Освойте использование ИИ для ускорения разработки и повышения качества кода с нашим курсом! Современное программирование уже не сводится к ручному набору кода, а требует умения формулировать задачи, взаимодействовать с ИИ-помощниками и мыслить в терминах запросов и промптов. По завершении курса участники будут иметь практические навыки работы с ИИ-ассистентами, смогут создавать и поддерживать проекты, используя современные инструменты и методологии. Курс направлен на развитие мышления, умения формулировать задачи и эффективно взаимодействовать с ИИ-помощниками.

• 1.1. Открытие Gigacode: Обзор платформы. Формулировка первой задачи: создание простого сайта. Анализ результатов: проблемы с контекстом и структурой.
• 1.2. Обсуждение: Почему современная разработка — это не про код, а про запросы. Важность четкого формулирования задач и ограничений.
• 1.3. Промпты-инструкции: Основные элементы промпта: цель, ограничения, роль, результат. Разные форматы промптов и их эффективность.
• 1.4. Практика: Создание простого веб-приложения через Gigacode. Анализ ошибок и переписывание промптов. Достижение работающего результата.
• 2.1. Переход к WindSurf: Обзор возможностей WindSurf. Решение проблем контекста и структуры.
• 2.2. Выбор стека технологий: Обсуждение популярных фреймворков: Next.js, Vue, React, Svelte, Flutter Web. Философия выбора стека: производительность, масштабируемость, экосистема.
• 2.3. Составление роадмэпа: Логика проекта: архитектурное описание. Визуальное оформление: дизайн и интерфейсы.
• 2.4. Превращение описания в проект: Использование промптов для создания структуры и компонентов. Взаимодействие с ИИ-ассистентом как с тиммейтом.
• 2.5. Практика: Создание реального проекта: от структуры до базовой логики. Все действия выполняются внутри WindSurf, без ручного копипаста.
• 3.1. Загрузка проекта: Получение готового проекта для поддержки. Анализ структуры, зависимостей и стиля кода.
• 3.2. Точечные промпты: Формулировка промптов для конкретных изменений. Примеры: исправление ошибок, добавление функционала.
• 3.3. Доработка и рефакторинг: Использование ИИ для оптимизации кода. Сравнение версий: анализ изменений и их влияния на архитектуру.
• 3.4. Практика: Работа с реальным проектом: поиск и исправление ошибок. Добавление новых функций и тестирование. Выстраивание системы обновлений.
• 4.1. Настройка CI/CD: Введение в CI/CD и GitHub Actions. Создание пайплайнов для автоматической сборки и тестирования.
• 4.2. Деплой: Размещение проекта с помощью готовых облачных сервисов (Firebase, Vercel или своем сервере). Настройка окружений: staging и production.
• 4.3. Безопасность: Управление токенами и секретами. Настройка CORS и Git-авторизации. Базовые принципы безопасности веб-приложений. Автоматическая документация: Генерация документации с помощью ИИ. Поддержание актуальности документации. Философия масштабирования: Роль инженера в мире ИИ. Будущее программирования и автоматизации.
• 4.4. Практика: Деплой проекта и автоматизация сборки. Проверка безопасности. Финальная презентация проекта.

Внедрите ИИ в ключевые HR-процессы: от найма до адаптации и HR-бренда. Освойте GPT-агенты и промпты для автоматизации рекрутинга, создания программ онбординга и контента для соцсетей. На курсе вы с нуля создадите AI-помощников для реальных задач и получите готовые шаблоны для внедрения сразу после обучения.

• Возможности AI в HR
• Ограничения и этика в AI
• Промтпинг для текстовых нейросетей
• Практика: создание GPT-агент для написания вакансий
• Автоматизация рутины: проверка грамматики, написание текстов вакансий, шаблоны сообщений кандидатам на каждом этапе воронки, вопросы для брифинга заказчика, составление Job Offer
• Поиск кандидатов с помощью ИИ, составление boolean-запросов и стратегий поиска
• AI-скрининг: анализ профилей и вакансий, скоринг кандидатов. Персонализация коммуникаций с кандидатами для разных каналов
• Практика: написание текста вакансии, составление вопросов для интервью, подготовка шаблонов сообщений кандидатам.
• Создание программ адаптации
• Разработка систем мотивации
• Корпоративная база знаний
• Практика: создание программы адаптации на первые 30 дней работы в компании.
• AI во внутрикоме: коммуникационная стратегия и контент-план
• Создание креативных постов в соцсетях
• Практика: создание GPT-агента для внутрикома

