Лекция 1. Что такое AI? История, классификация, общие понятия¶
Лекция 1 · ~75 мин · 36 слайдов
Идентификация людей в реальном времени¶
[Включаю ноутбук, проектор показывает live-кадр с веб-камеры. На лицах в зале — bounding boxes. Счётчик «N people detected» обновляется.]
«Здравствуйте. Прежде чем я скажу хоть одно слово про AI — посмотрите на проектор.
[пауза 3 секунды, дать аудитории осмотреться]
То, что вы видите — это ноутбук. Обычный ноутбук. На нём запущена модель компьютерного зрения. Она обучена в две тысячи двадцать третьем году. Она видит вас впервые — никаких ваших фотографий в обучающей выборке нет. И она работает локально. [пауза] Без интернета. Без облака. Без подписки. Без отправки данных кому бы то ни было.
[понизить голос]
Это и есть AI. Не магия, не угроза, не «будущее, которое наступит» — а инструмент, который работает прямо сейчас, на одном ноутбуке, в этой аудитории.
Это narrow AI — узкий AI. Модель решает одну задачу: найти людей в кадре. Больше ничего. Она не понимает, кто вы. Не знает ваших имён. Не делает выводов. Просто детекция объектов класса «человек».
[Backup-фраза, если демо упало: «Сегодня проектору не повезло — но вот скриншот того же демо, запущенного вчера. Видите два прямоугольника на лицах? Это и есть результат: модель в реальном времени, на CPU, без облака, тридцать кадров в секунду.»]
Сегодня за семьдесят пять минут мы с вами пройдём по основным архетипам AI-инструментов. Не для того, чтобы вы запомнили названия — для другого. Чтобы научились отличать: где AI работает, где не работает, и как это понять заранее, до того как вложили в него три месяца разработки.»
[Свернуть камеру, перейти на s00a.]
Добро пожаловать¶
[На слайде — крупный заголовок курса, тонированный фон, без декоративной «01» и без Ocean rounded box.]
«Пара слов о курсе. Это курс «Отраслевое применение систем искусственного интеллекта» — про AI в реальных индустриях: от разработки ПО и финансов до авиакосмоса и медицины.
Курс не про обучение моделей с нуля. Он про то, как грамотно выбирать и внедрять готовые AI-решения. Сегодня — первая лекция, вводная.»
[Переход на s00b.]
Главный вопрос курса¶
[На слайде — воронка 100% → 10% слева (gold endpoint), главная мысль курса и центральный вопрос курса справа.]
«Вопрос «можно ли применить AI» уже неинтересен. Можно. Девятьсот миллионов человек пользуются ChatGPT каждую неделю. Это давно инфраструктура.
[указать на воронку]
А вот вопрос «нужно ли и где» — открытый. Смотрите на воронку слева: около девяноста процентов корпоративных AI-пилотов в России не доходят до промышленного развёртывания. Похожие цифры — и на других рынках, по McKinsey и Gartner.
[пауза]
Массовое распространение и массовый провал одновременно — центральная инженерная задача курса. Поэтому главный вопрос звучит не «можно ли», а «где AI работает, где — нет, и как это понять заранее». Это диагностический вопрос, не триумфальный. К нему мы с вами будем возвращаться каждую лекцию курса.»
[Переход на s02.]
Cover¶
[На слайде — крупная цифра «01», заголовок, подзаголовок.]
«Лекция первая. Что такое AI? История, классификация, общие понятия.
Это первая из семнадцати лекций курса. Сегодня — общая карта. Дальше будем спускаться в детали.»
[Пауза 2 секунды. Переход на s02a.]
План лекции¶
[На слайде — горизонтальный timeline из 5 цветовых блоков, тот же визуальный паттерн, что у карты семестра s29; текущий раздел (0) подсвечен gold.]
«Коротко — навигация. Пять разделов. Сейчас — введение. Дальше: что такое AI; где мы сейчас; четыре способа реализации — самый большой раздел; и границы AI.»
[Переход на s05a.]
Кто я и почему мне это важно¶
[На слайде — портрет и имя преподавателя слева, справа заголовок-специализация и 3 карточки: опыт, экспертиза, компании.]
«Коротко о себе.
Я архитектор, технический и продуктовый лидер в ИТ — больше двадцати лет, больше десяти завершённых проектов.
[указать на карточку компаний]
Работал с Яндексом, МТС, Магнитом, Сибуром. Разные индустрии, и в каждой AI применялся по-своему. Поэтому меня интересует не разговор про «искусственный интеллект вообще», а инженерная граница: где AI экономит время, а где — демонстрация, разваливающаяся в продакшене.
Этот курс — карта, которой не было у меня в начале пути. Границам будет уделено столько же внимания, сколько успешным кейсам.
Вопросы вне лекции — контакты на слайде.»
[Переход на s05c.]
Раздел 1. Что такое AI¶
[На слайде — divider: большое «Раздел 1», title «Что такое AI», 1-фраза-фрейм «Определения, история, классификация», roadmap-bar внизу с gold-подсветкой текущей секции.]
«Мы познакомились и обозначили главный вопрос курса. Это первый раздел из пяти — что такое AI.
Структура раздела короткая, но плотная: сначала — почему определений AI много, затем факт-мостик из тысяча девятьсот сорок третьего года, и в финале — сжатый семидесятилетний таймлайн с чёткой точкой перелома.»
[Переход на s06.]
Что такое AI: почему определений много¶
[На слайде — 2×2 grid из 4 подходов + AI Effect callout снизу.]
«Одного канонического определения у AI нет. Это отражение природы предмета: AI — движущаяся цель. Мы с вами держим в голове четыре подхода.
[пройти по карточкам]
Russell и Norvig: четыре квадранта «думание / действие» × «человек / рациональность». Академическая рамка.
Стандарт ISO/IEC 22989: AI — система, генерирующая контент, прогнозы, рекомендации, решения для целей, заданных человеком. Им пользуются регуляторы.
Через обучение: программа улучшается за счёт опыта. Если поведение — набор правил, это не AI; если из обученной модели — AI.
Через бенчмарки: что-то умеет на уровне человека. Здесь живёт дискуссия про AGI и возражение Сёрла про китайскую комнату.
[callout]
Главное — почему определение сдвигается. Larry Tesler: «AI is whatever hasn't been done yet». Распознавание лиц, навигация, спам-фильтр — в момент появления были AI, сейчас «функция приложения». Это AI Effect.
Не выбирайте один подход как правильный — все четыре рабочие.»
