Программа курса
3 бесплатных вводных урока и 25 премиум-уроков по 13 блокам: Classic ML, LLM/RAG и RecSys — с метриками, system design, экспериментами и тренажёром.
Открыть PremiumВводный курс
СтартБыстрый вход: где ML нужен, как выбрать подход и почему ML-метрика ≠ бизнес-метрика.
Как отличить задачу для ML от задачи для обычных правил и аналитики — и не тащить ML туда, где он не нужен.
Карта подходов: prediction, generation, retrieval, recommendation — и как выбрать под продуктовую задачу.
Почему высокий ROC-AUC сам по себе не равен revenue, и как связать offline / online / business / guardrail метрики.
ML-продуктовое мышление
Блок 1Что такое ML-продукт и как корректно ставить ML-задачу.
Чем ML-продукт отличается от обычного: вероятностное поведение, цикл данных, деградация и роль продакта.
Перевод бизнес-проблемы в ML-постановку: target, output, единица предсказания, baseline и определение успеха.
Classic ML для продактов
Блок 2База классического ML и его метрики глазами продакта.
Типы задач, признаки, обучение/валидация, переобучение и интерпретируемость — без формул, на продуктовом языке.
Precision, recall, PR-AUC, порог классификации, MAE/MAPE и связь с бизнес-эффектом и стоимостью ошибки.
Classic ML System Design
Блок 3Архитектура ML-фичи, эксперименты и внедрение.
Архитектура ML-фичи: data sources, ETL, feature store, обучение, инференс (batch vs realtime), мониторинг, переобучение.
A/B-тесты для ML: гипотеза, рандомизация, primary и guardrail метрики, rollout, shadow mode, стоп-критерии.
Модель тихо деградирует в проде. Что такое data/concept drift, как его ловят (PSI, KS), что мониторят и когда переобучают.
LLM для продактов
Блок 4База LLM и выбор между prompt / RAG / fine-tuning / agents.
Что такое LLM, токены, context window, температура, галлюцинации, стоимость и латентность — продуктовый минимум.
Когда RAG, когда fine-tuning, когда агент с инструментами. Архитектура RAG-пайплайна и его слабые места.
Продакт в 2025 прототипирует LLM-фичи сам: анатомия промпта, few-shot, chain-of-thought, structured output и eval-driven подход.
LLM Evaluation и RecSys
Блок 5Метрики LLM/RAG и база рекомендательных систем.
Как оценивать LLM/RAG: grounding/faithfulness, relevance, citations, LLM-as-judge, человеческая оценка, online-метрики.
Как устроены рекомендации: candidate generation, ranking, reranking, типы сигналов, collaborative vs content-based, cold start.
RecSys Metrics и System Design
Блок 6Метрики ранжирования и архитектура рекомендаций.
Метрики RecSys (NDCG, recall@k, diversity, coverage) и архитектура: events, candidate gen, ranking, online-эксперименты.
Данные и разметка
Блок 7Откуда берутся данные и лейблы, качество, разметка, data readiness.
Половина работы ML-продакта — это данные: откуда брать лейблы, как мерить качество, как организовать разметку и не утонуть в costs.
Discovery и экономика AI
Блок 8Где AI даёт ценность, как считать ROI и unit-экономику фичи.
Как находить, где AI реально даёт ценность, и приоритизировать AI-ставки — чтобы не делать «AI ради AI».
Как посчитать, окупается ли AI-фича: unit-экономика, стоимость инференса, TCO, build vs buy и связь с бизнес-эффектом.
AI UX и доверие
Блок 9Дизайн под ошибки модели: доверие, фидбэк, объяснимость, fallback.
Модель ошибается по своей природе — поэтому AI-продукт проектируют под ошибки: доверие, объяснимость, фидбэк-петли и graceful failure.
Responsible AI и регуляторика
Блок 10Fairness, приватность, безопасность, EU AI Act, model cards.
Bias и fairness, приватность и PII, безопасность и регуляторика (EU AI Act) — что продакт обязан заложить, а не «прикрутить потом».
Управление ML-проектом
Блок 11Неопределённость, сроки, стейкхолдеры, OKR и приоритизация AI-ставок.
ML-проект исследовательский: как планировать в неопределённости, ставить OKR, управлять ожиданиями стейкхолдеров и работать с DS-командой.
Финальный проект
Блок 12Сборка итогового артефакта и экспорт ML PRD.
Сборка итогового артефакта: выбор кейса (Classic ML / LLM-RAG / RecSys), полный ML PRD, system design, метрики и план запуска.
Карьера ML/AI-продакта
Блок 13Как проходить интервью: product design вопросы, разбор реальных ML-продуктов, estimation, behavioral и AI-roadmapping.
Фреймворк ответа на «спроектируй ML-фичу для X» — самый частый формат на интервью ML-продакта.
Как устроены изнутри Netflix, TikTok, Google Maps, Яндекс — и что из этого спрашивают на интервью.
Как отвечать на «сколько данных нужно», «сколько стоит» и «за сколько проведём A/B-тест» — с конкретными рамками.
STAR-метод адаптированный под ML-контекст: топ-10 вопросов и структура сильного ответа.
Как строить квартальный AI-roadmap, балансировать research и delivery, коммуницировать неопределённость и защищать ML-ставки перед руководством.