ilovedocs | AI

Нейросеть у себя на компьютере: зачем и как?

Локальная LLM — это модель, которая работает прямо на вашем компьютере или сервере.

Но зачем вообще с этим возиться, если уже есть ChatGPT, Claude и другие блага цивилизации?

У локальных LLM есть два основных плюса.

• Данные остаются у вас.

Обычные LLM-сервисы работают так: вы отправляете запрос на сервер компании-разработчика нейросети, там модель его обрабатывает и возвращает ответ.

Именно поэтому безопасники и напрягаются: если загрузить в нейросеть данные клиента, сразу возникают вопросы конфиденциальности, адвокатской тайны и прочие наши юридические радости.

• Меньше зависимости от внешнего сервиса.

Если модель уже скачана и запущена у вас, для работы ей не нужен доступ к чужому серверу. Она продолжит работать даже без интернета.

Собственно, поэтому и возникает интерес к локальным LLM.

Как установить локальную LLM

Самый простой вариант — использовать готовую программу вроде LM Studio или Ollama. Дальше схема примерно такая:

• Выбрать модель и её размер. Для локального запуска используют модели, которые доступны для скачивания — например, Qwen. Но чем больше модель, тем мощнее нужен компьютер.

• Скачать модель. После этого её файлы хранятся у вас.

• Запустить и пользоваться! В LM Studio, например, привычный интерфейс, похожий на ChatGPT.

Какие есть ограничения

• Нужно подходящее железо, а оно стоит денег. Чем больше модель, тем больше ей требуется видеопамяти. Некоторые наши активисты для этого покупают отдельный Mac mini и используют для локальных моделей.

Если своего железа не хватает, можно арендовать сервер (хороший сервер тоже стоит денег). Но тогда часть смысла локальности теряется: данные всё равно уходят к хостинг-провайдеру. И тогда проще пользоваться обычной нейросетью.

• Локальные модели могут быть слабее и медленнее облачных. Особенно если запускать крупную модель на обычном ноутбуке.

• Модель нужно обновлять самостоятельно. Скачанная версия сама по себе новее не станет. Чтобы получать актуальные данные, придется обновлять модель или подключать внешние источники.

• Интернет-поиск придётся подключить отдельно. Сама локальная модель в интернет «не ходит», но это можно добавить: подключить платный поисковый сервис или настроить свой.

Кто пользуется локальной LLM — делитесь своим опытом ;)

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Как юристу использовать ИИ-агентов в своих задачах

В этот четверг, 17 сентября в 11:00 по МСК, проведём вебинар про ИИ-агентов.

Покажем, что с их помощью можно делать в юридической работе и как начать собирать решения под свои задачи.

Павел Мищенко и Евгений Вихров разберут:

• почему выгодно использовать ИИ-агентов;
• как устроен путь от идеи до рабочего агента;
• что такое скиллы и плагины и как их создавать;
• зачем агенту память;
• как распределять работу между агентами и человеком.

Расскажем всё простым языком с переводом технического на человеческий.

Лучше приходить онлайн: можно будет сразу задать вопросы спикерам. Не получится прийти онлайн — в секрете ничего не оставим, запись тоже будет.

Зарегистрироваться на вебинар.

Мониторинг судебной практики: как такое сделать?

Опять нашли золото в нашем чате. На этот раз — проект нашего выпускника Алексея Мартынова @AleksMartyn по автоматическому мониторингу судебной практики.

Алексей собрал помощника, который каждый день ищет новые судебные акты, отсеивает лишнее, делает краткие саммари и приносит результат в Telegram на проверку.

То, что проходит проверку, Алексей публикует в канале @corp_disputes.

Что именно делает система

Каждый день помощник:

• заходит в банк решений арбитражных судов;
• ищет свежие акты по корпоративным спорам Верховного Суда и АС Московского округа;
• отбрасывает «процессуальный шум» (определения о возврате, отказы в передаче и другие малоинтересные документы без содержательной позиции);
• проверяет, не обрабатывал ли этот акт раньше;
• извлекает из PDF текст;
• отправляет текст в LLM, которая готовит короткое саммари с основной правовой позицией;
• присылает результат Алексею в Telegram вместе со ссылкой на дело.