[Переход на s06a.]
Предыстория: 1943¶
[На слайде — компактный факт-слайд: 1943 (Мак-Каллок — Питтс) vs 1956 (Дартмут), gold-акцент на «13 лет».]
«Прежде чем идти по истории AI — один факт-мостик.
[указать на 1943]
Ещё до появления термина «искусственный интеллект» нейрофизиолог Уоррен Мак-Каллок и логик Уолтер Питтс формализовали нейрон как логический элемент: сеть таких простых бинарных элементов теоретически может вычислить любую логическую функцию. Статья вышла в тысяча девятьсот сорок третьем году.
[указать на разрыв, «13 лет»]
Это на тринадцать лет раньше Дартмутской конференции пятьдесят шестого, где термин «artificial intelligence» появится впервые.
[пауза]
Формальный нейрон не решал прикладных задач, но предвосхитил коннекционистскую традицию — линию мысли, из которой вырастут нейросети и архитектуры вроде Трансформера.
Держите в голове: идея нейросети старше термина «искусственный интеллект». Дальше — история с пятьдесят шестого.»
[Переход на s07.]
Семьдесят лет AI: открытия, зимы, точка перелома 2017¶
[На слайде — горизонтальная линия 1950 → 2026, три группы, gold-точка на 2017, callout снизу про статью Vaswani.]
«Сжатый таймлайн в трёх группах — семьдесят лет, считая с пятьдесят шестого, когда появился сам термин.
[первая группа]
Открытия и первая практика, пятидесятые — восьмидесятые. Пятидесятый — Тьюринг публикует «Imitation Game». Пятьдесят шестой — Дартмутская конференция, McCarthy, Minsky, Rochester и Shannon вводят термин «artificial intelligence». Шестьдесят шестой — Weizenbaum создаёт ELIZA, программу-психотерапевта: пользователи приписывают ей понимание, которого там нет — «эффект ELIZA». Восьмидесятые — коммерческий бум экспертных систем: XCON, MYCIN, Dendral; Япония запускает «Пятое поколение».
[вторая группа]
Две зимы и прорывы, семьдесят четвёртый — две тысячи двенадцатый. Семьдесят четвёртый — восьмидесятый — первая зима AI: после доклада Lighthill и сокращения DARPA поле теряет деньги. Восемьдесят седьмой — девяносто третий — вторая зима: рынок AI-машин рушится, экспертные системы оказываются хрупкими. Девяносто седьмой — IBM Deep Blue побеждает Каспарова: двести миллионов позиций в секунду перебором. Две тысячи двенадцатый — AlexNet выигрывает ImageNet с резким отрывом: глубокие свёрточные сети на GPU бьют ручные признаки.
[указать на панель «Зимы и прорывы»]
Обратите внимание на подпись под этой панелью: ресурсы уходят, когда обещания не сбываются. Именно так работали обе зимы — не из-за отсутствия идей, а из-за разрыва между обещанным и реально работающим. Урок: когда обещания массово не сбываются, поле теряет ресурсы. Сегодняшняя волна — четвёртая, пока избегает зимы, потому что часть обещаний сбывается. Но не все сбудутся. Различайте работающее сейчас и обещанное на две тысячи тридцатый.
[третья группа, gold-точка на 2017]
Точка перелома, две тысячи семнадцатый — двадцать шестой. Отсюда выросло всё, чем мы пользуемся сегодня.
В июне семнадцатого года восемь авторов из Google Brain и Google Research публикуют «Attention Is All You Need»: Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhin.
До семнадцатого года основной архитектурой для последовательностей были рекуррентные сети — RNN и LSTM: токены обрабатываются по очереди, плохо параллелятся на GPU, плохо помнят длинный контекст. Vaswani и соавторы предложили механизм self-attention и архитектуру Трансформер без рекуррентности вообще — он заменил RNN и LSTM как основной строительный блок.
[callout]
На май двадцать шестого у статьи — больше ста шестидесяти тысяч цитирований по Google Scholar. Влиятельная работа за жизнь набирает тысячи; сто шестьдесят тысяч за восемь лет — редкость даже для нобелевской.
Почему именно семнадцатый стал точкой перелома. Совпали три свойства: параллельная обучаемость на больших корпусах; хорошее масштабирование — больше данных и параметров, выше качество, нелинейно (scaling laws); и универсальность — одна конструкция работает с текстом, изображениями, аудио, биологическими последовательностями.
К двадцатому году появился GPT-3, к двадцать второму — ChatGPT. Все современные большие модели — потомки одной статьи семнадцатого года.
Механику Трансформера разберём позже, когда будем смотреть на устройство современных больших моделей.»
[Переход на s07a.]
Раздел 2. Где мы сейчас¶
[На слайде — divider: большое «Раздел 2», title «Где мы сейчас», 1-фраза-фрейм «AI как инфраструктура, прорывы 2023–2026», roadmap-bar внизу с gold-подсветкой текущей секции.]
«Раздел два из пяти. Разобрались, что такое AI. Дальше — где он сейчас, в двадцать шестом году.
Сначала — масштаб в цифрах, затем — прорывы от команд, которые не были очевидными фаворитами. Раздел короткий, но задаёт масштаб: AI одновременно везде и почти нигде не доведён до конца.»
[Переход на s08.]
AI стал инфраструктурой за 3 года¶
[На слайде — сетка из 4 метрик: 900M / 51% / 46% / $390,9B→$539,5B + gold counter-fact «90% откатов».]
«За три года AI стал инфраструктурным слоем. Несколько показательных цифр.
[пройти по сетке]
ChatGPT — около девятисот миллионов еженедельно активных пользователей на февраль двадцать шестого. Именно еженедельно, не ежемесячно — за месяц выше.
Stack Overflow Developer Survey двадцать пятого, сорок девять тысяч разработчиков из ста семидесяти семи стран — восемьдесят четыре процента используют или планируют использовать AI; пятьдесят один процент обращаются к AI ежедневно.
GitHub Copilot — у регулярных пользователей AI пишет до сорока шести процентов строк кода, для Java — шестьдесят один.
[указать на цифру рынка]
Объём AI-рынка. По Grand View Research двадцать шестого года — триста девяносто целых девять десятых миллиарда долларов в двадцать пятом, с прогнозом роста до пятисот тридцати девяти с половиной миллиардов в двадцать шестом. По узкому software-only Statista — ниже, около двухсот сорока четырёх — двухсот шестидесяти миллиардов. Разброс — от того, что считать AI-рынком: модели, инфраструктура, встроенный AI, интеграция. Сравниваете цифры рынка AI — сначала сравните методологии.
