен заданный процесс или агентный цикл?
    2. Что входит в проверяемый контракт инструмента
    3. Как проверить, что контрольной точки достаточно для продолжения задачи
    4. Как ограничить агентный цикл и передать незавершённую задачу человеку
    5. Как ограничить среду выполнения агента
    6. Как оценивать многошаговый запуск агента
    7. Как остановить зацикленный запуск и передать его человеку
  16. 16Сквозной прототип. Сборка системы, выполняющей рабочий сценарий от получения данных до выдачи результата.

    Цель: Сборка системы, выполняющей рабочий сценарий от получения данных до выдачи результата.

    Темы

    1. Какой один вопрос должен проверить прототип
    2. Как выполнить проверяемый вызов модели и остановиться на несовместимой схеме
    3. Один объект от вызова до сохранённой записи
    4. Как связать поведение с инструкцией, версией и примерами
    5. Как вернуть ответ с проверяемым происхождением
    6. Как разрешить модели одно безопасное действие
    7. Какое состояние нужно хранить между шагами
    8. Как безопасно повторить действие с побочным эффектом
    9. Как доказать, что запуск в предрабочей среде не зависит от скрытого ручного шага
    10. Как по журналу восстановить полный путь одного обращения — без личных данных и секретов
    11. Как по журналу событий восстановить, что сделал агент ИИ за один запуск
  17. 17Качество ИИ-решения. Критерии, проверочные примеры и оценка результатов.

    Цель: Критерии, проверочные примеры и оценка результатов.

    Темы

    1. Что на самом деле ломается в наблюдаемых трассах?
    2. Что означает «хорошо» для этого решения?
    3. Выдерживает ли текущий вариант предварительные критерии на малой выборке?
    4. Какие случаи включать в набор случаев для оценки?
    5. Чем воспроизводимо оценивать результат?
    6. Где автоматическая оценка согласуется с человеком и устойчив ли итог агента?
  18. 18Безопасность и пределы ИИ-решения. Проверка опасных действий, отказов и перегрузки.

    Цель: Проверка опасных действий, отказов и перегрузки.

    Темы

    1. Защищена ли граница инструкций и данных?
    2. Защищена ли граница реального действия?
    3. Как проверить внешнюю зависимость и передать остаточный риск владельцу
    4. Где проходит измеренный предел решения и что происходит при перегрузке
  19. 19Адаптация моделей и мультимодальность. Настройка ИИ под задачу и работу с разными видами данных.

    Цель: Настройка ИИ под задачу и работу с разными видами данных.

    Темы

    1. Инструкция, поиск, дообучение или изменение задачи: как выбрать по ошибкам
    2. Готов ли набор данных к адаптации и честной оценке?
    3. Улучшила ли адаптация нужное поведение?
    4. Надёжен ли мультимодальный конвейер целиком?
  20. 20Архитектура и выпуск приложения. Проектирование, запуск и обновление системы.

    Цель: Проектирование, запуск и обновление системы.

    Темы

    1. Какая архитектура соответствует требованиям
    2. Как упаковать сервис так, чтобы он одинаково запускался на любом компьютере?
    3. Что должно блокировать плохую сборку?
    4. Как выпускать новую версию так, чтобы её можно было откатить?
    5. Где проходят границы доверия сети, идентификации и организаций-заказчиков?
    6. Какая мера защиты нужна этому виду отказа?
    7. Как устранить узкое место по скорости или стоимости?
  21. 21Обоснование внедрения. Оценка пользы, затрат и готовности решения к запуску.

    Цель: Оценка пользы, затрат и готовности решения к запуску.

    Темы

    1. Как понять, что улучшение дал именно ИИ-помощник, а не другие перемены в работе?
    2. Какова полная стоимость единицы результата?
    3. Выдерживает ли решение критерии и отказы?
    4. Что нужно сообщить человеку, который принимает решение?
    5. Как проверить общее понимание требования и разногласия
    6. Как превратить предметное разногласие в решение или честную паузу
  22. 22Внедрение решения. Запуск в рабочем процессе и подготовка пользователей.

    Цель: Запуск в рабочем процессе и подготовка пользователей.

    Темы

    1. Как меняется работа после запуска
    2. Как преобразовать отзыв пользователя в изменение дизайна
    3. Как калибровать доверие пользователя
    4. Кто отвечает и куда эскалировать
    5. Как расширять воздействие обратимо?
    6. Можно ли прямо сейчас разрешить запуск помощника для этой группы операторов?
    7. Как связать ответственность поставщика с внутренним владельцем и ритмом решений
    8. Где оператор получит помощь и сообщит о проблеме с ИИ-помощником
    9. Как увидеть принятие и скрытый обход?
  23. 23Эксплуатация решения. Контроль работы, устранение сбоев и внесение улучшений.

    Цель: Контроль работы, устранение сбоев и внесение улучшений.

    Темы

    1. Как задать SLO через пользовательский результат?
    2. Какие сигналы покажут здоровье сервиса?
    3. Что именно дрейфует?
    4. Как провести инцидент с ИИ-сервисом: от ограничения до разбора
    5. Как безопасно изменить компонент решения
    6. Сохраняется ли экономика после запуска?
    7. Как эксплуатационный сигнал становится новым экспериментом?
  24. 24Корпоративные ИИ-решения. Выбор поставщиков и контроль задач с повышенным риском.

    Цель: Выбор поставщиков и контроль задач с повышенным риском.

    Темы

    1. Что выгоднее и управляемее: разработать, купить или заменить?
    2. Как принять решение о корпоративном поиске по знаниям
    3. Как мигрировать без потери контроля
    4. Что усиливается для решения с повышенным риском
    5. Как доказать безопасный выход из сервиса
  25. 25Повторное применение решений. Перенос накопленного опыта на новые задачи.

    Цель: Перенос накопленного опыта на новые задачи.

    Темы

    1. Что в успешном кейсе можно повторять безопасно
    2. Как вести портфель по стадии доказательств
    3. Что централизовать, а что оставить локальным?
    4. Как распределить работу небольшой ИИ-команды?
    5. Как развивать людей через проверяемые рабочие результаты
    6. Какие инициативы масштабировать, удержать, изменить или закрыть
    7. Как закрыть решение с ИИ без пробела в ответственности
  26. 26Инструментальные практикумы. Выполнение прикладных задач с конкретными технологиями.

    Цель: Выполнение прикладных задач с конкретными технологиями.

    Темы

    1. Как зафиксировать исходный уровень через браузер
    2. Как сравнить версии в таблице
    3. Как собрать заданный процесс в визуальном конструкторе с подтверждением человеком
    4. Один API-вызов с контролируемым сбоем
    5. Поиск по документам и ответ модели: где именно ошибка
    6. Одно действие модели в изолированной среде
    7. Как заметить, что новая версия стала работать хуже: стоимость, трассы и оповещение
    8. Как имитировать поэтапный выпуск и откат?
  27. 27Выпускной проект

    Цель: После 192 лекций вы выбираете и выполняете ровно один из пяти вариантов выпускного проекта.

    Варианты выпускного проекта

    1. Enterprise Knowledge Assistant
    2. Аналитика закупок
    3. Проверяемый ответ по официальным источникам
    4. Рабочая память сотрудника
    5. Прослеживаемый Excel-отчёт