Курс по применению ИИ в HR для автоматизации подбора, аналитики и коммуникации с кандидатами. Без кода, с практическими инструментами: скрининг резюме, генерация вакансий и вопросов для интервью, создание дашбордов прогноза текучести и закрываемости, а также мультимедийный контент для кандидатов. Вы научитесь учитывать этику ИИ и требования GDPR, сокращать рутину и повышать точность отбора. В ходе занятий вы получите готовые промпты, письма и примеры интеграций, которые можно внедрить сразу после обучения.

• Базовые понятия ИИ, LLM, нейросети.
• Актуальные иностранные и отечественные модели и их различия.
• Этические и правовые аспекты применения ИИ.
• Как ИИ уже используют в HR (примеры реальных компаний).

Практика: разбор HR-кейсов — где применять ИИ. Построение списка HR-задач для автоматизации в своей компании. Принципы эффективных промптов. Шаблоны промптов под разные задачи: скрининг резюме, письма кандидатам, отчеты.

Практика: написание текстов вакансий. Генерация вопросов для интервью и резюме по профилю вакансии. Написать промпт для анализа 100 резюме и вывода ТОП-5 кандидатов. Сгенерировать персонализированный отказ с улучшением по feedback-петле.Что такое GPT-агент, как работает.

Сценарии: скоринг резюме, ответы кандидатам, обучение. Ранжирование кандидатов. Алгоритмы сопоставления и маршрутизации.

Практика: загрузка резюме, анализ, выдача релевантных кандидатовМетрики: потребность, текучесть, эффективность подбора.

Анализ неструктурированных данных.

Практика: создание дашборда (Google Sheets или Yandex DataLens). Использование ИИ для обработки Excel / PDF / фидбека. Обзор: Midjourney, Kandinsky, Synthesia, ElevenLabs и др. Использование визуального контента в бренде работодателя, адаптации.

Практика: создание баннера и видео-приветствия. Озвучка письма / ролика для кандидатов.Цифровые ассистенты и чат-боты в адаптации. Автоматизация коммуникации после оффера.

Практика: сценарии и цепочки писем / ботов.Методология формирования аналитических отчетов.

Практика: сбор вакансий с помощью ИИ-расширений. Презентации результатов практических занятий.

ИИ теперь работает на аналитика — автоматизируйте рутину и усиливайте экспертность. Что такое LLM: концепция работы, основные возможности и ограничения. Место ИИ в деятельности бизнес-аналитика. Обзор популярных моделей: YandexGPT, Qwen, DeepSeek — выбор под задачи BA. Этические и юридические аспекты: ответственность, галлюцинации, байесы. Практика: Тестирование модели: задать несколько вопросов и обсудить результаты. Диагностика: "Какой я пользователь ИИ?" Принципы эффективного промптинга: конкретность, контекст, структура. Техники: Zero-shot, Few-shot, температура, формат вывода. Паттерны промптов для типовых задач BA: анализ требований, суммирование, user story. Практика: Разработка "библиотеки промптов": Групповая работа: выбрать 2–3 задачи BA и создать шаблоны промптов. Сравнение результатов на разных моделях. Упражнение: исправить "плохой" промпт. Как автоматизировать создание ЧТЗ, BRD, user story, писем, отчетов. Работа с шаблонами и стандартами документирования. Практика: Задание: написать фрагмент технической документации (например, требования или сценарий). Задание: составить электронное письмо руководству на основе протокола встречи. Анализ текстовых данных: отзывы, протоколы, интервью. Выявление ключевых тем, тональности, проблем. Q&A Практика: Анализ набора отзывов клиентов: Классификация по категориям, Выделение главных проблем, Предложения по улучшению. Извлечение информации из протокола встречи. Chain-of-Thought (CoT), управление ролью, JSON/XML-формат. Цепочки промптов: как разбивать сложные задачи. Практика: Задание: создать модель данных на основе текстового описания. Задание: построить цепочку промптов для анализа требований → user story → тест-кейсы. Использование ИИ для анализа и улучшения процессов. Выявление узких мест, дублирования, предложений по оптимизации. Создание диаграмм BPMN с помощью LLM. Практика: Анализ описания процесса и выявление проблем. Генерация предложений по оптимизации. Создание диаграммы BPMN на основе текстового описания. Анализ влияния изменений на систему. Автоматизация создания документации по изменениям. Генерация тест-кейсов на основе требований. Практика: Анализ влияния изменения на существующую систему. Генерация тест-кейсов для реализации нового требования. Безопасность и этика использования ИИ: bias, авторство, конфиденциальность. Примеры галлюцинаций и методы их распознавания. Интеграция ИИ в процессы CI/CD: концепция и примеры. Практика: Обсуждение кейсов: этические дилеммы при использовании ИИ. Упражнение: найти ошибки в "галлюцинированном" ответе ИИ.