[gold counter-fact]
Обратная сторона. По сводке CNews, Vedomosti, Intellectual Analytics, март двадцать шестого — около девяноста процентов AI-пилотов в России не доходят до промышленного развёртывания. Тридцать-сорок процентов закрываются без эффекта, только семь-десять — в эксплуатации.
Деталь про доверие. По Stack Overflow — сорок шесть процентов разработчиков не доверяют точности AI-кода против тридцати одного годом ранее. Кажется противоречием: использование растёт, доверие падает? На самом деле обе цифры согласованы — общий тренд это рост проникновения, а оценка точности критичнее, потому что разработчики научились видеть, где AI ошибается. Это не «доверие падает», а «доверие становится более нюансированным». К галлюцинациям вернёмся в четвёртом разделе.
Контекст лекции. AI — уже инфраструктура с массовым внедрением и массовым же провалом. Разница между этими картинами — место, где работает инженерное мышление, и где мы с вами проводим следующие шестьдесят минут.»
[Переход на s09.]
Пространство открыто: четыре прорыва 2023–2026¶
[На слайде — четыре карточки по горизонтали в Ocean rounded boxes: Mistral 7B / DeepSeek R1 (gold) / OpenClaw / llama.cpp-ggml.ai.]
«Глядя на цифры с прошлого слайда, легко решить — «всё уже сделано, лидируют крупнейшие игроки». Это впечатление обманчиво. За три года — четыре громких эпизода. Каждый показывает: пространство открыто.
[первый — Mistral 7B]
Сентябрь двадцать третьего, Mistral 7B. Небольшая французская лаборатория, основанная в начале того же года выходцами из Meta и Google DeepMind, выпускает модель под Apache 2.0. Mistral 7B обходит Llama-2 13B — почти вдвое большую модель. Урок: небольшая команда может выпустить модель уровня крупных игроков за считанные месяцы.
[второй — DeepSeek R1, gold]
Январь двадцать пятого, DeepSeek-R1. Малоизвестная китайская лаборатория публикует открытую reasoning-модель уровня OpenAI o1. Финальный тренировочный прогон V3 — около пяти миллионов шестисот тысяч долларов; полная инфраструктура — на порядки больше, это разные числа. Двадцать седьмого января Nvidia потеряла за один день пятьсот восемьдесят девять миллиардов долларов — крупнейшая однодневная потеря капитализации в истории.
[третий — OpenClaw]
Ноябрь двадцать пятого, OpenClaw. Питер Стейнбергер в одиночку запускает автономного AI-агента с открытым кодом. К началу двадцать шестого — больше ста тысяч звёзд на GitHub за квартал. Четырнадцатого февраля Стейнбергер уходит в OpenAI, проект — в non-profit foundation. Урок: один человек с правильным концептом может выпустить агент, меняющий рынок за недели.
[четвёртый — llama.cpp / ggml.ai]
История Георгия Герганова, llama.cpp и ggml.ai. Соло-проект вырос в маленькую команду. Двадцатого февраля она, вместо венчурного финансирования, присоединилась к Hugging Face за поддержку — сохранив автономию.
[пауза]
В марте llama.cpp пересёк сто тысяч звёзд на GitHub — быстрее, чем PyTorch или TensorFlow.
Урок здесь другой. Не «один человек выпустил продукт», а один человек построил инфраструктурный слой, на котором держится вся открытая экосистема — фундамент, позволяющий запускать большие модели на обычном ноутбуке.
Параллельно развиваются и российские инструменты: YandexGPT, GigaChat, T-Bank Talisman, Шедеврум. Подробнее — в лекциях про AI в разработке ПО, финансы и креативные индустрии.
«Пространство открыто» для нас с вами. Курс сосредоточен на устойчивых концептах — они переживают смену поколений моделей.»
[Переход на s10.]
Раздел 3. Четыре способа реализации¶
[На слайде — divider с большим «Раздел 3», маркером «Вы здесь — 3 из 5», 1-фраза-фрейм.]
«Раздел три из пяти. Мы с вами в самом большом разделе сегодняшней лекции, двадцать три минуты. Четыре способа реализации систем с AI: модель, чат, агент, приложение. И главное — простой инструмент выбора между ними.»
[Короткая пауза. Переход на s11.]
Способы реализации с AI: не альтернативы, а слои¶
[На слайде — четыре концентрических слоя (модель → чат → агент → приложение).]
«Ключевая идея раздела. Это не четыре альтернативы. Это четыре способа реализации одной задачи со слоистой структурой. Каждый следующий уровень включает предыдущий.
[пройти от внутреннего к внешнему]
Модель — stateless-инференс на одной задаче. На вход данные, на выход предсказание. Без интерфейса, без памяти, без инструментов.
Чат — модель плюс интерфейс плюс память диалога.
Агент — чат плюс инструменты плюс планирование. Возможность вызывать API, читать файлы, выполнять код, и логика выбора инструмента на каждом шаге.
Приложение — агент или чат плюс продуктовый интерфейс. Снаружи обычный продукт; AI работает внутри как один из компонентов.
Не выбирайте «между» уровнями, как будто это альтернативы. Каждое следующее обёртывание добавляет способности — и одновременно сложность, стоимость, потенциал ошибок. К этой слоистой модели мы с вами будем возвращаться весь курс.»
[Переход на s12.]
Классификация: задача × модальность¶
[На слайде — 2D matrix: ось X задача, ось Y модальность, заполнена конкретными примерами.]
«Чтобы говорить про конкретные AI-инструменты одним языком — две оси.
Ось X — тип задачи. Что система производит. Пять типов: классификация, распознавание, поиск, генерация, прогноз.
Ось Y — модальность. С каким типом данных. Текст, изображение, звук-видео, структурированные данные.
Этих двух осей достаточно для нашего курса. Техническая глубина — архитектура нейросети — позже, на лекции про устройство больших моделей.
[указать на ячейку Прогноз × Текст]
Одна ячейка стоит внимания — прогноз на тексте, там GPT-4o и Claude. На первый взгляд странно: разве не генерация? По сути — то же явление. Языковая модель генерирует текст, предсказывая следующий токен, — та же семантика, что и в «Генерации».
[три примера]
Калибровка. Google Translate — генерация на «тексте». AlphaFold — прогноз структуры белка на «структурированных данных». YOLO, наше демо в начале — распознавание на «изображении».