Как это сделано (история для тех, кому IT уже ближе юриспруденции)

1. Система сама запускается каждый день

Вся система написана на Python (популярный язык программирования для таких задач) и работает на отдельном Linux-сервере.

Раз в день система сама запускает новый мониторинг. За запуск по расписанию отвечает планировщик JobQueue. Сам помощник работает как служба systemd: запускается вместе с сервером и автоматически перезапускается после сбоя.

API-ключи хранятся отдельно от кода.

2. Система забирает новые судебные акты

Тут все секретики раскрывать не будем: сайт защищён от автоматического сбора данных, поэтому пришлось отдельно настраивать способ получения документов.

3. Акты проходят фильтрацию

Каждый раз система проверяет документы за последние 15 дней по дате регистрации. Это нужно, потому что некоторые акты появляются в банке с задержкой.

Дальше система применяет несколько фильтров:

• оставляет нужные виды судебных актов;
• по содержанию исключает, например, отказы в передаче, возвраты, оставление без рассмотрения и документы без содержательной мотивировки;
• отбрасывает слишком короткие документы;
• не пропускает уже обработанные акты: система сохраняет их doc_id (уникальный идентификатор документа) в локальной базе SQLite и при следующем запуске сверяется с ней.

4. LLM готовит саммари

Из PDF автоматически извлекается текст. Для этого используется pypdf — библиотека для работы с PDF-файлами в Python.

Дальше текст отправляется в Qwen3-235B (языковая модель семейства Qwen). Доступ к ней система получает через Yandex AI Studio.

При этом система не привязана к одному варианту: в настройках можно быстро переключиться на Qwen через сервис DashScope или на YandexGPT, не переписывая всю программу.

Для модели установлена низкая температура — 0,1 (этот параметр отвечает за степень случайности ответа: чем он ниже, тем меньше модель импровизирует и тем более предсказуемо отвечает).

Отдельная большая часть работы — промпт. В нём десятки правил: что сохранять в саммари, что опускать, как не путать судебные инстанции и как вытаскивать именно правовую позицию, а не просто процессуальный результат.

5. Отдельно проверяются возможные галлюцинации

Дополнительно работает детектор галлюцинаций на обычных правилах поиска по тексту. Он находит в саммари ссылки на Пленумы, Обзоры и информационные письма и проверяет, есть ли такие упоминания в самом судебном акте. Если нет — помечает их для проверки.

6. Результат приходит в Telegram

Готовый разбор приходит Алексею в личку через Telegram-бота. Под сообщением есть кнопки «Опубликовать / Редактировать / Теги / Пропустить». В канал уходит только то, что Алексей подтвердил.

Получился хороший пример автоматизации рутинной части мониторинга судебной практики. Берите на заметку)

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Работа с агентами: внедрение

Раньше все обсуждали, как написать хороший промпт. Сейчас в нашем чате всё чаще появляются вопросы про агентов.

Катя @delay_RAG как раз мощно пересобрала в нашей базе знаний всё, что связано с их работой. Отличный повод заглянуть туда в гости)

(1) Управление агентами.

Подраздел о том, как из агентов сделать управляемую команду супер-шпионов. Он пополнился сразу 5 статьями, которые закрывают основные вопросы по теме:

• Харнесс — что нужно добавить вокруг модели, чтобы она вообще превратилась в агента.

• Оркестрация и субагенты — как разбивать большую задачу между несколькими агентами и всегда ли оно надо.

• Память агента — как устроить память так, чтобы агент не превращался в рыбку Дори.

• Рабочее пространство агента — как организовать агенту понятную среду, чтобы он работал на ваше благо.

• Практический опыт участников сообщества — секретные приёмы управления агентами от тех, кто уже отправлял их на реальные задания.

2. Как работать со знаниями

Любому агенту для спецзадания нужна информация. Организовать разведданные — уже ваша часть работы. Но и тут мы собрали инструкции:

• Хранений знаний — три способа сложить знания так, чтобы ими можно было пользоваться.

• LLM-вики и Obsidian — как вести базу знаний. Разбираем сам подход LLM-вики и Obsidian как один из инструментов для него. Плюс кейсы участников сообщества, которые уже собирают такие базы у себя.

• Обновлённая статья про контекстное окно — как работать с контекстом в агентных задачах.

