academy@academyit.ru
VIBE-CDNG-2
Искусственный интеллект, машинное обучение, нейросети
Вайб-кодинг для бизнес-команд: от идеи к прототипу
-
О КУРСЕНаучим за день собирать прототип агента под бизнес-процесс. Сердце курса — RAG (Retrieval-Augmented Generation: перед ответом модель ищет знание в вашей базе) и actions через API (модель не только отвечает, но и делает действие: создаёт заявку, заполняет карточку, готовит черновик).
ФОКУС:
командная работа над реальными процессами (закупки, поддержка, HR, финансы)
ИТОГ:
общий командный прототип (бот/конвейер/RAG-ассистент) + карточки ROI и план пилота
Внутренние инициативные лидеры, готовые довести прототип до пилота
Кросс-функциональные команды (операции/саппорт, продажи-опс, HR-опс, закупки)
Продакт-менеджерыㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤ
Аналитики
-
Получаемый документ
-
Содержание программы:Модуль 1.Диагностика и постановка задач
- Карта процессов: где больше «копипасты» и задержек.
- Формализация кейса: входы/выходы, SLA, критерии успеха.
- Выбор модели/режима: отечественный/зарубежный, облако/on-prem.
- Политика данных: доступы, маскирование, хранение.
- План дня и роли в мини-командах.
Модуль 2. RAG за один день (ассистент на ваших документах)- Подготовка корпуса: регламенты, FAQ, письма, метаданные.
- Индексация/эмбеддинги/релевантность простыми словами.
- Ответ с цитатами источников и ссылками.
- Быстрый UI для внутреннего ассистента.
- Тест-набор вопросов: приёмка качества.
Модуль 3. Агенты и API: от запроса к действию- Function calling: как заставить LLM «делать» действия.
- Подключения: таблицы/CRM/почта/задачник (через готовые коннекторы).
- Мультишаговые сценарии: запрос → проверка → сводка → письмо/задача.
- Обработка ошибок, ретраи, тайм-ауты.
- Логи и мониторинг: что сломалось и где посмотреть.
Модуль 4. Экономика и масштабирование- Расчёт пользы: время/стоимость до и после.
- Лимиты, квоты, бюджетирование инференса.
- Роли и ответственность: владелец процесса/ассистента.
- Каталог шаблонов для отделов, версионирование.
- План «MVP → пилот → масштаб» на 4 недели.
-
По окончании курса слушатели смогут:
◉ собирать рабочий RAG-контур с ответами и цитатами на своём корпусе
◉ проектировать и подключать одно действие агента через API
◉ настраивать базовый контроль качества: тест-вопросы, логи, ретраи, «не знаю» при низкой уверенности
-
Необходимая подготовка
- описанный процесс и KPI (что считаем успехом)
- пример данных/документов для RAG (10–30 документов)
- доступ к одной интеграции (Google Sheets/Notion/Jira/почта) или её «песочнице»