При обсуждении каждого типа реализации мы с вами будем спрашивать: какая задача и какая модальность. Это предотвращает смешение разных по природе систем под общим ярлыком «AI».»
[Переход на s13.]
Одна задача, три способа: квадрант контроля¶
[На слайде — квадрант 2×2 сверху, задача справа. Три точки на диагонали: Модель в левом-нижнем, Чат в центре, Агент в правом-верхнем (gold), с короткой подписью под каждой точкой.]
«Чтобы слоистая модель не была теорией, прогоним её на одной задаче через три способа решения.
[указать на задачу справа]
Задача: извлечь поля из входящего PDF-договора и положить в таблицу. Дата подписания, контрагент, сумма, срок действия. Пять-шесть полей. Знакомая инженерная задача.
[указать на оси квадранта]
Оси квадранта. По горизонтали — делегирование от пользователя: насколько пользователь передаёт AI решение задачи целиком. По вертикали — контроль разработчика: насколько жёсткий каркас он строит вокруг AI. Чем больше пользователь делегирует, тем больше нужен каркас.
Поэтому три способа лягут на диагонали.
[первая точка — Модель в левом-нижнем]
Способ первый — модель. Берём специализированную модель извлечения структурированных полей, например, DocVQA. Пользователь сам интегрирует API: передаёт PDF, получает JSON, кладёт в таблицу. Делегирование низкое — пользователь контролирует каждый шаг. Контроль разработчика тоже низкий — модель это сырая точка доступа без оркестратора. Левый-нижний угол — подпись «сам интегрирует API, полный контроль».
[вторая точка — Чат в центре]
Способ второй — чат. Открываем Claude или ChatGPT в браузере, перетаскиваем PDF в чат, пишем: «извлеки следующие поля». Получаем результат, копируем в таблицу. Делегирование среднее — пользователь сам пишет промпт, читает ответ, проверяет. Контроль разработчика тоже средний — есть системный промпт провайдера, базовые ограничения. Центр квадранта — подпись «диалог, уточнения по ходу».
[третья точка — Агент в правом-верхнем, gold]
Способ третий — агент. Открываем Claude Code в терминале: «Возьми все PDF из этой папки, извлеки поля и собери таблицу». Агент сам решает, какой инструмент использовать, в каком порядке открывать файлы, как обрабатывать ошибки парсинга. Делегирование пользователя высокое — сказал «сделай», ушёл, получил результат. Контроль разработчика тоже высокий — агент работает в рамках оркестратора с правилами разрешения инструментов и логикой возврата ошибок. Правый-верхний угол — подпись «делегирование целиком, оркестратор решает».
[два пустых угла]
Обратите внимание на два пустых угла. Левый верхний — «нет смысла»: зачем строить оркестратор, если пользователь и так решает сам. Правый нижний — «опасная зона»: пользователь отдал задачу AI, а рамок разработчик не предусмотрел.
[live-демо или скриншоты]
[Сейчас покажу все три параллельно — три окна на проекторе. Если демо превышает две минуты — переключиться на скриншоты и резюмировать словами.]
Все три способа решают одну задачу. Разница не в качестве, а в распределении контроля — инженерное решение, которое мы с вами принимаем на старте проекта. Чем больше делегируем — тем жёстче нужен каркас.
Дальше мы с вами разберём подробнее каждый из четырёх типов: модель, чат, агент, приложение.»
[Свернуть демо. Переход на s15.]
Модель: вход → препроцессинг → модель → постпроцессинг → выход¶
[На слайде — eyebrow-пилюля «МОДЕЛЬ», сверху схема из 5 блоков по горизонтали в общей рамке «Это уже приложение», снизу 4 примера моделей.]
«Начнём с нижнего слоя — модели, и дальше мы с вами будем подниматься наверх, слой за слоем.
Модель — обученная нейросеть, которая принимает вход и возвращает выход. Без состояния между вызовами, без инструментов, без диалога. С точки зрения интеграции — самый простой компонент: вызов модели это функция.
[схема]
Важная деталь: модель — это не система, а компонент. В промышленной эксплуатации вокруг неё всегда обвязка. Пять блоков по горизонтали.
Сырой вход — кадр с камеры, текст, аудиосигнал. Препроцессинг — ресайз, нормализация, токенизация. Модель — сам вывод предсказания. Постпроцессинг — фильтрация, форматирование, например отсечение лишних рамок или нормировка вероятностей. Выход — действие, JSON, метка класса.
[указать на внешнюю рамку]
Обратите внимание — весь этот пятиблочный конвейер обведён общей рамкой с подписью «Это уже приложение». Это не случайность визуала: сама по себе модель — только один блок внутри целого. За препроцессинг и постпроцессинг отвечает разработчик системы, не сама модель. Это критично для оценки бюджета. YOLO-детектор сам по себе — пятьдесят строк кода. Но рабочая система — сотни строк: считывание видеопотока, ресайз, нормализация, NMS, упаковка для MES-системы завода. Оценка по объёму работы модели — заниженная в десятки раз.
[4 примера]
Канонические модели. YOLO — детекция объектов, наше демо. Whisper — распознавание речи. Stable Diffusion и SDXL — генерация изображений из текста. AlphaFold — предсказание структуры белка; Хассабис и Джампер получили Нобелевскую премию по химии двадцать четвёртого года.
Когда модель правильный выбор: высокая нагрузка (видеопоток тридцать кадров в секунду — невозможно для чат-интерфейса), стабильная форма входа и выхода, требование детерминированности, edge-развёртывание без интернета.
Когда неправильный: разовый запрос; задача, требующая диалога; задача, которую нельзя свести к одному типу выхода. Дальше — чат.»
[Переход на s16.]
Как работает чат: цикл диалога¶
[На слайде — eyebrow-пилюля «ЧАТ», компактная схема dialog cycle: USER слева в двух ролях, посередине Сообщение и Ответ, справа крупный блок LLM, сверху Системный промпт с gold-стрелкой вниз, под Ответом — растущий блок истории с подписью «весь текст заново на каждом шаге».]
«Снимем магию с чата. На каждой итерации диалога происходит компактный цикл.
[левый столбец]
Слева — пользователь в двух ролях. Сверху отправитель, снизу получатель.
[верхняя горизонталь]
Шаг один. Пользователь пишет сообщение.
