1 поток · 27 октября
Тем, кто хочет развивать продуктовые компетенции или вообще думает сменить карьеру на Product Owner.
Тем, кто хочет развиваться как Product Owner.
Тем, кто только думает о запуске своего продукта.
Настроим агента, который работает с файлами и инструментами, а не только отвечает в чате. Научимся ставить ему задачи через контракт процесса, проверять результат и подключать внешние сервисы.
Можно делегировать: статусы, сводки, работу с файлами и другие повторяемые процессы.
ПодробнееСоберём базовый AI-экзоскелет, на котором будут работать все последующие сценарии курса. Покажем, чем агент отличается от обычного LLM-чата: он получает доступ к файлам, терминалу, инструментам и внешним сервисам и может выполнять процесс, а не только отвечать на вопрос.
Живой процесс от запуска агента в рабочей папке до готового отчёта, проверки результата и подключения внешнего инструмента.
Настроенное окружение и шаблон процесса, который можно переносить на собственные продуктовые задачи.
Соберём AI-workflow для исследования клиента и рынка: портрет аудитории, ICP, конкурентная карта, боли и jobs-to-be-done, гипотезы ценностного предложения.
Можно делегировать: сбор источников, кластеризацию сигналов, черновик ICP, сравнение конкурентов и УТП.
ПодробнееСоберём исследовательский workflow, который помогает быстрее перейти от разрозненных источников к внятному портрету клиента, ICP, конкурентной картине и черновику ценностного предложения. Фокус будет не на одном «магическом» промпте, а на цепочке, которую можно регулярно повторять.
Из набора источников соберём research pack: портрет клиента, ICP, карту конкурентов и несколько гипотез УТП.
Повторяемый research pack, который можно использовать дальше в discovery, стратегии и коммуникациях.
На реальных кейсах разберём три сценария: сбор внутреннего контекста, техническое discovery и аналитические эксперименты. Отдельно — где ИИ помогает, а где его обязательно перепроверять.
Можно делегировать: поиск контекста, первичный разбор проблемы и часть исследовательской рутины.
ПодробнееТри реальных сценария из продуктовой работы: сбор контекста, техническое discovery и аналитические эксперименты. Каждый кейс разберём по одной схеме: задача → как подключили ИИ → что сработало → где агент ошибается → что обязательно проверять.
Живые фрагменты реальных кейсов: поиск контекста, разбор технической проблемы и постановка аналитической задачи.
Шаблон discovery-процесса: контекст → исследовательский вопрос → гипотезы → проверка → вывод.
Разберём, какие AI-сценарии подходят под разные бизнес-задачи, как сравнивать альтернативы и отличать ценную продуктовую ставку от эффектного POC.
Можно делегировать: сбор evidence, карту AI-возможностей, сравнение альтернатив и red-team стратегии.
ПодробнееПереведём насмотренность по AI-возможностям в продуктовые решения. Разберём, где AI действительно может изменить пользовательскую ценность, экономику или способ работы продукта, а где получается эффектный POC без причины масштабировать его.
Из одной бизнес-проблемы соберём несколько AI-направлений, сравним их и превратим выбранную ставку в короткий strategy memo.
AI strategy memo: проблема, ставка, ценность, evidence, ограничения, риски и критерии продолжения.
Соберём целостную систему управления продуктом: дерево метрик, ключевые драйверы роста, unit-экономику и финансовую модель для решений о запуске и масштабировании.
Можно делегировать: черновик дерева метрик, расчёт unit-экономики, сценарии финансовой модели и проверку ключевых допущений.
ПодробнееНа модуле Руслан разберёт, как превратить набор показателей в целостную систему управления продуктом: построить дерево метрик, определить ключевые драйверы роста, рассчитать unit-экономику и подготовить финансовую модель для принятия обоснованных решений о запуске и масштабировании.
На одном продуктовом кейсе соберём дерево метрик, выделим драйверы роста, посчитаем unit-экономику и сведём всё в простую финансовую модель.
Дерево метрик + расчёт unit-экономики + финансовая модель с ключевыми допущениями.
Покажем, как продуктовый контекст меняет качество анализа. На одинаковых данных сравним bare- и rich-агента на воронке onboarding и NPS-фидбэке.
Можно делегировать: первичный анализ воронок, сегментов, фидбэка и исследовательские итерации.
ПодробнееПокажем, что качество аналитики определяется не только моделью, а прежде всего контекстом, который получает агент. Для этого возьмём два репозитория на одинаковых данных вымышленного фитнес-приложения: bare без продуктового контекста и rich с PRODUCT_CONTEXT, data dictionary и skills.
Два одинаковых аналитических задания в bare- и rich-окружении с разбором того, почему результаты расходятся.
Шаблон контекстного пакета для продуктовой аналитики и два повторяемых сценария: funnel + feedback analysis.
Соберём путь от ресёрча ЛПР до персонального аутрича, презентации, репетиции, питча и follow-up. ИИ поможет адаптировать одно решение под разных стейкхолдеров.
Можно делегировать: ресёрч, первый драфт письма и дека, возражения, спарринг и follow-up.
ПодробнееСоберём полный путь от понимания конкретного стейкхолдера до питча и follow-up. Здесь сходятся результаты предыдущих уроков: исследование, стратегия, метрики и аналитика превращаются в сообщение, которое нужно продать конкретному человеку.
Из профиля ЛПР и брифа соберём персональный дек, затем проведём живой спарринг с ИИ-стейкхолдером.
Повторяемый pipeline: ресёрч → письмо → дек → спарринг → питч → follow-up.
