Магистратура
2026/2027
Внедрение больших языковых моделей в маркетинг и управление продуктом
ID 1142126
Статус:
Курс обязательный (Искусственный интеллект в маркетинге и управлении продуктом)
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Удалов Антон Олегович
Язык:
русский
Кредиты:
6
Контактные часы:
56
Программа дисциплины
Аннотация
Курс «Внедрение больших языковых моделей в маркетинг и управление продуктом» предназначен для магистрантов и практикующих специалистов, стремящихся освоить передовые методы и технологии интеграции LLM в бизнес-процессы. Студенты изучат архитектуру и принципы работы больших языковых моделей, научатся разрабатывать управляемые инструкции и строить RAG-конвейеры на собственных данных. Особое внимание уделяется fine-tuning моделей под конкретные продуктовые задачи, проектированию автономных и мультиагентных систем с участием человека-в-цикле, а также применению LLM для анализа голоса клиента, SEO-оптимизации, персонализации CRM и e-commerce.
Цель освоения дисциплины
- В результате освоения курса «Внедрение больших языковых моделей в маркетинг и управление продуктом» слушатели смогут интегрировать LLM-решения в маркетинговые и продуктовые процессы
- разрабатывать управляемые инструкции и RAG-архитектуры
- дообучать модели под бизнес-задачи
- проектировать LLM-агентов и оценивать их эффективность с учётом экономических и технических показателей.
Планируемые результаты обучения
- После прохождения курса студенты смогут: Объяснять принципы работы LLM и их применение в маркетинге и управлении продуктом
- Формулировать и реализовывать инструкции (prompt design) для управления поведением моделей без избыточных сложностей
- Проектировать и оценивать RAG-конвейеры на собственных данных, выявляя и устраняя подводные камни
- Планировать и проводить дообучение (fine-tuning) LLM в соответствии с требованиями продукта
- Разрабатывать и координировать однопоточные и мультиагентные LLM-системы с участием человека-в-цикле
- Применять LLM для анализа голоса клиента (VoC), сегментации и генерации инсайтов на основе JTBD и персон
- Использовать LLM-инструменты для SEO-исследований, техаудитов, персонализации CRM и e-commerce
- Настраивать и анализировать A/B-тесты с LLM, формулировать гипотезы и интерпретировать результаты
- Определять и контролировать метрики качества, безопасность (SLA), дрейф и стоимость владения (TCO, ROI) при интеграции LLM в MarTech
- Разрабатывать стратегии масштабирования и эволюции LLM- и агентных систем в операционном контексте бизнеса
Содержание учебной дисциплины
- Введение в LLM
- Промпт инструкции
- RAG I
- RAG II
- LLM Пайплайны и оценка стоимости внедрения
- Агенты
- Примеры продуктового применения LLM
- LLM в SEO
- LLM в E-Commerce
- AB тесты с LLM
- Качество и безопасность
- Маркетинговые технологии
- Маштабирование систем и продуктов
Элементы контроля
- Домашнее задание 2Необходимо спроектировать и реализовать конвейер Retrieval‑Augmented Generation на собственных данных, показав навыки подключения источников знаний, настройки извлечения релевантной информации и оценки качества ответов системы
- Домашнее задание 4Подготовка детального плана внедрения LLM‑решения в реальный маркетинговый или продуктовый процесс — с этапами реализации, распределением ресурсов, оценкой рисков и метриками успеха.
- Домашнее задание 5Расчёт экономической и технической эффективности предложенного LLM‑решения: нужно оценить совокупную стоимость владения, окупаемость, метрики качества и риски, а также обосновать целесообразность масштабирования системы.
- Домашнее задание 3Разработка LLM‑агента или мультиагентной системы для автоматизации конкретной бизнес‑задачи, включая описание ролей агентов, логики взаимодействия и механизмов контроля со стороны человека.
- ЭкзаменЗа две недели до экзамена студентов распределяют в группы и выдают групповое задание. Необходимо подготовить презентацию в формате machine learning system design секции по заданию. Группы 1-4 человека, в рамках задания выполняют анализ рынка, анализ стоимости, оценку инженерной реализуемости На экзамене проходит защита презентации. Продолжительность защиты - до 15 минут на группу.
- Домашнее задание 6Необходимо проанализировать и заложить в проект механизмы контроля качества ответов LLM, защиты персональных данных, предотвращения генерации вредоносного контента и мониторинга дрейфа модели, подтвердив соответствие требованиям безопасности и SLA.
- Домашнее задание 1Практика использования LLM предполагает работу с большими языковыми моделями для решения прикладных маркетинговых и продуктовых задач, где нужно продемонстрировать умение грамотно формулировать промпты и интерпретировать результаты модели в бизнес‑контексте.
- ПроектРабота выполняется индивидуально и представляет собой проектное задание.
Промежуточная аттестация
- 2026/2027 2nd module0.2 * Проект + 0.1 * Домашнее задание 5 + 0.1 * Домашнее задание 4 + 0.1 * Домашнее задание 3 + 0.1 * Домашнее задание 2 + 0.1 * Домашнее задание 1 + 0.2 * Экзамен + 0.1 * Домашнее задание 6
Список литературы
Рекомендуемая основная литература
- Imai, K., King, G., & Stuart, E. (2008). Misunderstandings between Experimentalists and Observationalists about Causal Inference. https://doi.org/10.1111/j.1467-985X.2007.00527.x
Рекомендуемая дополнительная литература
- Shadish, W. R. . (DE-588)131609661, (DE-576)167219103. (2002). Experimental and quasi-experimental designs for generalized causal inference / William R. Shadish; Thomas D. Cook; Donald T. Campbell. Boston [u.a.]: Houghton Mifflin. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.095715274