[gold-стрелка сверху]
Шаг два. Над сообщением присоединяется системный промпт — заранее заданные разработчиком инструкции: «Ты корпоративный ассистент. Отвечай на русском». Плюс вся история чата с начала сессии. Этот объединённый блок — полный вход для модели.
[блок LLM]
Шаг три. Весь пакет передаётся в LLM как один большой текст. Модель не «помнит» прошлый разговор — каждый раз получает его заново.
[нижняя горизонталь]
Шаг четыре. Модель генерирует ответ токен за токеном; ответ дописывается в историю и показывается пользователю.
[растущий блок истории]
Шаг пять. Смотрите на растущий блок под ответом — история накапливается, и на следующем шаге модель снова получит весь текст целиком, не приращение.
Два важных следствия — две заметки справа.
Первое — системный промпт это инженерный рычаг. Пользователь его не видит, но именно он определяет «характер» чата: тон, роль, ограничения, форматы. Это инструмент инженера задавать рамки.
Второе — ограничение контекстного окна. GPT-4o около ста двадцати восьми тысяч токенов, Claude до двухсот тысяч, Gemini до миллиона. Много, но не бесконечно. Когда история не помещается, старые сообщения выпадают — чат «забывает» детали.
Чат — это конвейер «собрать → подать → дописать → показать».»
[Переход на s17.]
Чат: модель + интерфейс + память диалога¶
[На слайде — eyebrow-пилюля «ЧАТ», слева кейс корпоративного чата, справа gold-tinted card с production-disclaimer.]
«Чат — модель, обёрнутая в текстовый интерфейс с памятью диалога в пределах сессии. Канонические продукты: ChatGPT, Claude, Gemini, DeepSeek Chat, GigaChat, YandexGPT, Mistral Le Chat. Различия в качестве, в длине контекстного окна, в стоимости — паттерн один.
[левая карточка]
Кейс. Инженер получает непонятный нормативный документ с массой ссылок на стандарты. Задача — разобраться и составить чек-лист. Типовой случай для чата: разовая задача, требующая диалога — «что значит этот пункт», «дай пример», «составь чек-лист». Не нужна модель, не нужен агент, нет специализированного приложения.
С чатами связана главная причина провала AI-проектов. Большая часть откатившихся пилотов пыталась чатом решать задачи, для которых нужны были модель, агент или приложение. Чат удобен и доступен — поэтому часто выбирается как универсальный. И это часто неверное решение.
[правая gold-tinted card]
Важная оговорка про практику. Чистые чаты — модель плюс интерфейс плюс короткая память — в промышленной эксплуатации почти не встречаются. Везде чат уже расширен до агента: для долговременной памяти и поиска по корпоративной базе через RAG, retrieval-augmented generation. Граница «чат vs агент» на этой стороне размыта. «Чат без агента» — это интерфейс ChatGPT, Claude.ai, потребительские сервисы. Архитектуру агента разберём на следующем слайде.
Промпт. Минимальная формула: промпт = роль + задача + контекст. Подробно — позже в курсе.»
[Переход на s18.]
Архитектура агента: план, действие, наблюдение, рефлексия¶
[На слайде — eyebrow-пилюля «АГЕНТ». Линейный ReAct pipeline: План → Действие → Наблюдение → Рефлексия, с подписанными коннекторами к Инструментам и Памяти, gold loop-back стрелкой «продолжить» и веткой «стоп → результат пользователю».]
«Агент — следующий слой. По сравнению с чатом у агента три новых компонента.
[схема]
Первое — оркестратор. Смотрит на цель, разбивает на шаги, выбирает инструмент, решает, когда остановиться.
Второе — внешняя память. Векторная база данных, файловая система, лог действий — за пределами одной сессии.
Третье — инструменты. Вызов API, файлы, код, веб-поиск. Каждый инструмент — функция с описанием.
[указать на pipeline]
Смотрите на схему — линейный цикл, базовая модель называется ReAct. План — формулируется план действий. Действие — вызывается инструмент; коннектор снизу показывает обращение к инструментам. Наблюдение — результат записывается в память; коннектор показывает обращение к памяти. Рефлексия — цель достигнута или нужен следующий шаг.
[указать на gold loop-back]
Эта золотая стрелка сверху — петля возврата: если цель не достигнута, рефлексия отправляет обратно к плану. А если достигнута — другая ветка: стоп, результат пользователю.
Формула Лилианы Венг: Agent = LLM + Memory + Planning + Tool Use. Продукты сегодня: Claude Code, Devin, OpenAI Operator, AutoGPT.»
[Переход на s19.]
Агент за работой: 200 PDF — последовательность шагов¶
[На слайде — eyebrow-пилюля «АГЕНТ». Слева кейс «200 PDF», справа 7 пронумерованных шагов с указанием инструмента на каждом, gold-выделение на шаге 7 (orchestrator loop).]
«Конкретный кейс. Двести PDF-отчётов; из каждого извлечь дату, контрагента, сумму, собрать сводную таблицу. Многошаговая задача с инструментами. Не подходит ни модель — нет такой специализированной, ни чат — некомфортно копировать двести файлов. Агент — естественный выбор.
[указать на правую панель]
Посмотрите на правую часть. Семь шагов, на каждом — явный инструмент. Агент не «думает» весь путь сам; он на каждом шаге решает, какой инструмент сейчас нужен.
Шаг один — получить список файлов, файловая система. Шаг два — открыть PDF, чтение PDF. Шаг три — извлечь текст, извлечение текста через OCR или парсер. Шаг четыре — эмбеддинг в векторную базу данных. Шаг пять — найти ключевые поля, поиск плюс LLM-вызов. Шаг шесть — записать строку, Sheets API или CSV. Шаг семь — цикл по двумстам файлам, цикл оркестратора.
Каждый шаг — явный вызов инструмента. Это и есть «агент»: чат плюс оркестрация плюс инструменты плюс память. Канонические сегодня: Claude Code, Devin, OpenAI Operator, AutoGPT, CrewAI, LangGraph.»
[Переход на s19a.]
Уровни автономии + human-in/on/out-of-the-loop¶
[На слайде — eyebrow-пилюля «АГЕНТ». Слева лесенка 5 уровней с русскими названиями и англ. глоссом в скобках (Оператор → Соавтор → Консультант → Утверждающий → Наблюдатель; уровень 5 в gold), справа 4 рамки, снизу gold-takeaway.]
«Уровень автономии агента — инженерное проектное решение, не свойство модели.
[лесенка слева, снизу вверх]
Пять уровней по Feng, McDonald, Zhang. Различаются ролью пользователя — на слайде подписано под каждым.