В общем, если обычного чата с нейросетью вам уже мало и хочется перейти к чему-то большему — маршрут в базе теперь проложен.

А если на этом пути вам нужна поддержка — приходите к нам на новый поток курса по агентам и вайбкодингу. Будем готовить агентов к реальным заданиям вместе ;)

Транскрибируем аудио в домашних условиях

В нашей работе аудио копятся довольно легко: судебные заседания, консультации, переговоры и т.д. Саму запись обычно неудобно переслушивать, а с расшифровкой уже можно работать вместе с ИИ: сопоставить её с протоколом заседания, подготовить справку по консультации, выделить позиции участников и составить вопросы к следующему заседанию.

Самый простой способ получить расшифровку — загрузить аудио в LLM-сервис. Чаще всего для таких задач рекомендуют Google AI Studio. Можно вообще не искать какие-то инструменты, а заплатить тем, кто сделает расшифровку за вас.

⟢ А можно выбрать путь посложнее — собрать систему под себя. Именно такую сделал Семён Мошкин @heavylaw для расшифровки записей судебных заседаний.

Схема на первый взгляд простая: записать звук → распознать речь → разделить реплики по спикерам. Но на реальных записях из суда быстро выяснилось, что на каждом этапе возникают свои проблемы. Поэтому пришлось творить и придумывать решения.

Семён сначала поделился своей системой в чате. Мы, конечно, мимо пройти не смогли: сразу возникло много вопросов.

Поэтому Степан Леонтьев устроил Семёну допрос интервью и выяснил все явки и пароли: как всё устроено, что конкретно сделал Семён и как ему это помогает.

Читайте в прикреплённом файле!

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Как делать юридический ресёрч с помощью ИИ

Недавно мы спрашивали, кто как использует ИИ для поиска информации. Коллеги, спасибо, что активно делились опытом!

Всё прочитали, собрали краткие советы и подготовили подробную статью в нашей базе знаний. За статьёй — сюда, за краткой версией — ниже.

1. Сформулировать промпт

Без нормального ТЗ результат ... (продолжение все знают). Как минимум, нужно объяснить задачу, дать контекст и обозначить, что именно вы хотите получить от ресёрча.

Если пока непонятно, как сформулировать запрос, можно поручить это самому ИИ (пусть отрабатывает деньги за подписку). Расскажите ему задачу и попросите задать уточняющие вопросы. А потом на основе ваших ответов уже можно собрать промпт для исследования.

Для этого есть и готовый инструмент — скилл «Найди свои неизвестные» от Николая Божкова @jur_perevod. Он заставляет модель сначала найти пробелы в постановке задачи и уточнить их.

2. Выбрать модель и режим поиска

Зависит от сложности запроса. Для простого поиска можно взять обычную (среднюю) модель. Для сложного вопроса — thinking / Pro-режим.

Небольшой вопрос можно исследовать прямо в обычном чате, включив функцию поиска в интернете. Если задача большая — запускать Deep Research. Он сам строит план исследования, делает серию поисков и собирает отчёт со ссылками.

3. Не пытаться сделать весь ресёрч одним запросом

Необязательно пытаться получить всё одним мегапромптом. Большое исследование лучше разбить на этапы.

Сначала можно провести разведку, т.е. попросить ИИ описать основные направления поиска, чтобы понять, куда вообще двигаться. Потом — собрать первоисточники, отдельно проанализировать найденное и уже после сформулировать вывод.

Разные этапы лучше делать в разных чатах. Так предыдущие рассуждения меньше тянут модель к выводам, которые она уже успела придумать.

4. Если часто приходится делать ресёрч — автоматизировать

Тут отлично помогает агентный подход. Например, Григорий Москалев @gregms создал мультиагентный плагин (надстройку, которая запускает целую «команду» агентов под одну задачу) для Claude Cowork и Claude Code. Один уточняет факты, другие ищут первоисточники, третий проверяет их актуальность, затем собирается черновик, и несколько агентов-рецензентов ищут в нём слабые места. На выходе — меморандум в docx со сносками и перечнем источников.

5. Доверяй, но проверяй

ИИ умеет писать очень убедительно. Настолько убедительно, что потом мы видим новости о том, как суд оштрафовал участника процесса за несуществующую судебную практику. Поэтому важно проверять все источники. Ответственность за результат несёте вы.

