Блок 1: "Определение бизнесовых точек роста компании, в которых может помочь ML"
- AI-продукты и тренды их внедрения.
- Обзор продуктов, которые используют AI.
- Объясняем, зачем компаниям нужен AI/ML.
- Детальный разбор 1-2 продуктов и необходимости использования ML в них.
- Учимся разбираться, в каких случаях поможет ML, а в каких нет.
- Учимся понимать, какие проблемы проще решить с помощью AI/ML, а какие сложно.
- Постановка четких целей для AI/BigData-проектов.

Блок 2: "Чеклист внедрения ML-задач в компании и команде"
- AI для ваших задач. Построение AI-стратегии.
- Оценка профита от внедрения AI/ML-функциональности.
- Оценка трудоемкости AI/ML-задач для правильного планирования.
- Как снизить риски неудачного завершения AI/ML-проектов.
- Разбор кейсов внедрения и оценки AI-задач.

Блок 3: "Лучшие практики работы с BigData/ML-командой"
- Разбираем, какие нюансы (новые типы принимаемых решений) приходится принимать менеджеру по продукту при общении с AI/ML-командой.
- Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных? В чем могу быть проблемы на продакшене?
- Глоссарий основных терминов (learning, unsupervised learning, neural networks).
- Построение правильной культуры в команде. Как тестировать ML-продукты.

Блок 4: "Работа с датасетами и моделями. Выбор фичей"
- В чем сила и нюансы датасетов. Как происходит сбор и очистка данных и что об этом должен знать менеджер.
- Юридические стороны вопроса.
- Что такое «фичи» в ML и как их правильно выбирать.
Выбор и составление модели. Как выбирают и обучают модель.
- Реальный пример с использованием инструмента Google's AutoML.
- Описание стандартных кейсов: обработка видео, эмоции, работа с изображениями, вытаскивание параметров.

Блок 5: "Workshop: создание и запуск датасета"
- Практическая работа с инструментами Яндекс. Толока и Google's AutoML.
- Создаем датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.

Что узнаю: пойму, что в работе AI/BigData-инженеров нет никакой магии :)

Блок 6: "Валидация бизнес-результатов запуска AI/ML-функциональности"
- Разбираемся, как измерять профит и принимать решения по собранным моделям.
- В каких случаях не стоит выкатывать в продакшен полученные модели.
- Поддержка внедренных ML- и BigData-решений.
Что узнаю: научусь оценивать запуски AI/BigData-функциональности и выстраивать работу по ее поддержанию и развитию