Внедрение больших языковых моделей в маркетинг и управление продуктом

2026/2027

ID 1142126

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Охват аудитории: для своего кампуса

Преподаватели: Удалов Антон Олегович

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Внедрение больших языковых моделей в маркетинг и управление продуктом» предназначен для магистрантов и практикующих специалистов, стремящихся освоить передовые методы и технологии интеграции LLM в бизнес-процессы. Студенты изучат архитектуру и принципы работы больших языковых моделей, научатся разрабатывать управляемые инструкции и строить RAG-конвейеры на собственных данных. Особое внимание уделяется fine-tuning моделей под конкретные продуктовые задачи, проектированию автономных и мультиагентных систем с участием человека-в-цикле, а также применению LLM для анализа голоса клиента, SEO-оптимизации, персонализации CRM и e-commerce.

Цель освоения дисциплины

В результате освоения курса «Внедрение больших языковых моделей в маркетинг и управление продуктом» слушатели смогут интегрировать LLM-решения в маркетинговые и продуктовые процессы
разрабатывать управляемые инструкции и RAG-архитектуры
дообучать модели под бизнес-задачи
проектировать LLM-агентов и оценивать их эффективность с учётом экономических и технических показателей.

Планируемые результаты обучения

После прохождения курса студенты смогут: Объяснять принципы работы LLM и их применение в маркетинге и управлении продуктом
Формулировать и реализовывать инструкции (prompt design) для управления поведением моделей без избыточных сложностей
Проектировать и оценивать RAG-конвейеры на собственных данных, выявляя и устраняя подводные камни
Планировать и проводить дообучение (fine-tuning) LLM в соответствии с требованиями продукта
Разрабатывать и координировать однопоточные и мультиагентные LLM-системы с участием человека-в-цикле
Применять LLM для анализа голоса клиента (VoC), сегментации и генерации инсайтов на основе JTBD и персон
Использовать LLM-инструменты для SEO-исследований, техаудитов, персонализации CRM и e-commerce
Настраивать и анализировать A/B-тесты с LLM, формулировать гипотезы и интерпретировать результаты
Определять и контролировать метрики качества, безопасность (SLA), дрейф и стоимость владения (TCO, ROI) при интеграции LLM в MarTech
Разрабатывать стратегии масштабирования и эволюции LLM- и агентных систем в операционном контексте бизнеса

Содержание учебной дисциплины

Введение в LLM
Промпт инструкции
RAG I
RAG II
LLM Пайплайны и оценка стоимости внедрения
Агенты
Примеры продуктового применения LLM
LLM в SEO
LLM в E-Commerce
AB тесты с LLM
Качество и безопасность
Маркетинговые технологии
Маштабирование систем и продуктов

Элементы контроля

Домашнее задание 2
Необходимо спроектировать и реализовать конвейер Retrieval‑Augmented Generation на собственных данных, показав навыки подключения источников знаний, настройки извлечения релевантной информации и оценки качества ответов системы
Домашнее задание 4
Подготовка детального плана внедрения LLM‑решения в реальный маркетинговый или продуктовый процесс — с этапами реализации, распределением ресурсов, оценкой рисков и метриками успеха.
Домашнее задание 5
Расчёт экономической и технической эффективности предложенного LLM‑решения: нужно оценить совокупную стоимость владения, окупаемость, метрики качества и риски, а также обосновать целесообразность масштабирования системы.
Домашнее задание 3
Разработка LLM‑агента или мультиагентной системы для автоматизации конкретной бизнес‑задачи, включая описание ролей агентов, логики взаимодействия и механизмов контроля со стороны человека.
Экзамен
За две недели до экзамена студентов распределяют в группы и выдают групповое задание. Необходимо подготовить презентацию в формате machine learning system design секции по заданию. Группы 1-4 человека, в рамках задания выполняют анализ рынка, анализ стоимости, оценку инженерной реализуемости На экзамене проходит защита презентации. Продолжительность защиты - до 15 минут на группу.
Домашнее задание 6
Необходимо проанализировать и заложить в проект механизмы контроля качества ответов LLM, защиты персональных данных, предотвращения генерации вредоносного контента и мониторинга дрейфа модели, подтвердив соответствие требованиям безопасности и SLA.
Домашнее задание 1
Практика использования LLM предполагает работу с большими языковыми моделями для решения прикладных маркетинговых и продуктовых задач, где нужно продемонстрировать умение грамотно формулировать промпты и интерпретировать результаты модели в бизнес‑контексте.
Проект
Работа выполняется индивидуально и представляет собой проектное задание.

Промежуточная аттестация

2026/2027 2nd module
0.2 * Проект + 0.1 * Домашнее задание 5 + 0.1 * Домашнее задание 4 + 0.1 * Домашнее задание 3 + 0.1 * Домашнее задание 2 + 0.1 * Домашнее задание 1 + 0.2 * Экзамен + 0.1 * Домашнее задание 6

Список литературы

Авторы

Удалов Антон Олегович
Паршина Анастасия Алексеевна
Ахмедова Гюнай Интигам кызы

Программа дисциплины