Чему вы научитесь
- Выявлять источники bias на пути от данных до продукта и выбирать вмешательства.
- Выбирать fairness-метрики под контекст, понимать конфликт метрик и фиксировать компромиссы.
- Проектировать XAI-эксперименты и читать объяснения без самообмана.
- Оценивать robustness: drift, OOD-сценарии, устойчивость к шуму и атакам.
- Проектировать базовые меры безопасности: poisoning, adversarial, prompt injection (для LLM-систем).
- Встраивать quality gates в ML lifecycle и планировать мониторинг ответственности.
- Готовить артефакты для аудита: model cards, datasheets, traceability решений.
- Строить governance: risk register, роли, incident response и процесс принятия решений.
О курсе
Этот курс — про ответственность как часть инженерного качества. В реальности модель редко “просто предсказывает”: её вывод становится решением, триггером или фильтром, который влияет на людей, деньги и доступ к возможностям. И даже если метрики на валидации выглядят отлично, система может быть несправедливой, необъяснимой для бизнеса, хрупкой к изменениям данных или уязвимой к атакам.
Мы разберём: откуда берётся bias и как его измерять; почему fairness-метрики конфликтуют и как выбирать компромисс; какие объяснения действительно помогают (и когда XAI вводит в заблуждение); как думать про robustness, деградацию и безопасность; какие артефакты нужны для аудита (model cards, datasheets); что важно понимать инженеру про EU AI Act и похожие регуляции; как построить governance-процесс, который помогает продукту, а не превращается в бюрократию.
Результат курса — не “знание терминов”, а набор рабочих навыков и шаблонов: вы сможете проектировать пайплайн с quality gates, проводить базовый bias-аудит, выбирать XAI-метод под цель, собирать пакет документации и описывать риски так, чтобы команда могла принимать решения и выдерживать проверки.
Для кого этот курс
ML/AI-инженеры, data scientists и техлиды уровня middle/senior, которые выпускают модели в продукт и отвечают за последствия (качество, риски, аудит). Курс не рассчитан на новичков без опыта ML-проекта.
Начальные требования
Нужен опыт работы с ML-пайплайном: данные → обучение → валидация → деплой/инференс. Полезно понимать A/B-тесты, мониторинг и базовую статистику. Код писать не обязательно, но вы должны уверенно читать технические описания и обсуждать метрики.
Наши преподаватели
Как проходит обучение
Каждый урок: два теоретических шага (рамка и ошибки → инженерные решения и компромиссы) и квиз. Вы будете постоянно переводить “принцип” в конкретный артефакт: метрику, проверку, договорённость, документ или процесс.
Программа курса
загружаем...
Что вы получаете
- Шаблон AI risk register и правила приоритизации рисков.
- Скелеты model card и datasheet с инженерными примерами заполнения.
- Шпаргалка выбора fairness-метрик и “когда метрики спорят друг с другом”.
- Протокол XAI-разбора: цель → метод → ограничения → интерпретация.
- Мини-runbook incident response для AI (сигнал → triage → действия → постмортем).
Сколько стоит обучение
Price:
790 ₽
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.