Овладейте искусственным интеллектом для максимально эффективного тестирования ПО. Что такое генеративный ИИ и LLM Как работают LLM (на пальцах): трансформеры, обучение, контекст Обзор популярных моделей: ChatGPT, Gemini, Claude, YandexGPT, Qwen — их особенности для QA Этические аспекты, ограничения, галлюцинации Практика: Знакомство с интерфейсами LLM Первые промпты: простые запросы Сравнение ответов разных моделей Анализ точности и полезности ответов Генерация чек-листов, тест-кейсов, сценариев Создание входной и выходной документации Автоматическое формирование отчетов по результатам тестирования Практика: Написание промптов для генерации чек-листов Создание тест-кейсов из требований Автоматическое формирование отчета по багам Адаптация промптов под разные модели Генерация тест-данных Симуляция пользовательского поведения Формулировка и оформление баг-репортов Уточнение шагов воспроизведения Практика: Генерация набора тестовых данных Получение идей для нестандартного тестирования Оформление и улучшение баг-репортов Переписывание непонятных описаний Генерация автотестов (Selenium, Playwright и др.) Помощь в написании SQL-запросов, API-запросов Работа с шаблонами и примерами (few-shot prompting) Цепочка рассуждений (Chain-of-Thought) Практика: Написание простых автотестов с помощью ИИ Генерация API-запросов по спецификации Проверка и оптимизация SQL-запросов Создание шаблонов для повторяющихся задач Проверка соответствия стандартам UX/UI Поиск типичных ошибок дизайна Генерация идей для улучшения юзабилити Практика: Использование ИИ для проверки доступности и удобства Анализ скриншотов (при наличии multimodal моделей) Генерация предложений по улучшению интерфейса Промпты для анализа логики кода Выявление уязвимостей и антипаттернов Проверка соответствия требованиям Обнаружение дублирования, проблем в тестах Практика: Анализ фрагментов кода на безопасность и качество Проверка тест-сценариев на наличие антипаттернов Декомпозиция требований на user stories Оценка и доработка сгенерированных тестов Встраивание ИИ в ежедневную работу тестировщика База промптов для разных задач Шаблоны и менеджеры промптов Внедрение в команду: обучение, внедрение, мотивация Практика: Разработка персонального набора полезных промптов Работа с системами управления задачами через ИИ Обсуждение: как внедрить промпты в свою команду Мозговой штурм: идеи автоматизации и оптимизации Реальные кейсы использования промптинга в QA Лучшие практики, распространенные ошибки Критическое мышление при работе с ИИ Практика: Финальное задание: Создать комплексный набор тест-кейсов Сгенерировать отчет по багам Проверить качество тестов и кода Обсуждение решений, обмен опытом Демонстрация полученных результатов

