Рассрочка без переплаты · Оплата от компании со счётом и закрывающими документами
Рынок завален подборками «100 промптов для продакта». Они не меняют рабочий день, потому что промпт — это разовый запрос, а не процесс. Мы собираем процессы.
Список промптов, который вы скопируете и забудете через неделю
Повторяемые сценарии, подключённые к вашим источникам: Confluence, Jira, диску, исследованиям, выгрузкам аналитики
Ещё один пересказ discovery, JTBD и продуктовой методологии
Мы считаем, что методологию вы знаете. Учим отдавать агентам её черновую часть и оставлять себе решения
Демо красивого чат-бота на сцене, которое у вас не повторится
Вы собираете агентов прямо на занятии, на своей задаче, и уносите рабочую версию
«Нажмите кнопку — модель посчитает за вас»
Отдельное занятие о том, где LLM врёт в расчётах и какие проверки ставить, прежде чем нести число руководителю
За 7 живых занятий вы соберёте набор агентов, которые забирают discovery, требования к DS, проверку аналитики и подготовку питчей — и продолжают работать после курса.
Не конспект и не сертификат в рамке. Семь работающих сценариев, которые вы включаете в понедельник.
7 онлайн-занятий по 1,5 часа за 6 недель. Живой созвон с преподавателем и разбором ваших задач, а не лекция в записи.
Собираем базовый сетап: какие модели и агенты доступны именно в вашем контуре, как подключить к ним рабочие источники, что безопасно отдавать, а где решение обязано остаться за продактом.
На выходе рабочий сетап и личный регламент делегирования: список задач, которые вы с этого дня не делаете руками.
Агенты для сбора и структурирования контекста: ICP, конкуренты, интервью, внутренние документы и исследования. Учимся получать фактуру для решения, а не длинный пересказ.
На выходе агент-исследователь и чек-лист проверки его выводов на выдумку.
Три практических кейса: discovery через поиск по Confluence и внутренним источникам; техническое discovery и локализация причин бага; аналитические эксперименты — почему нельзя просто попросить LLM «посчитать».
На выходе три сценария под свои источники и набор проверок, которые ловят выдуманные числа.
Насмотренность по AI-сценариям: что и как внедряют сегодня, как сопоставить возможности моделей с задачами бизнес-подразделений, где эффект реальный, а где дорогая игрушка.
На выходе 3–5 AI-гипотез для вашего продукта, приоритизированных по эффекту и стоимости проверки.
Строим дерево метрик, связываем показатели модели от DS с продуктовыми и бизнес-метриками, настраиваем агента, который перепроверяет расчёты, юнит-экономику и финансовую модель.
На выходе дерево метрик вашего продукта и агент-проверяющий расчётов.
Отдаём агентам черновую работу: user story, декомпозиция, acceptance criteria, формализация требований к данным и модели, подготовка контекста для разработки и DS.
На выходе агент постановки задач, чей результат команда принимает без переписывания.
С помощью AI собираем материалы и защиту инициативы: проблема, сценарий, ожидаемый эффект, риски, метрики и план эксперимента — так, чтобы её было проще согласовать.
На выходе готовый питч AI-инициативы и визуальные материалы к нему.
Сквозная логика: на каждом занятии вы собираете или улучшаете один сценарий. К седьмому занятию это перестаёт быть набором приёмов и становится рабочим AI-контуром продакта.
Senior Product Manager в Avito. Ведёт занятие с тремя кейсами из собственной практики: discovery через поиск по внутренним источникам, техническое discovery и локализация причин бага, разбор аналитических экспериментов с LLM.
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, Определитель, Шумоподавление, Ассистент в звонке и Запись разговоров.
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 занятии поделится опытом, как ищут новые точки роста внутри уже большого продукта и как такие инициативы защищают перед бизнесом.
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 занятии разберёт, как превратить набор показателей в целостную систему управления продуктом: построить дерево метрик, определить драйверы роста, рассчитать unit-экономику и подготовить финансовую модель.
Большую часть 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.
У вас уже есть backlog, стейкхолдеры, аналитика и DS или разработка рядом — и хочется отдать агентам заметную часть рутины.
Нужно видеть возможности AI шире одного чат-бота, выбирать сценарии под задачи подразделений и уверенно защищать их перед бизнесом.
Вы работаете рядом с продуктом и хотите лучше формализовывать задачи, понимать продуктовые метрики и использовать AI не только для кода.
ВозвратЕсли после первого занятия поймёте, что это не ваше — вернём всю сумму.
Выставим счёт на юрлицо, подготовим договор и закрывающие документы. Место в группе бронируем до оплаты — согласование в компании обычно дольше, чем набор.
От трёх человек из одной компании — отдельные условия и разбор задач вашего продукта на занятиях. Напишите, обсудим.
Пришлём подробную программу с разбивкой по занятиям и ответим на вопросы до оплаты. Без звонков, если не просите.
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. Если вы никогда не сталкивались с продуктовыми задачами — посмотрите блок «кому не подойдёт» выше.
Старт 27 октября. Семь занятий, семь практиков, семь артефактов, которые вы уносите с собой.
Оставьте контакты — пришлём подробную программу, условия оплаты и ответим на вопросы. Отвечаем в течение рабочего дня.
Заявка отправлена. Мы свяжемся с вами.