Модуль 1. Introduction to AI and Prompt Engineering
Розпочнемо занурення у світ штучного інтелекту: коротко поговоримо про історію розвитку AI, його типи, можливості та основні сфери застосування. Зосередимося на практиці написання ефективних промптів для генеративних моделей і рекомендаціях, як уникнути типових помилок та як отримати від AI саме те, що ми хочемо.
- Вступ до AI: історія, типи, можливості.
- Огляд AI застосунків (генеративний AI, NLP, Machine Learning).
- Best Practices для промпт-інжинірингу. Гайд по на написанню ефективних промптів, приклади промптів.
- Методи очищення та підготовки даних. Вплив упередженості даних на результати використання (Data Bias).
- Принципи конфіденційності даних та захисту персональної інформації, дотримання нормативних вимог.
- Q&A
Модуль 2. Intro in Prompt engineering and Strategic Business Analysis with AI
У цьому модулі зосереджуємося на тому, як використовувати AI для аналізу стратегічних ініціатив, виявлення можливостей та загроз, а також для побудови бізнес-кейсів з урахуванням даних.
- Промпт інжиніринг – огляд різних технік та практичний досвід використання
- Використання AI для аналізу ринку та конкурентів (застосування NLP для аналізу текстів, трендів, оглядів).
- Побудова ефективних бізнес-кейсів на основі даних, зібраних за допомогою AI.
- Автоматизація SWOT-аналізу (виявлення сильних і слабких сторін, можливостей і загроз) за допомогою AI.
- Виявлення кореневих причин бізнес-проблем за допомогою аналізу даних (AI-driven root cause analysis).
- Як AI може допомогти в побудові міцних відносин зі стейкхолдерами.
- Що таке АІ Агенти
Модуль 3. AI-Enhanced Requirements Discovery & AI-Driven Requirements Analysis
Говоримо про те, як AI може допомогти забезпечити чітке розуміння потреб бізнесу на ранніх стадіях проєкту через автоматичний аналіз даних, взаємодію зі стейкхолдерами та інших ресурсів.
- Автоматичне формування питань для інтерв’ю на основі вхідних матеріалів (вимог, опису проблеми, email-ланцюгів).
- Використання LLM для перевірки повноти підготовлених питань.
- Використання AI для аналізу історичних даних проєктів та виявлення повторюваних або прихованих вимог у документації.
- Використання генеративних AI-моделей для створення ранніх візуалізацій рішень.
- Автоматизація збору кількісних та якісних даних.
- Виявлення “сліпих зон” — тем, які ще не були згадані.
- Генерація гіпотез для перевірки під час інтерв’ю.
Фокусуємося на організації, аналізі та моделюванні вимог за допомогою AI, для підготовки до дизайну рішення, забезпечуючи чіткість, повноту та відповідність бізнес-правилам і потребам користувачів.
- Визначення бізнес-логіки та правил за допомогою AI.
- Використання AI для створення структурованих User Stories та Use Cases на основі наданих даних.
- Моделювання зв’язків даних та поведінки системи за допомогою AI.
- Автоматична класифікація та групування вимог.
- Автоматичне створення діаграм (UML, BPMN) за текстовими описами. (Візуалізація інформації через AI-генеровані діаграми).
- Аналіз та управління бізнес-правилами з використанням AI.
- Робота з нефункціональними та вимогами до інтерфейсу за допомогою AI.
Модуль 4. AI for Visualization and Decision-Making
Цей модуль дає змогу ефективно презентувати результати та плани за допомогою сторітеллінгу, візуалізацій та метрик для підтримки зважених бізнес-рішень та узгодження між зацікавленими сторонами.
- Використання AI для генерації звітів та презентацій (автоматичне написання текстів).
- Аналіз даних у режимі реального часу для підтримки прийняття рішень.
- Створення дорожніх карт продукту на основі даних та прогнозів AI.
- Використання AI для оцінки ефективності рішень (KPI та метрики).
Модуль 5. AI Ethics and Responsible Use (Відкрита дискусія)
Закриваємо курс темою про ключові принципи етичного застосування штучного інтелекту в бізнес-аналізі та поговоримо про досвід впровадження AI в компаніях.
- Важливість етичного використання AI у бізнес-аналізі.
- Хто відповідальний за управління AI-рішеннями у компанії.
- Досвід впровадження AI у бізнес-процеси (головні виклики, ризики та типові помилки)
- Як інтегрувати AI у вже знайомі інструменти (JIRA, Confluence, Miro).
- Робота з AI-агентами
- Створення багатокомпонентних рішень (Multi-Component Prompts, MCP)