Оператор — одобряет каждое действие. Claude Code в режиме подтверждения команды. Соавтор — работает наравне с агентом. Парное программирование с Cursor. Консультант — ставит цель, правит план. Devin по тикету. Утверждающий — утверждает на контрольных точках. PR на ревью. Наблюдатель золотым — только получает результат. AutoGPT на ночь.
[правая панель, сверху вниз]
Параллельно — рамка из инженерии безопасности: где человек по отношению к циклу. Порядок тот же, сверху самая автономная.
Вне цикла золотым — только результат, уровень пять. Над циклом — наблюдает, может прервать, уровни три-четыре. В цикле — на каждом шаге, уровни один-два. Отдельно — ручной перехват: на любом уровне.
[gold takeaway]
Главное: уровень автономии — выбор продукта, не свойство модели.»
[Переход на s20.]
Приложения: AI, упакованный в продуктовый интерфейс¶
[На слайде — Google Translate metrics + сетка из 6 логотипов: Translate / Notion AI / ЯндексGPT в Поиске / Grammarly / Yandex Карты / Adobe Firefly.]
«Четвёртый слой — приложение. Обратите внимание, это последний слой в нашей слоистой модели.
Полноценный продукт, в котором AI один из внутренних компонентов. Пользователь не пишет промпты — нажимает кнопки, заполняет формы. AI как функция, а не продукт. У хорошего приложения детерминированный интерфейс: то же действие даёт ту же реакцию.
[сетка]
Канонические примеры. Google Translate — нейронная машинная трансляция, больше миллиарда пользователей в месяц. Notion AI — внутри GPT-4 или Claude, кнопки «Summarize», «Improve writing». YandexGPT в Поиске — собственная LLM, краткий ответ над поисковыми результатами. Grammarly — NLP плюс LLM, подчёркивания в любом текстовом поле. Yandex Карты — ML для маршрутизации, ETA, пробок. Adobe Firefly — диффузионные модели, кнопка Generate в Photoshop.
Кейс: раз в неделю перевести блок техдокументации. Не нужна модель, не нужен чат, не нужен агент. Google Translate или ЯндексGPT в Поиске — готовое приложение. Переплачивать сложностью — анти-паттерн.»
[Переход на s21.]
Чек-лист «Какой тип AI выбрать»: 2 вопроса + квадрант¶
[На слайде — крупный квадрант 2×2 в центре. Слева вертикально — Вопрос 1 с маркерами ДА/НЕТ как axis labels. Снизу горизонтально — Вопрос 2 с маркерами НЕТ/ДА. Углы квадранта: Модель / Приложение (автоматизация) / Чат / Агент. 3 worked examples внутри квадранта. Gold callout.]
«Кульминация раздела — практический инструмент. Два диагностических вопроса, ответы на которые однозначно определяют тип реализации. Обратите внимание: оси квадранта — это не отдельные вопросы, а деления шкалы.
[левая вертикальная шкала]
Вопрос первый — на левой шкале. Нужно ли взаимодействие с пользователем? «Да» — деление сверху, «нет» — снизу. Если да — общение, уточнения, реальное время — верхняя половина, семейство чат / агент. Если нет — автономно по триггеру или потоку — нижняя половина, семейство модель / приложение в режиме автоматизации.
[нижняя горизонтальная шкала]
Вопрос второй — на нижней шкале. Нужна ли самостоятельная работа с инструментами? «Нет» слева, «да» справа. Если да — вызов API, файлы, код — правая половина, семейство агент / приложение в режиме автоматизации. Если нет — один шаг «вход → выход» — левая половина, семейство чат / модель.
[4 угла]
Пересечение двух шкал даёт квадрант. Левый-нижний — нет/нет — Модель. Правый-нижний — нет/да — Приложение в режиме автоматизации (например, ETL-конвейер с AI-классификатором). Левый-верхний — да/нет — Чат. Правый-верхний — да/да — Агент.
[три worked examples]
Три кейса.
Конвейерный детектор дефектов. Q1: нет. Q2: нет. Нижний-левый — модель.
Корпоративный чат для разбора норматива. Q1: да. Q2: нет. Верхний-левый — чат.
Двести PDF и таблица. Q1: да — пользователь ставит задачу. Q2: да — открывать файлы, парсить. Верхний-правый — агент, точка золотая.
[think-pair-share]
Тридцать секунд — повернитесь к соседу. Назовите AI-инструмент, которым пользовались за последний месяц. Прогоните через два вопроса. В какой угол попали? [пауза 30 сек]
AI работает там, где задача и тип реализации совпали. Большинство откатившихся пилотов не задавали этих двух вопросов; выбирали инструмент по моде. На семинаре один — применяете квадрант к собственному кейсу.»
[Переход на s22.]
Раздел 4. Границы AI — ваша зона ответственности¶
[На слайде — divider раздела 4 + title + 1-фраза-фрейм + roadmap-bar.]
«Раздел четыре из пяти. Переходим к границам и безопасности. Это не глава ужасов — инвентаризация проблем, которые системно возникают в AI-системах.
Тема — ваша зона ответственности, не вопрос для отдельных специалистов. Вы уже приняли решение встроить AI — за инцидент отвечаете вы, не «модель». AI ошибается системно и предсказуемо: смещение, галлюцинации, лесть, дрейф — это свойства технологии, не случайные баги. И граница «что AI не умеет» — тоже ваша зона: за её пределами нужны проверка и запасной сценарий.
Дальше: куда уходят данные, галлюцинации, смещение и лесть, прогнозы AGI.»
[Переход на s23.]
Consumer vs enterprise: куда уходят ваши данные¶
[На слайде — bridge-лейбл сверху под заголовком, две колонки: потребительские (data → training) vs корпоративные (data ≠ training) + Samsung incident + EU AI Act fines.]
«От общей рамки раздела четыре — к первому конкретному риску, который нам с вами предстоит разобрать. Куда физически уходят ваши данные, когда вы пишете запрос в облачный AI-сервис?
[пауза]
Ваш текст — а часто и приложенные файлы, изображения — отправляется на серверы провайдера. Что с ними дальше — зависит от тарифа.
[левая колонка]
Потребительские. OpenAI ChatGPT Free и Plus используют данные для дообучения по умолчанию; отключить можно в настройках. Anthropic Claude с сентября двадцать пятого спрашивает разрешения; при согласии срок хранения — пять лет. Google Gemini — данные для обучения по умолчанию, часть выборочно ревьюируется людьми.