Освойте использование ИИ для ускорения разработки и повышения качества кода с нашим курсом! Что такое LLM и как они помогают разработчику Обзор: OpenAI Codex, GitHub Copilot, Cursor, Trae, Windsurf Этические аспекты и ограничения Галлюцинации в коде: как распознавать и проверять Практика: Знакомство с интерфейсами Первые промпты для генерации функций Сравнение ответов разных инструментов Анализ точности и полезности Особенности каждого инструмента: OpenAI Codex — мощь генерации Cursor — IDE-подобный подход к взаимодействию с GPT Trae — работа с контекстом и Git Windsurf — визуальное управление кодом Как выбрать подходящий под задачи команды Практика: Генерация простых скриптов и функций Работа с Git через ИИ Улучшение существующего кода Автоматизация повторяющихся задач Базовые техники промпт-инжиниринга Few-shot, Chain-of-Thought, Role prompting Как задавать конкретные задачи Примеры успешных промптов Практика: Генерация утилит по описанию Создание CLI-инструментов Написание REST API из промпта Оценка и доработка сгенерированного кода Как масштабировать проекты с помощью ИИ Управление модулями, зависимостями, версиями Поддержка актуальной документации Работа с несколькими файлами и контекстом Практика: Генерация архитектурных решений Рефакторинг больших частей кода Проверка совместимости между модулями Поддержка README и CONTEXT-документов Как создавать Implementation Plan Учет тестирования, зависимостей, покрытия Интеграция с GitHub и Jira Проверка логики решения до написания кода Практика: Генерация плана реализации Проверка на логические ошибки Переписывание и уточнение плана Использование плана как основы для Pull Request Архитектурная документация (README, AGENTS, CONTEXT) Как поддерживать её в актуальном состоянии Документирование изменений вместе с кодом Интеграция с CI/CD Практика: Автоматическое обновление README Генерация CONTEXT-файлов Проверка соответствия документации коду Обновление артефактов при каждом коммите Как внедрить ИИ в daily routine Проверка и одобрение кода от ИИ Ответственность за результат Работа с несколькими LLM-агентами Практика: Разработка фичи через "задача → план → выполнение" Отправка результата в Git Проверка и рецензирование Обсуждение: как сделать процесс предсказуемым Лучшие практики использования ИИ в разработке Критическое мышление при работе с ИИ Возможности и ограничения современных инструментов Практика: Финальное задание: Получить задачу Составить Implementation Plan Сгенерировать код Проверить и отправить в Git Обсуждение решений, обмен опытом Демонстрация полученных результатов

Руководителям в госсекторе: курс даёт практические инструменты применения ИИ — от постановки задач разработчикам до внедрения агентов и обеспечения юридической безопасности. Вы научитесь составлять эффективные промпты для подготовки справок, распоряжений и протоколов, а также разберётесь, чем ИИ-агент отличается от чат-бота. Вы узнаете, как контролировать подрядчиков, внедрять ИИ без сопротивления коллектива и сохранять принцип «человек в контуре». В курсе — реальные кейсы, без погружения в код, с упором на управленческие решения.

1.1. Что требует Правительство РФ: цифровая зрелость, поручения Госсовета. Разбор распоряжений Правительства РФ о внедрении ИИ-сервисов. Обзор сервисов аппарата правительства. Понятие агентного ИИ (Agentic AI).

1.2. Юридический практикум и данные: Риски: ответственность, ПДн, гостайна. Как обеспечить качество данных. Межведомственное взаимодействие. Работа с чувствительной информацией.

2.1. Что такое большие языковые модели (LLM), агентный ИИ (Agentic AI). Обзор доступных инструментов (отечественные решения). Чем агент отличается от чат-бота. Как читать ТЗ и не дать подрядчику обмануть. Примеры: контроль поручений, автоматизация МФЦ, мониторинг соцсетей / СМИ. Как ставить ТЗ разработчикам.

2.2. Мастер-класс: промпт-инжиниринг для руководителя. Упражнение: как правильно попросить ИИ подготовить справку, проект распоряжения или протокол. Разбор конкретных промптов.

Как ставить задачи разработчикам: цели, границы автономности, интеграция с ведомственными системами. Кейсы: «Агент контроля поручений», «Агент подготовки выплат».

Риски: утечки, «галлюцинации», предвзятость алгоритмов. Принцип «человек в контуре». Как внедрять, чтобы не травмировать коллектив. Коммуникационная стратегия.

Курс посвящён системному внедрению ИИ в телеком-операторах: от дорожной карты до промышленной эксплуатации мультиагентных систем. Вы научитесь ставить задачи ИИ-агентам, выстраивать операционную модель с принципом «человек в контуре», оценивать ИИ-зрелость подразделения и выбирать точки с максимальным ROI.

Практикумы включают создание персонального ИИ-ассистента, аудит ИИ-зрелости и проектирование агента для сетевой эксплуатации (кейс «деградация сервиса»).

1.1. Новая реальность: от экспериментов к эксплуатации. Почему 2026 год стал переломным: ИИ как базовая инфраструктура, а не витрина инноваций. Что такое ИИ-агенты и мультиагентные системы, и почему они меняют правила игры. Ключевые тренды: физический ИИ, объяснимый ИИ.

