Топы требуют AI-disruption, а вы не знаете, куда прикрутить ChatGPT? Все коллеги уже сделали чат-боты с ИИ, а вы еще не поняли ценность моделей классификации? Изобилие моделей, платных API и open-source-инструментов затрудняет выбор подходящих решений для продукта.

Пользователи консервативны, плохо меняют свои привычки и не знают, где в своей жизни и клиентском пути им может помочь очередной раскрученный инструмент. На фоне растущего хайпа появляются требования от акционеров, стейкхолдеров и руководителей, а также опасения не успеть за новой технологической революцией.

На мастер-классе мы изучим ваш продукт и определим, где и какие инструменты искусственного интеллекта помогут добиться значимого прироста в KPI. Рассмотрим классические модели (классификация, регрессия, деревья и бустинги) и модный сейчас Gen-AI, ведь далеко не везде необходимо внедрять виртуальных ассистентов на базе GPT.

В рамках мастер-класса:

• Кратко изучим теорию: какие модели и подходы существуют, а также рассмотрим фреймворк определения ИИ-инструментов для продукта.
• Посмотрим на опыте из финтеха, ИТ-компаний, e-commerce — множество кейсов интеграции ИИ из работы с GigaChat и другими моделями.
• Разберем 4 демокейса и после попрактикуемся в группах на кейсах участников, где по фреймворку выберем подходящий ИИ-инструмент для решения продуктовой задачи, рассчитаем ожидаемый финансовый эффект и оценим его реалистичность.
• На выходе — конкретный инструмент под задачу, требования к данным и Excel-файл с расчетом потенциальной финансовой эффективности.

По итогу участники получат метод решения конкретной бизнес-продуктовой задачи с помощью классических и генеративных инструментов искусственного интеллекта.

Кому будет полезно:

• Middle- и Senior-менеджерам продуктов, которые ищут точки развития для своего продукта в использовании инструментов искусственного интеллекта.
• Продуктовым маркетологам и аналитикам, желающим расширить знания о моделях ИИ.
• Корпоративным и стартап-специалистам, которые уже пробовали ИИ-модели, но не получили быстрых результатов.
• P. S. Для получения максимальной пользы необходимы базовые знания в управлении данными и понимание моделей ИИ.