Полезный финальный прогон — попросить ИИ атаковать собственный вывод: найти контраргументы и слабые места.

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Вебинар завершился, Perplexity остался

Степан Леонтьев и Евдокия Шматина @evdokia_arch провели обзор Perplexity и показали, что сейчас это уже сильно больше, чем просто «поисковик с нейросетью». Теперь это отдельное рабочее пространство.

Приятное дополнение — работает без геополитических особенностей и не замечен в любви к внезапным банам российских пользователей.

Что обсуждали:

• Бесплатные возможности: базовые функции, лимиты и приятные фишки.
• Pro-доступ: зоопарк моделей внутри и почему это не так же качественно, зато доступно.
• Функция «Мозг»: как устроена память, которая не путает рабочие задачи с рецептами шарлотки и сама обновляет инструкции.
• Perplexity Computer: сколько токенов-кредитов сожрет агентный режим и чем отличается от чата.
• Браузер Comet: прикладные функции ИИ-ассистента (быстрый перевод, резюмирование) и опыт работы с СПС.

Запись вебинара доступна по ссылке.

Изучайте, а главное пробуйте в работе!

Как научить ИИ писать как вы

Сейчас появляются маркеры сгенерированного с помощью ИИ текста: длинное тире, типичные обороты в виде «это не про то, а про это», излишний канцеляризм, равномерная плотность изложения. Хочешь, напишу ещё несколько пунктов, по которым можно определить, что текст написан ИИ?

Так происходит, потому что нейросеть пишет текст, постоянно угадывая наиболее вероятное продолжение уже написанного. Делает она это на основе закономерностей, которые «выучила» при обучении на огромном количестве текстов. Поэтому модель выбирает типичные формулировки, и у разных пользователей они начинают повторяться.

Читая такие тексты, кто-то восклицает «опять этот ваш ЫЫ, уже и писать обленились». Но можно чуть потрудиться и обучить нейросеть писать как вы (или хотя бы приблизить к приличному результату).

Итак, что ж делать?

• Дать модели свои тексты как примеры

Самый простой вариант — загрузить пару страниц эталонного текста (не надо загружать всё своё литературное наследие) и попросить придерживаться того же стиля. Лучше брать примеры того же типа, который нужен на выходе: для процессуального документа — свои процессуальные документы, для писем — письма.

Но ограничение такого варианта в том, что модель не понимает, какие ваши авторские признаки вы хотите учесть. И вы не поймёте, что она посчитала «вашим стилем». Лучше использовать более системные варианты ↓

• Попросить составить профиль вашего стиля

То есть, чтобы LLM разобрала, как именно вы пишете на основании текстов, которые вы ей дали. Описание ваших стилевых признаков будет работать лучше, чем промпт «пиши живо и профессионально как будто ты лучший юрист мира».

• Показать свои правки

Следующий уровень — дать модели две версии: «вот что написал ты» и «вот как это переписал я». Попросить определить, какие изменения вы вносите. После нескольких таких примеров можно попросить найти повторяющиеся закономерности в ваших правках.

• Сохранить всё это для постоянного использования

Когда есть примеры и ваш готовый авторский профиль, это можно собрать во что-то постоянное. Одному из участников нашего чата ChatGPT сам предложил сделать скилл «Пишем, как Тимур» на основе его текстов.

Если ваша LLM не такая инициативная, скилл можно собрать самостоятельно. Профиль стиля также можно сохранить в инструкциях проекта, чтобы модель учитывала его во всех чатах внутри него.

А какую LLM брать?

По опыту участников чата, Claude хорошо справляется с имитацией стиля в логичных нехудожественных текстах (например, при подготовке процессуальных документов). Кто-то отмечает, что Gemini часто дает более «живой» язык.

Но, как и люди, разные нейросети по-разному «считывают» стиль: для кого-то точка в конце сообщения — правило русского языка, для кого-то — пассивная агрессия. Поэтому нужно попробовать разные нейросети и выбрать ту, которая лучше понимает ваш стиль письма.

Коллеги, делитесь, как определяете, что оппонент прислал сгенерированный документ?

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Perplexity для работы: что попробовать

Этот инструмент утратил популярность в нашем сообществе, когда там сократилось количество бесплатных функций. А зря! У Perplexity хорошая экосистема, в частности в агентном направлении. А ещё он работает без КВН (только серьёзные задачи).