1.2. Экономика ИИ: как считать окупаемость инвестиций (ROI) и ставить KPI. Оценка ИИ-зрелости компании / подразделения. Метрики успеха: от снижения операционных затрат до роста выручки за счет новых возможностей. Анализ провалов: почему 90% ИИ-пилотов не доходят до внедрения и как войти в 10% успешных проектов.

Практика: аудит ИИ-зрелости и поиск точек роста. Работа с чек-листом для оценки своего подразделения. Участники заполняют матрицу приоритетных задач, где внедрение ИИ обеспечит максимальную окупаемость инвестиций (ROI).

2.1. Введение в ИИ-агентов. Принципы работы «команды ИИ-агентов»: финансы, логистика, аналитика как отдельные «цифровые сотрудники». Как ставить задачи агентам и контролировать их исполнение. Принцип «человек в контуре» (Human-in-the-loop).

2.2. Инструментарий руководителя: промпт-инжиниринг. Как общаться с ИИ, чтобы получать не просто текст, а готовые аналитические выкладки и сценарии. Создание промптов для рутинных задач: анализ отчетов, подготовка совещаний.

Практика: создание персонального ИИ-ассистента. Участники на практике настраивают простого агента для сбора и первичного анализа данных из открытых источников или предоставленных корпоративных документов.

Результат: готовый инструмент для экономии 3-4 часов в неделю.

3.1. Архитектура доверия: объяснимый ИИ и безопасность. Проблема «черного ящика»: как проверять решения, принятые ИИ. Принципы объяснимого ИИ (XAI) для руководителей: почему модель приняла такое решение? Кибербезопасность ИИ: защита от отравления данных и промпт-инъекций.

3.2. Дорожная карта внедрения: от пилота к масштабированию. Разработка стратегии: пилотный проект, сбор обратной связи, доработка, тиражирование. Работа с возражениями персонала: как мотивировать команду использовать ИИ.

Практика: карта рисков и план коммуникации. Участники в группах разрабатывают план внедрения ИИ-инструмента, уделяя особое внимание рискам и способам их минимизации, а также программе обучения сотрудников.

4.1. Архитектура автономных сетей (Agentic AI for Telecom). Концепция Zero-Touch Operations: Как ИИ-агенты берут на себя управление сетью. От SDN / NFV к сетям, которые самооптимизируются. Кейс: мультиагентная система управления RAN (Radio Access Network). Три агента: мониторинг (следит за KPI), конфигурация (меняет параметры), валидация (проверяет результат и откатывает изменения, если стало хуже). Тренд 2026 года: конвергенция ИТ и ОТ (Network Operations). Как объединить данные с базовых станций с биллингом и CRM для сквозной аналитики.

4.2. Борьба с «серебряным цунами» и сохранение экспертизы. Проблема: уход опытных инженеров, настройщиков сетей старой школы. Решение: превращение опыта ветеранов (инструкции, чек-листы, истории решения аварий) в базы знаний для RAG-систем. Кейс: ассистент полевого инженера на базе Vision Language Models (VLM) + AR-очки. ИИ подсказывает, какой порт проверить и какой ключ вставить, глядя на оборудование через камеру.

4.3. Гиперперсонализация и Agentic Commerce в телекоме. ИИ-агенты для управления жизненным циклом клиента: Агент подбора тарифа: анализирует поведение абонента (трафик, поездки, приложения) и предлагает смену тарифа до того, как клиент потратил деньги в роуминге. Агент проверки качества: сам инициирует диалог, если видит падение скорости на проблемном участке, и предлагает скидку или бонусы. Агент техподдержки: замена IVR-меню. Клиент объясняет проблему, агент сам обращается к интерфейсу, проверяет статус услуги и решает вопрос, а не просто ищет статью в базе знаний.

Практика: проектирование ИИ-агента для сетевой эксплуатации. Кейс: внезапная деградация сервиса на районе / рост числа жалоб. Задание: участники делятся на группы (Эксплуатация, Маркетинг, Клиентский сервис). Используя конструктор (песочницу), они проектируют сценарий работы мультиагентной системы: агент-монитор (сеть) замечает аномалию. Агент-диагност (RAG по базе знаний) предлагает 3 гипотезы и действия по их проверке. Агент-коммуникатор (клиентский сервис) принимает решение: кому из абонентов отправить пуш-уведомление с извинениями и промокодом, а для кого это некритично.

