Тем, у кого уже есть backlog, стейкхолдеры, аналитика и DS/разработка — и хочется отдать агентам заметную часть рутины.
Тем, кому нужно видеть возможности AI шире одного чат-бота, выбирать подходящие сценарии и уверенно защищать их перед бизнесом и командой.
Тем, кто работает рядом с продуктом и хочет лучше формализовывать задачи, понимать продуктовые метрики и использовать AI не только для кода.
Агенты для сбора и структурирования контекста: ICP, конкуренты, интервью, внутренние документы и исследования. На выходе — фактура для продуктового решения, а не просто длинный summary.
Три практических кейса Надежды Николаевой: discovery через поиск по Confluence и внутренним источникам; техническое discovery и поиск причин багов; аналитические эксперименты — почему нельзя просто попросить LLM «посчитать» и как выстроить проверки.
Насмотренность по AI-сценариям: что и как можно внедрять, как сопоставлять возможности AI с задачами бизнес-подразделений, находить точки роста и уверенно продавать инициативу стейкхолдерам.
Настраиваем агента-проверяющего: строим дерево метрик, связываем метрики модели от DS с продуктовыми и бизнес-метриками, проверяем расчёты, unit-экономику и финансовые модели.
Отдаём агентам черновую работу: user story, декомпозицию, acceptance criteria, формализацию требований к данным и модели, подготовку контекста для команды разработки и DS.
С помощью AI собираем визуальные материалы и питч: проблема, сценарий, ожидаемый эффект, риски, метрики и план эксперимента — так, чтобы инициативу было проще согласовать.
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.
Оставьте контакты — расскажем детали первого потока и пришлём условия оплаты.
Заявка отправлена. Мы свяжемся с Вами.