Если вы в поисках нового инструмента или хотите лучше понять функционал Perplexity — ждём вас в среду на вебинаре.

Степан Леонтьев и Евдокия Шматина @evdokia_arch, юрист-инхаус в фармацевтической компании, специализирующаяся на рекламе и маркетинге, расскажут, как можно использовать Perplexity в работе.

Разберём:

• что умеет обычный чат;
• чем бесплатная версия отличается от платной;
• как работают глубокое исследование, проекты и создание викторин;
• что умеет браузер Comet и как его можно использовать как личного ассистента;
• что такое Computer и его функции (навыки, плагины, коннекторы и рабочая память).

Встречаемся 2 сентября в 19:00 (Мск).

Зарегистрироваться можно тут.

Коллеги, срочный сбор!

Представим задачу.

Вам нужно исследовать новый для себя юридический вопрос. На старте у вас есть только формулировка задачи от коллеги/клиента и несколько часов на поиск, чтобы дать предварительный ответ.

Что будете делать? Как будете искать информацию и как для этого использовать ИИ?

Как можно выстроить свою базу знаний | пример Рунетлекса

Часто люди воспринимают базу знаний только как набор папок и файлов. Кто-то хранит всё просто на компьютере, кто-то использует специальные системы вроде Notion.

Человеку в такой базе относительно удобно ориентироваться: он помнит контекст, знает, где что лежит, может открыть несколько документов и сам понять, как они связаны между собой.

С агентом сложнее. Найти подходящий документ ему недостаточно. Ему нужен контекст, чтобы «понять», какие знания применимы к задаче и как они связаны между собой.

В Рунетлексе эту задачу решают с помощью графа знаний. Его выстраивает Евгений Вихров @evgenysmira, юрист и legal ops Рунетлекса, который поделился с нами своим опытом.

Граф знаний — это система, которая связывает между собой скиллы, контекст и правила работы. Он устроен таким образом, что знания в нём хранятся не изолированно, а вместе со связями между ними.

По сути, граф — это просто совокупность файлов в формате Markdown, которые лежат там, где вам удобно (например, на сервере как в Рунетлексе). Человек в этом всем вряд ли разберётся, но вместо него это сделает агент.

Как такой граф собирают

Универсального приложения для графа знаний нет: можно использовать готовое решение или собрать собственную систему. Документы загружают через интерфейс такой системы или подключают к ней хранилище. Дальше материалы обрабатываются: из них выделяются отдельные знания и связи между ними, после чего эта структура сохраняется в графе.

Как это устроено в Рунетлексе

Добавлять знания помогает Златослава Тихоновецкая — AI-помощница Евгения в формате Telegram-бота. Через неё можно передать материал, из которого нужно сохранить полезное знание. Это подробно показано на второй картинке.

Сам бот при этом не является графом знаний — это интерфейс для работы с ним. Графовая база хранится отдельно на сервере.

В саму базу могут обращаться другие агенты Рунетлекса — как устроен этот процесс, показано на картинке 3. Они получают из графа уже связанный набор знаний под конкретную задачу, поэтому им не нужно самостоятельно собирать контекст из разных файлов и решать, что именно применять.

Что это даёт на практике

• Опыт не остаётся в голове одного сотрудника или в череде чатов.

• Новые сотрудники быстрее проходят онбординг. И люди, и агенты — да, у агентов в Рунетлексе тоже есть онбординг.

• Все подключённые агенты работают с единым актуальным слоём знаний, а не каждый со своим набором файлов.

• Ответ агента можно проверить. В граф попадают подготовленные единицы знания. Они проходят проверки и экспертное ревью и только после этого становятся доступны агентам.

Граф делает знания внутри компании доступными и связанными. За счёт этого агентов можно использовать как цифровых сотрудников, подключать их к рабочимм задачам и работать быстрее и точнее.

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Как использовать нейросети на максимум: краткое пособие

Во всём многообразии функций нейросетей легко запутаться.
Поэтому мы собрали наши основные посты, которые помогут вам разобраться.

Сохраняйте себе, а главное — пользуйтесь 😉

Что использовать

Определиться с тем, что выбрать под свои задачи, бывает сложно. Но и не надо пытаться найти одну нейросеть на всю жизнь.