Результат: прототип бизнес-логики взаимодействия ИИ-агентов для сокращения времени простоя (MTTR) и сохранения лояльности абонентов.

Курс-интенсив для финансовых руководителей, которые хотят перейти от разрозненных пилотов к реальной эксплуатации ИИ. Вы сможете построить дорожную карту масштабирования ИИ в своей компании: от оценки ИИ-зрелости и выбора точек с максимальным ROI до построения мультиагентных систем и соблюдения требований регуляторов (ЦБ, FATF). Научитесь ставить задачи ИИ-агентам, выстраивать операционную модель с принципом «человек в контуре», а также внедрять объяснимый ИИ (XAI) для прозрачности решений, принимаемых моделями.

Практикумы включают создание персонального ИИ-ассистента, аудит ИИ-зрелости подразделения и сценарное управление рисками. Программа обучения создана для управленцев без технического бэкграунда.

1.1. Новая реальность: от экспериментов к эксплуатации. Почему 2026 год стал переломным: ИИ как базовая инфраструктура, а не витрина инноваций. Что такое ИИ-агенты и мультиагентные системы, и почему они меняют правила игры. Ключевые тренды: физический ИИ, объяснимый ИИ.

1.2. Экономика ИИ: как считать окупаемость инвестиций (ROI) и ставить KPI. Оценка ИИ-зрелости компании / подразделения. Метрики успеха: от снижения операционных затрат до роста выручки за счет новых возможностей. Анализ провалов: почему 90% пилотов не доходят до внедрения и как войти в 10% успешных.

Практика: аудит ИИ-зрелости и поиск точек роста. Работа с чек-листом для оценки своего подразделения. Участники заполняют матрицу приоритетных задач, где ИИ даст максимальную окупаемость инвестиций (ROI).

2.1. Введение в ИИ-агентов. Принципы работы «команды ИИ-агентов»: финансы, логистика, аналитика как отдельные «цифровые сотрудники». Как ставить задачи агентам и контролировать их исполнение. Принцип «человек в контуре» (Human-in-the-loop).

2.2. Инструментарий руководителя: промпт-инжиниринг. Как общаться с ИИ так, чтобы получать не просто текст, а готовые аналитические выкладки и сценарии. Создание промптов для рутинных задач: анализ отчетов, подготовка совещаний.

Практика: создание персонального ИИ-ассистента. Участники на практике настраивают простого агента для сбора и первичного анализа данных из открытых источников или предоставленных корпоративных документов.

Результат: готовый инструмент для экономии 3-4 часов в неделю.

3.1. Архитектура доверия: объяснимый ИИ и безопасность. Проблема «черного ящика»: как проверять решения, принятые ИИ. Принципы объяснимого ИИ (XAI) для руководителей: почему модель приняла такое решение? Кибербезопасность ИИ: защита от отравления данных и промпт-инъекций.

3.2. Дорожная карта внедрения: от пилота к масштабированию. Разработка стратегии: пилотный проект, сбор обратной связи, доработка, тиражирование. Работа с сопротивлением персонала: как мотивировать команду использовать ИИ.

Практика: карта рисков и план коммуникации. Участники в группах разрабатывают план внедрения ИИ-инструмента, уделяя особое внимание рискам и способам их минимизации, а также программе обучения сотрудников.

4.1. Мультиагентные системы в финтехе. Как ИИ-агенты управляют платежами, скорингом и андеррайтингом в реальном времени. Примеры: автономное выставление счетов, динамический кредитный лимит, управление ликвидностью.

4.2. ИИ в борьбе с мошенничеством и соблюдение требований. Продвинутый антифрод на основе поведенческой аналитики и графов знаний. Объяснимый ИИ (XAI) как требование регуляторов (ЦБ, FATF): как доказать, что модель не дискриминирует заявителя.

4.3. Гиперперсонализация и ИИ-советники. Робо-эдвайзинг 2.0: ИИ-советники, предлагающие сложные инвестиционные стратегии и обучающие клиентов. Использование больших языковых моделей для анализа огромных массивов отчетности и поиска инсайтов для инвестиционных решений.

Практика: сценарное планирование и управление рисками. Кейс: «Внезапное изменение ключевой ставки / валютного курса. Как ИИ помогает пересчитать риски по портфелю и предложить сценарии хеджирования?». Участники работают с дашбордом, где ИИ-агент подсвечивает зоны наибольшего риска и предлагает варианты решений для разных классов активов.