Запись [Otus] Управление AI/ML-продуктом (Дмитрий Шоржин - Игорь Зуриев)

​

Комплексное руководство по созданию, управлению и развитию AI/ML-продуктов

Для кого этот курс?

• Продакт-менеджеров, желающих получить или углубить знания в области AI/ML для управления AI-продуктами и понять технические аспекты
• Руководителей и менеджеров по развитию (Product Owners, CPO, CTO), которые хотят получить знания по интеграции AI‑технологий в бизнес-процессы
• Технических специалистов (Data Scientists, ML-инженеров, архитекторов), стремящихся расширить знания о бизнес-аспектах и управлении жизненным циклом AI‑продуктов

Необходимые знания
Общее представление о том, что такое машинное обучение и нейронные сети
Понимание концепций продуктового менеджмента и жизненного цикла продукта

Что даст вам этот курс?

• Знание особенностей жизненного цикла AI‑продукта от идеи до поддержки
• Понимание архитектурных решений и инфраструктуры для AI‑решений
• Умение разрабатывать product‑спецификации для AI‑фич
• Способность разрабатывать стратегии внедрения AI‑технологий
• Освоение методов оценки бизнес-ценности и рисков
• Навыки работы с метриками качества, A/B-тестированием и оценкой offline
• Оценка ROI и бизнес-метрик для принятия решений

Программа

Продуктовые и бизнес-основы управления ИИ-продуктом
В этом модуле вы разберёте, где и как ИИ даёт измеримую бизнес-ценность: карта процессов и юзкейсов в B2C/B2B. Вы научитесь формулировать цель AI-инициативы, определять объём работ и проверять реализуемость PoC/MVP. Зафиксируете критерии успеха и ключевые метрики. Рассмотрите основные риски (правовые, этические, продуктовые) и правила их контроля. Итог: приоритизированная гипотеза с понятным «зачем» и «как померить».
Тема 1: Вводный урок. Польза от ИИ // ДЗ
Тема 2: Определение объёма работ и оценка реализуемости
Тема 3: Риски и комплаенс

Технические основы для PM
В этом модуле вы получите PM-доступное понимание «что под капотом» продукта: жизненный цикл ML, LLM/embeddings/RAG/fine-tuning и типовые архитектурные паттерны. Вы разберёте инфраструктуру и MLOps на уровне блок-схем: окружение, CI/CD-модели, мониторинг и стоимость. Научитесь выбирать стек под задачу и говорить с разработкой на одном языке, не погружаясь в программирование. Итог: черновик архитектуры и список требований к данным/сервисам.
Тема 1: Жизненный цикл ML без кода
Тема 2: Стек генеративного ИИ
Тема 3: Архитектурные паттерны // ДЗ
Тема 4: Инфраструктура и MLOps
Тема 5: Метрики качества. A/B-тесты. Офлайн-оценка // ДЗ

Производство. Запуск. Рост
В этом модуле вы переведёте идею в прод: оформите product-spec для AI-фичи, распределите роли, спроектируете UX для GenAI (включая fallback-сценарии). Вы подготовите данных, фокусируясь на их безопасности и приватности, чек-лист запуска (go-live), мониторинг и план отката. После релиза настроите model-ops: наблюдение за дрейфом, переобучение, A/B-эксперименты и связь метрик модели с бизнес-KPI и ROI. А также изучите российские кейсы внедрений и типичные подводные камни. Итог: готовый план вывода и масштабирования AI-функции.
Тема 1: Продуктовая спецификация для ИИ-функции // ДЗ
Тема 2: Работа с командой
Тема 3: UX для генеративного ИИ
Тема 4: Инжиниринг безопасности и приватности // ДЗ
Тема 5: Чек-лист запуска (Go-Live) // ДЗ
Тема 6: Поддержка после запуска / управление моделями (Model Ops)
Тема 7: Бизнес-метрики и обзор ROI
Тема 8: Кейсы российского рынка

Капстоун-спринт
Модуль посвящён практической подготовке индивидуальной AI‑инициативы к запуску. Вы проведёте бизнес‑ и системный анализ: формализуете цели, ограничения и требования (BRD/SRS), построите карты AS‑IS/TO‑BE и матрицу трассируемости. Далее вы спроектируете быстрый PoC как инструмент доказательства ценности: зададите baseline, метрики качества и бизнес‑эффекта, критерии go/kill, сроки 7–14 дней и бюджет. Итог: комплект артефактов, достаточный для согласования пилота с C‑suite или инвестором.
Тема 1: ИИ как инструмент бизнес‑ и системного анализа
Тема 2: Быстрый PoC, как новая норма

ИИ для личной эффективности
Данный модуль - это практикум про личную эффективность: библиотека промптов, приёмы Code Interpreter, Text-to-SQL и другие готовые сценарии без кода. Вы разберёте командные шаблоны (Jira-AI, Mixpanel Spark, Craftful и др.) и то, как быстро внедрить их в процесс. Итог: набор «рецептов» для экономии времени вам и команде.
Тема 1: Автоматизация работы PM: библиотека промптов, Code Interpreter, Text-to-SQL
Тема 2: Командные шаблоны: автоборды Jira, запросы Mixpanel Spark, инсайты Craftful

Проектная работа
Заключительный месяц курса посвящен проектной работе. Проект – это самая интересная часть обучения. Вы будете разрабатывать его на основе полученных на курсе навыков и компетенций. В процессе работы над проектом можно получить консультацию преподавателей.
Тема 1: Выбор темы и организация проектной работы // Проектная работа
Тема 2: Консультация по проектам и домашним заданиям
Тема 3: Защита проектных работ
Тема 4: Подведение итогов курса

Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Дмитрий Шоржин, Сергей Ветров, Игорь Зуриев, Андрей Иванов,