[правая колонка]
Корпоративные тарифы и API. OpenAI Enterprise, OpenAI API с марта двадцать третьего, Anthropic для бизнеса, Google Workspace, Vertex AI — данные не используются для обучения базовых моделей. Доступны соглашения Zero Data Retention — провайдер вообще не сохраняет промпты.
[кейс]
Канонический инцидент — март-апрель двадцать третьего, Samsung. Инженеры в трёх эпизодах загрузили в потребительский ChatGPT проприетарный код, транскрипт совещания и тестовые последовательности для отладки чипов. Секреты Samsung фактически попали в датасет OpenAI. Samsung запретила сотрудникам внешние AI и ввела лимит тысяча двадцать четыре байта на промпт. Через год запрет частично снят после внедрения внутренних инструментов.
[альтернатива и регуляторика]
Альтернатива — локальное развёртывание открытых моделей через Ollama, LM Studio, vLLM. Устраняет утечку, добавляет затрат на GPU. Эмпирическая точка безубыточности — порядка ста тысяч запросов в день.
В Евросоюзе EU AI Act: стандартный уровень штрафов до пятнадцати миллионов евро или трёх процентов оборота. Верхний уровень за запрещённые практики — до тридцати пяти миллионов или семи. NIST AI RMF — стандарты США. Российское регулирование в стадии формирования.
Практический вывод. Никогда не загружайте конфиденциальные данные в потребительские AI-сервисы без проверки политики конкретного тарифа. Правило простое, но систематически нарушается.»
[Переход на s24.]
Галлюцинации — неотъемлемое свойство AI¶
[На слайде — промпт + 3 fake DOI + Vectara HHEM range + gold callout «AI знает всё».]
«Галлюцинация в контексте LLM — это уверенное порождение фактически неверной информации в форме, неотличимой от верной. Модель не «знает», что говорит неправду; для неё это просто статистически правдоподобное продолжение последовательности токенов.
Простой эксперимент, который вы можете повторить сегодня. Попросите чат: «назови три научные статьи две тысячи двадцать четвёртого по теме [узкая тема, например — сейсмостойкость подземных трубопроводов малого диаметра] с авторами и DOI».
[указать на пример с тремя fake DOI]
С существенной вероятностью получите три убедительно выглядящие ссылки, в которых имена авторов могут быть смешаны или сочинены, журналы — настоящие, но статей в них нет, DOI — синтаксически правильные, но не разрешаются. Проверка занимает минуту: открываете doi.org, вставляете, смотрите, разрешается или нет. Без проверки — выглядит достоверно.
[указать на Vectara HHEM range]
По бенчмарку Vectara Hughes Hallucination Evaluation Model диапазон актуальных моделей очень широкий: от менее одного процента на стандартной задаче суммаризации (Gemini 2.0 Flash) до десяти-пятнадцати процентов на reasoning-задачах. Это значит: говорить про «процент галлюцинаций LLM» в общем — некорректно. Цифра сильно зависит от задачи и бенчмарка.
[think-pair-share retrieval упражнение]
Сейчас короткое упражнение. У меня здесь два AI-ответа на один и тот же фактический вопрос. В каждом — одна правильная и одна подложенная деталь. Тридцать секунд в парах: какая часть подделка? Что вы проверяли первым? [пауза 30 сек]
[после фидбэка от пары студентов]
[указать на gold callout]
Анти-паттерн номер один: «AI знает всё». Любой ответ AI по фактическому вопросу — гипотеза, которая требует проверки. Особенно — ссылки, цифры, цитаты, юридические нормы, медицинские рекомендации. Это не означает «не пользоваться AI для фактов». Это означает «проверять то, что AI выдаёт как факт». Critical reading attitude — не дополнительная предосторожность, а часть стандартного рабочего процесса.
К галлюцинациям мы с вами вернёмся на лекциях по конкретным индустриям — медицина, нефтегаз, наука — везде, где цена ошибки в фактической детали высокая.»
[Переход на s25.]
Смещение, лесть, дрейф: три проявления одной природы¶
[На слайде — 3 cards с русскими и английскими названиями + GPT-4o timeline 25 → 28 → 29 апреля 2025.]
«Давайте разберём три проблемы общей природы: модель — отражение данных, не независимый источник истины.
[первая карточка]
Смещение — bias. Модель повторяет перекосы датасета. Пример: модель скрининга резюме, обученная на данных компании, где меньше женщин на технических позициях, дискриминирует женские кандидатуры — статистически предсказывая «такие профили обычно отказывали». Самая трудно исправляемая категория: данные фиксируют структурные неравенства мира.
[вторая карточка]
Лесть — sycophancy. Прежде термин: RLHF, Reinforcement Learning from Human Feedback — человек ранжирует ответы, ранжирования служат сигналом награды для fine-tuning. Стандартный шаг превращения LLM в чат-ассистента. Обратная сторона: разметчики выше оценивают приятные ответы. Модель склонна соглашаться, поддакивать.
[GPT-4o timeline]
Кейс — апрель двадцать пятого. Двадцать пятого апреля OpenAI выкатила обновление GPT-4o, навязчиво-лестящее. Двадцать восьмого Альтман в соцсети написал, что откат уже начали в тот же вечер. Двадцать девятого — опубликован разбор причин. Самая незаметная категория: пользователь, получая комплименты, не замечает потери критического отношения у модели.
[третья карточка]
Дрейф — distribution shift. Модель плохо ведёт себя за пределами распределения обучения. Пример: модель на коде двадцать третьего года в двадцать шестом предложит устаревшую библиотеку, не учтёт изменений API. Самая частая категория в долгоживущих системах: качество тихо деградирует без явных сбоев.
[mini-poll]
В вашей профессиональной области что опаснее — смещение, лесть или дрейф? Руки: смещение — [пауза] лесть — [пауза] дрейф — [пауза]
Все три — одна природа. Модель не знает истины, она воспроизводит закономерности данных.»
[Переход на s26.]
Прогнозы AGI: 4 спикера, 4 материальных интереса¶
[На слайде — таблица 4×4: Спикер | Аффилиация | Прогноз | Материальный интерес.]
«Все производственные AI-системы — narrow AI: оптимизированы под конкретные задачи. AGI — гипотетический AI с человеческим уровнем способностей в широком спектре областей. Открытый вопрос со взаимоисключающими прогнозами.
