Улучшаемые навыки
Искусственный интеллект
ИИ-агенты
Agentic AI
Мультиагентные системы
Управление телеком-сетями
Автономные сети (Zero-Touch)
Промпт-инжиниринг
RAG-системы
Explainable AI (XAI)
Йифровая трансформация
ROI ИИ-проектов
Управление изменениями
Кибербезопасность ИИ
Гиперперсонализация
Сохранение экспертизы
Чему вы научитесь
01
Оценивать ИИ-зрелость своего подразделения и определять точки роста с максимальной окупаемостью инвестиций (ROI).
02
Ставить задачи и контролировать работу «цифровых сотрудников» (ИИ-агентов) в контуре управления (Human-in-the-loop).
03
Применять промпт-инжиниринг для получения от ИИ готовых аналитических выкладок, а не просто текста.
04
Проектировать мультиагентные системы для решения конкретных задач: от сетевой диагностики до клиентского сервиса.
05
Разрабатывать дорожную карту внедрения ИИ, учитывая риски, безопасность (XAI) и сопротивление персонала.
06
Использовать ИИ для сохранения критической экспертизы (опыт ветеранов) с помощью RAG-систем.
Программа курса
01
Стратегический фундамент: ИИ как драйвер изменений
1.1. Новая реальность: от экспериментов к эксплуатации
Почему 2026 год стал переломным: ИИ как базовая инфраструктура, а не витрина инноваций.
Что такое ИИ-агенты и мультиагентные системы, и почему они меняют правила игры.
Ключевые тренды: физический ИИ, объяснимый ИИ.
1.2. Экономика ИИ: как считать окупаемость инвестиций (ROI) и ставить KPI
Оценка ИИ-зрелости компании / подразделения.
Метрики успеха: от снижения операционных затрат до роста выручки за счет новых возможностей.
Анализ провалов: почему 90% ИИ-пилотов не доходят до внедрения и как войти в 10% успешных проектов.
Практика: аудит ИИ-зрелости и поиск точек роста. Работа с чек-листом для оценки своего подразделения. Участники заполняют матрицу приоритетных задач, где внедрение ИИ обеспечит максимальную окупаемость инвестиций (ROI).
02
Управление через ИИ-агентов: новая операционная модель
2.1. Введение в ИИ-агентов
Принципы работы «команды ИИ-агентов»: финансы, логистика, аналитика как отдельные «цифровые сотрудники».
Как ставить задачи агентам и контролировать их исполнение. Принцип «человек в контуре» (Human-in-the-loop).
2.2. Инструментарий руководителя: промпт-инжиниринг
Как общаться с ИИ, чтобы получать не просто текст, а готовые аналитические выкладки и сценарии.
Создание промптов для рутинных задач: анализ отчетов, подготовка совещаний.
Практика: создание персонального ИИ-ассистента.
Участники на практике настраивают простого агента для сбора и первичного анализа данных из открытых источников или предоставленных корпоративных документов. Результат: готовый инструмент для экономии 3-4 часов в неделю.
03
Управление рисками, этика и внедрение
3.1. Архитектура доверия: объяснимый ИИ и безопасность
Проблема «черного ящика»: как проверять решения, принятые ИИ.
Принципы объяснимого ИИ (XAI) для руководителей: почему модель приняла такое решение?
Кибербезопасность ИИ: защита от отравления данных и промпт-инъекций.
3.2. Дорожная карта внедрения: от пилота к масштабированию
Разработка стратегии: пилотный проект, сбор обратной связи, доработка, тиражирование.
Работа с возражениями персонала: как мотивировать команду использовать ИИ.
Практика: карта рисков и план коммуникации.
Участники в группах разрабатывают план внедрения ИИ-инструмента, уделяя особое внимание рискам и способам их минимизации, а также программе обучения сотрудников.
04
ИИ-трансформация телеком-оператора
4.1. Архитектура автономных сетей (Agentic AI for Telecom)
Концепция Zero-Touch Operations: Как ИИ-агенты берут на себя управление сетью. От SDN / NFV к сетям, которые самооптимизируются.
Кейс: мультиагентная система управления RAN (Radio Access Network). Три агента: мониторинг (следит за KPI), конфигурация (меняет параметры), валидация (проверяет результат и откатывает изменения, если стало хуже) .
Тренд 2026 года: конвергенция ИТ и ОТ (Network Operations). Как объединить данные с базовых станций с биллингом и CRM для сквозной аналитики.
4.2. Борьба с «серебряным цунами» и сохранение экспертизы
Проблема: уход опытных инженеров, настройщиков сетей старой школы.
Решение: превращение опыта ветеранов (инструкции, чек-листы, истории решения аварий) в базы знаний для RAG-систем.
Кейс: ассистент полевого инженера на базе Vision Language Models (VLM) + AR-очки. ИИ подсказывает, какой порт проверить и какой ключ вставить, глядя на оборудование через камеру.
4.3. Гиперперсонализация и Agentic Commerce в телекоме
ИИ-агенты для управления жизненным циклом клиента:
Агент подбора тарифа: анализирует поведение абонента (трафик, поездки, приложения) и предлагает смену тарифа до того, как клиент потратил деньги в роуминге.
Агент проверки качества: сам инициирует диалог, если видит падение скорости на проблемном участке, и предлагает скидку или бонусы.
Агент техподдержки: замена IVR-меню. Клиент объясняет проблему, агент сам обращается к интерфейсу, проверяет статус услуги и решает вопрос, а не просто ищет статью в базе знаний.
Практика: проектирование ИИ-агента для сетевой эксплуатации
Кейс: внезапная деградация сервиса на районе / рост числа жалоб.
Задание: участники делятся на группы (Эксплуатация, Маркетинг, Клиентский сервис). Используя конструктор (песочницу), они проектируют сценарий работы мультиагентной системы:
агент-монитор (сеть) замечает аномалию.
агент-диагност (RAG по базе знаний) предлагает 3 гипотезы и действия по их проверке.
агент-коммуникатор (клиентский сервис) принимает решение: кому из абонентов отправить пуш-уведомление с извинениями и промокодом, а для кого это некритично.
Результат: прототип бизнес-логики взаимодействия ИИ-агентов для сокращения времени простоя (MTTR) и сохранения лояльности абонентов.
05
Итого на курс 16 ак. ч.: теория — 8 ак. ч. (50%), практика — 8 ак. ч. (50%)
Для кого
Руководитель группы\Тимлид
Руководитель проекта
Предварительная подготовка
Курс не требует глубоких технических навыков кодирования. Достаточно общего понимания структуры телеком-оператора (сеть, биллинг, клиентский сервис) и уверенного пользования ПК.