Руководит разработкой и продажами всех ИИ-продуктов и ИИ-инициатив Beeline Cloud. Более 10 лет управляет командами Data- и AI-специалистов. Выпускник МГТУ им. Н.Э. Баумана.
Ранее — исполнительный директор по исследованию данных SBER AI: финансовый эффект ML/AI-проектов для Сбера 150 млрд руб., руководство командами первых прототипов Kandinsky и GigaChat, участие в создании института искусственного интеллекта AIRI. Руководил центром R&D Big Data в МТС (эффект внедрений 4–6 млрд руб. в год) и функцией Data Science в Publicis Media Russia.
В Школе управления СКОЛКОВО — приглашённый эксперт и академический директор направлений по данным и ИИ, топ-эксперт школы (средний рейтинг обратной связи 9,0/10 за 3 года). Член академического совета и преподаватель ФКН НИУ ВШЭ, эксперт программ Университета «Сириус» и других вузов.
Основатель студии образования и ИИ-разработки Espada Innovative Solutions. Среди клиентов: Twinby, «Черноголовка», Borjomi, «БКС Мир Инвестиций».
Построил с нуля «Защитник» — сервис защиты от мошенников на 18 миллионов пользователей, заблокировавший больше 3 миллиардов нежелательных звонков в 2025 году. Сегодня также отвечает за VoiceTech — линейку голосовых сервисов: Секретарь отвечает на звонки, Определитель показывает, кто звонит, Шумоподавление убирает шум во время разговора, Ассистент в звонке помогает прямо во время звонка, а Запись разговоров сохраняет их для дальнейшего использования.
Два направления с разной логикой роста: у «Защитника» одна аудитория и один рынок, у VoiceTech — несколько отдельных продуктов, каждый со своим сегментом и своей причиной, почему им пользуются.
На модуле поделится опытом, как ищут новые точки роста внутри уже большого продукта: новые сегменты, новые каналы, новые продукты внутри линейки.
Победитель премии RuCode в номинации «ИИ инноватор» за эффективное внедрение технологий искусственного интеллекта в образовательный процесс. Преподаёт машинное обучение и AI-агентов в МФТИ, НИУ ВШЭ и Школе аналитиков данных МТС.
Отвечает за аналитику портфеля цифровых продуктов с совокупной аудиторией более 20 млн пользователей. Выстраивает систему принятия продуктовых и инвестиционных решений на основе данных: от декомпозиции бизнес-целей и проектирования деревьев метрик до оценки unit-экономики, прогнозирования финансовых результатов и поиска точек роста.
Обладает экспертизой в запуске аналитики для новых продуктов, проверке бизнес-гипотез, планировании экспериментов и построении финансовых моделей. Помогает продуктовым командам связывать поведение пользователей с выручкой, затратами и долгосрочной ценностью продукта.
На модуле Руслан разберёт, как превратить набор показателей в целостную систему управления продуктом: построить дерево метрик, определить ключевые драйверы роста, рассчитать unit-экономику и подготовить финансовую модель для принятия обоснованных решений о запуске и масштабировании.
Большую часть своей карьеры работает над внутренними продуктами компаний.
«Обожаю данные и data-driven подход. При любом чихе лезу в логи, фронтовые ручки и raw-данные))»
Product Lead в Typeform. Ранее — Product Lead в Manychat и Joom.
Преподаёт Product Management в Harbour.Space University, Barcelona.
В прошлом ML-разработчик. Использует ML/AI-бэкграунд в работе с продуктом.
Нет. Промпт — разовый запрос, мы собираем повторяемые сценарии, подключённые к вашим источникам. К концу курса у вас не подборка текстов, а семь работающих агентов, которые продолжают приносить пользу без нас.
Да, это частый случай у продактов из крупных компаний, и мы его специально разбираем на первом занятии. Сценарии строятся вокруг задачи, а не вокруг конкретного вендора: они собираются и на внутреннем LLM-контуре компании, и на российских моделях. Напишите в заявке, какой контур у вас — подскажем конфигурацию до старта.
Нет. Мы не пишем агентов на Python — мы собираем их из готовых инструментов и интеграций. Если вы умеете читать SQL и понимаете, откуда берутся ваши метрики, этого более чем достаточно.
Семь занятий по 1,5 часа за шесть недель плюс примерно 2–3 часа в неделю на практику. Практика делается на ваших рабочих задачах, так что это чаще не дополнительная нагрузка, а другой способ сделать то, что вы и так делаете.
Все занятия идут в записи, доступ 12 месяцев. Вопросы по пропущенному можно задать в чате потока — преподаватели отвечают между занятиями.
На YouTube вам покажут чужой готовый результат. Здесь вы за 1,5 часа собираете свой — на своих данных, с преподавателем, который видит, где вы застряли, и с проверкой, что результат не выдуман моделью. Разница не в информации, а в том, что после курса сценарий работает у вас.
Да и да. Выставляем счёт на юрлицо, готовим договор и закрывающие документы, место бронируем до оплаты. Можно разбить на 3 платежа без переплаты. Нажмите «Выставить счёт» — пришлём реквизиты и шаблон письма руководителю.
По итогам курса выдаём сертификат MLinside с программой и списком преподавателей. Если нужен документ установленного образца для отдела обучения — напишите в заявке, обсудим отдельно.
Если после первого занятия поймёте, что это не ваше — вернём всю сумму.
Подойдёт, если вы работаете рядом с продуктом и хотите говорить с ним на одном языке: формализовывать задачи, понимать, откуда берутся продуктовые метрики, и использовать AI не только для кода.
Оставьте контакты — расскажем детали первого потока и пришлём условия оплаты.
Заявка отправлена. Мы свяжемся с Вами.