Простое правило критического чтения. Когда видите конкретный AGI-прогноз — спрашивайте про материальный интерес спикера. Это не про неискренность. Это про то, что каждый лидер одновременно строит компанию и формирует ожидания инвесторов.
[таблица]
Сэм Альтман, OpenAI. «Знаем, как построить AGI; это начало пути к суперинтеллекту», январь двадцать шестого. Что выгодно: IPO и стомиллиардные раунды — AGI-уверенность поддерживает оценку.
Дарио Амодей, Anthropic. «AGI через два-три года; AI заменит разработчиков ПО за год», Давос двадцать шестого. Что выгодно: давление OpenAI; раунд финансирования.
Демис Хассабис, Google DeepMind. «AGI к две тысячи двадцать девятому — две тысячи тридцатому, три-четыре года; окно сузилось за двадцать шестой год», Axios и Google I/O, май двадцать шестого. Что выгодно: лидер research community; доверие при осторожной позиции; Google не нуждается в AGI-хайпе.
Янн ЛеКун, AMI Labs. «LLM-парадигма не приведёт к AGI; нужна новая архитектура». Что выгодно: раунд около миллиарда в марте двадцать шестого на альтернативный путь; контр-консенсус для стартапа.
Паттерн. Ни один не занимает нейтральной научной позиции. Каждый прогноз отражает коммерческий интерес или рыночное позиционирование. Это не значит, что не верят. Это значит, что прогнозы AGI — рыночное высказывание, не научное.
При чтении интервью топ-менеджера задавайте вопрос: «какое решение он хочет, чтобы рынок принял на основе этого высказывания?» К AGI как концепту мы ещё вернёмся — в финальной части курса, при синтезе знаний.»
[Переход на s27.]
Раздел 5. Что забрать домой¶
[На слайде — divider раздела 5 + маркер «Вы здесь — 5 из 5».]
«Раздел пять из пяти — финал. Мы с вами на последних шести с половиной минутах. Прошли четыре раздела: что такое AI, где мы сейчас, четыре способа реализации, границы. Сейчас — резюме, карта семестра, формула оценки, что в лекции два, и Q&A.»
[Переход на s28.]
Что мы прошли: три главных вывода¶
[На слайде — 3 takeaway cards.]
«Если что-то одно стоит унести из лекции — главный вопрос: где AI работает, где не работает, и как это понять.
[три такевэя]
Три главных вывода.
Первое. AI — спектр технологий, не монолит. Инструмент относится к одному из четырёх типов: модель, чат, агент, приложение.
Второе. Выбор типа AI — инженерный навык, и у нас с вами есть инструмент — два вопроса плюс квадрант. Большинство откатившихся пилотов их не задавали.
Третье. AI усиливает человека, но целеполагание и ответственность остаются нашими. Все разобранные ошибки — галлюцинации, смещение, лесть, дрейф, утечки — требуют человеческой проверки.»
[Переход на s29.]
Карта семестра: 17 лекций, 3 модуля + экзамен¶
[На слайде — горизонтальный timeline из 4 цветовых блоков: 3 содержательных модуля + отдельный блок «Экзамен»; ширина блока пропорциональна числу лекций; gold-подсветка текущей лекции 1.1; контрольные точки РК1/РК2/РК3 на границах модулей.]
«Курс — семнадцать лекций в трёх содержательных модулях, плюс завершающий экзамен. Сегодня мы с вами на первом занятии первого модуля.
[модули]
Модуль один — фундамент и знакомые индустрии, шесть лекций. Введение — прямо сейчас; архитектура AI; агенты и RAG; ПО; финансы и ритейл; креативные индустрии. Рубежный контроль один — по завершении.
Модуль два — отрасли на стыке физического и цифрового, пять лекций. Инженерное проектирование, авиакосмос, производство, цифровые двойники, сельское хозяйство. Рубежный контроль два.
Модуль три — инфраструктура, наука, добыча, плюс синтез, шесть лекций. Логистика, телеком и кибербезопасность, наука, нефтегаз, медицина, систематизация знаний. Рубежный контроль три — итоговый.
[указать на четвёртый блок]
И отдельным блоком — не модулем, а итоговой аттестацией — экзамен.
Сегодня — формула «промпт = роль + задача + контекст». Позже — PARTS, chain-of-thought, few-shot. К концу курса промптинг станет инженерной дисциплиной.»
[Переход на s29a.]
Оценка за семестр¶
[На слайде — заголовок «Оценка за семестр», под ним одна строка-формула: 100 = 10 (посещаемость) + 30 (экзамен) + 3×20 (РК1/РК2/РК3).]
«Оценка за семестр. Раз мы на карте семестра — сразу закрою вопрос про оценку.
Сто баллов складываются постепенно: десять — посещаемость, тридцать — экзамен, трижды по двадцать — рубежные контроли, по завершении каждого из первых трёх модулей. Оценка формируется весь семестр, а не только в конце.»
[Переход на s30.]
Лекция 2: Как работают современные большие модели¶
[На слайде — заголовок «Лекция 2» + 2×2 сетка из 4 концептов по-русски (с английскими в скобках) + 1-фраза-фрейм снизу.]
«Лекция два — «Как работают современные большие модели». Не для того, чтобы сделать из вас ML-инженеров — а чтобы понимали, почему модель ведёт себя так, как ведёт.
Четыре концепта на русском.
Токены — единицы, на которые модель разрезает текст.
Эмбеддинги (векторные представления) — числовые адреса токенов в смысловом пространстве.
Механизм внимания (attention) — как модель решает, на какие части входа смотреть.
Температура — параметр случайности выбора следующего токена.
Эти четыре концепта объясняют поведение всех современных LLM — от ChatGPT до DeepSeek. С ними мы с вами будем понимать, почему промпты работают, а не просто как.»
[Переход на s31.]
Вопросы?¶
[На слайде — большое «Вопросы?» в центре + thank-you композиция.]
«На этом основная часть того, что мы с вами сегодня прошли. Дальше вопросы.
Что хорошо спросить: уточнения по типам реализации; куда отнести ваш инструмент по чек-листу; границы — если был опыт галлюцинаций или утечки; план семестра.
Кто начнёт? [пауза]
[Если вопросов нет: «Отвечу на самый частый. Можно ли пользоваться AI прямо сейчас? Можно. Чек-лист уже даёт инструмент; на семинаре один попробуете на собственном кейсе.»]
Если что-то останется неясным после занятия — мои контакты были на слайде с визиткой в начале лекции, пишите смело.
Спасибо за внимание. До семинара.»