• Какую LLM выбрать для конкретной задачи
• Какие модели использовать
• Вновь популярная Kimi
• Gemini Notebook (специализированный инструмент для работы с большим набором ваших источников)

Как работать с LLM

Качество ответа зависит от того, как вы работаете: что загружаете и в каком объёме.

• Почему нейросеть «забывает» (ответ на вопрос, почему 20 томов дела модель тоже не может «держать в голове»)
• В каком формате загружать документы
• Как прикреплять документы в нейросеть
• Как распознать документ (на случай, если ваш PDF сделан на мыльницу из 2010-ого)
• Как убедиться, что LLM прочитала ваши документы
• Как создать скилл (если вы постоянно объясняете LLM один и тот же порядок действий)
• Как проверять LLM на галлюцинации по НПА
• Как научить нейросеть писать по шаблону (лайфхак на случай, если вы думаете, что «LLM тупая» и не понимает вас)

Агентный режим

Прелесть в том, что тут можно отдать задачу целиком. Агент сам планирует шаги, работает с файлами и использует доступные инструменты.

• Что такое Claude Cowork
• Как работать с Cowork
• Как работать с оркестратором и субагентами

Конкретные сценарии использования

Примеры того, как можно использовать нейросети в юр.работе от участников нашего чата.

• Как работать при подготовке сложной правовой позиции
• Как быстро подготовиться к судебному заседанию (на случай, когда клиент прислал документы только перед процессом)
• Как использовать нейросети в судебной работе
• Как визуализировать расчёт требований для суда с помощью ИИ
• Как быстро проанализировать решения налоговой
• Как разобрать банковские выписки за 5 минут вместо нескольких дней
• Как выгрузить судебную практику для анализа через ИИ

Как можно создать личную библиотеку знаний

Новый тренд — собирать свою LLM-wiki. По сути, это личная база знаний, где материалы не просто свалены в папку, а разложены по понятной структуре.

Именно такую систему сделал для себя Степан Леонтьев @law_exe и поделился ею с участниками нашего чата.

Технически система устроена как папки с данными + набор инструментов вокруг них.

Есть несколько обычных папок:

• wiki/ — основная база знаний, где лежат готовые материалы и заметки
• raw/ — первоисточники (документы, из которых потом собираются материалы)
• media/ — картинки и иллюстрации
• inbox/ — новые входящие материалы, которые еще не разобраны
• trash/ — уже отработанные исходники после разбора

Чтобы не делать все руками, рядом работает набор небольших инструментов на Python (один из самых простых и популярных языков программирования для таких задач). Они помогают разбирать новые материалы, перемещать файлы, обновлять базу и в целом поддерживать порядок.

На скринах показали краткий механизм работы этой системы и добавили скрины от Степана — как всё это выглядит уже в готовом виде.

В итоге получается локальная библиотека знаний, которая лежит прямо на компьютере. Это один из ключевых принципов всей конструкции: данные хранятся у вас, а нейросети и другие инструменты уже работают поверх этой базы.

_______________________________
Сообщество юристов, которые покоряют нейросети
Канал | Курс

Завтра начинаем покорять нейросети

Уже завтра стартует 7-й поток курса «Нейросети для юриста: от основ к системе».

Если вы давно хотели разобраться с нейросетями нормально, а не методом «нажал и вроде что-то получилось» — есть возможность забежать в последний вагон.

Тем более скоро начинается busy season: задач много, дедлайны как обычно горят. Хороший момент заранее разобраться, что можно отдать нейросетям, чтобы пережить этот жизненный этап более спокойно.

На курсе будем учиться:
• ставить нейросетям задачи так, чтобы получать нужный результат;
• выбирать инструменты под юридическую работу;
• использовать ИИ в реальных рабочих задачах;
• собирать агентов и автоматизировать процессы;
• внедрять нейросети в работу команды.

В зависимости от тарифа можно пройти только основы или пойти дальше — в ИИ-агентов и вайбкодинг либо в трек для руководителей о внедрении ИИ в командную работу.

Будут вебинары, много практики, чат с участниками и менторами. В общем, просто посмотреть лекции и ничего не внедрить мы постараемся вам не дать)

Полная программа и тарифы доступны по ссылке.