Кто читает:: Департамент больших данных и информационного поиска

Статус:: Курс по выбору

Когда читается:: 1-й курс, 2 модуль

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Создание MVP при помощи ИИ» посвящён практике создания минимально жизнеспособного продукта в условиях, когда генеративный искусственный интеллект радикально снизил стоимость разработки прототипа. Дисциплина проводит студентов через полный продуктовый цикл: от постановки продуктовой гипотезы и проектирования бизнес-модели – к сборке работающего прототипа средствами кодовых агентов и no-code платформ. Отдельное внимание уделяется границам применимости ИИ – природе галлюцинаций, рискам агентной разработки, неприменимости обычных тестов к недетерминированному функционалу и экономике продуктов на базе ИИ. Дисциплина построена в формате воркшопов: теоретический блок занимает меньшую часть, основное аудиторное время отводится работе команд над собственным продуктом с последующим разбором результатов. Команды из 3–4 человек ведут один продукт сквозной линией через все занятия; домашние задания последовательно наращивают его от продуктовой гипотезы до работающего прототипа. Курс завершается защитой проекта – питч-деком, в котором изложена бизнес-идея для презентации потенциальным инвесторам. На входе от студентов ожидается владение базовым Python; продуктовые методы и инструменты генеративного ИИ даются с нуля и опираются на предоставляемые шаблоны артефактов и учебные кейсы.

Цель освоения дисциплины

— Сформировать практический навык прохождения полного цикла создания цифрового продукта: от продуктовой гипотезы до работающего проверенного прототипа с применением генеративного ИИ на каждом этапе этого цикла.
— Обучить работе с агентными средствами разработки как с исполнителями: постановке спецификации, управлению контекстом, ревью результата и оценке рисков сгенерированного кода.
— Сформировать критическое отношение к результатам работы генеративных моделей: понимание границ применимости ИИ.

Планируемые результаты обучения

— Студент сможет формулировать проверяемую гипотезу проблемы и проводить глубинное интервью, в том числе с использованием симуляции респондента на основе языковой модели;
— Студент сможет исследовать рыночный контекст, конкурентов и объём рынка методами ИИ, верифицируя источники и распознавая типовые искажения выдачи модели;
— Студент сможет проектировать бизнес-модель на основе Lean-методологии и обосновывать модель монетизации;
— Студент сможет формировать питч-дек продукта и представлять его внешней аудитории, включая потенциальных инвесторов;
— Студент сможет различать направления машинного обучения и определять, какие задачи продукта решаются моделью, какие другими инструментами;
— Студент сможет объяснять устройство большой языковой модели – токенизация, контекстное окно, параметры генерации, природа галлюцинаций;
— Студент сможет выбирать средства реализации прототипа между no-code и low-code платформами, кодовыми агентами и агентными фреймворками;
— Студент сможет разрабатывать спецификацию как основной артефакт для работы кодового агента, применяя контекст-инжиниринг и spec-driven подход, и распознавать типовые проблемы агентной разработки;
— Студент сможет выбирать подход к построению ИИ-агента и обосновывать выбор между декларативной сборкой и разработкой в коде;
— Студент сможет собирать ИИ-агента с набором скиллов в no-code среде и проверять его работу на наборе типовых запросов.

Содержание учебной дисциплины

Введение. MVP в эпоху генеративного ИИ
Глубинное интервью с электронным респондентом
Исследование альтернатив и конкурентов методами Deep Research
Целевая аудитория и объём рынка (TAM, SAM, SOM)
Ценностное предложение и бизнес-модель Lean
Питч-дек: структура и типичные ошибки
Введение в ИИ: основные понятия и сферы применения.
Генеративный ИИ: как устроена LLM и промптинг
Агентная разработка и AI SDLC. Ландшафт инструментов
Правила работы с кодовыми агентами
Подходы к разработке ИИ-агентов
Разработка ИИ-агентов в No-Code
Защита итоговых проектов

Элементы контроля

Домашнее задание 1. Lean Canvas продукта.
Домашние задания выполняются командами по 3–4 человека и представляют собой последовательные этапы работы над одним продуктом. Выдаётся после шестого занятия. Экзамен проводится в форме защиты проекта на итоговом занятии. Политика использования ИИ. Применение генеративного ИИ разрешено и предполагается во всех работах курса. Обязательным элементом каждого артефакта является краткая пометка о том, как именно использовался инструмент и чем обосновано его использование.
Домашнее задание 2. Прототип решения.
Выдаётся после десятого занятия. Домашние задания выполняются командами по 3–4 человека и представляют собой последовательные этапы работы над одним продуктом. Экзамен проводится в форме защиты проекта на итоговом занятии. Политика использования ИИ. Применение генеративного ИИ разрешено и предполагается во всех работах курса. Обязательным элементом каждого артефакта является краткая пометка о том, как именно использовался инструмент и чем обосновано его использование.
Экзамен. Защита проекта.
Презентация собранного питч-дека продолжительностью 5–7 минут с ответами на вопросы. Обязательным условием допуска к защите является сдача домашнего задания 2. Политика использования ИИ. Применение генеративного ИИ разрешено и предполагается во всех работах курса. Обязательным элементом каждого артефакта является краткая пометка о том, как именно использовался инструмент и чем обосновано его использование.

Промежуточная аттестация

2026/2027 2nd module
Итог = Округление(0,6 · ДЗ + 0,4 · Э), где ДЗ – средняя оценка за все домашние задания, Э – оценка за экзамен (защиту проекта). Обязательным условием допуска к защите является сдача домашнего задания 2.

Список литературы

Авторы

Комарова Ксения Степановна

Магистерская программа «Аналитика больших данных»

Быстрое создание MVP на основе AI

Программа дисциплины