AI и наука о данных: использование ответственного ИИ, данных и статистики для практического воздействия
Сотрудничество между Astana IT University и MIT IDSS
Fundamentals of AI for Leaders in Public and Private Sectors
Профессор Мунтер Дале, основатель и первый директор MIT IDSS, лично проведёт 3-дневный интенсив в Astana IT University 17–19 июня в рамках AI Week.
3-дневный буткемп | Старт обучения: 17 июня 2026
Язык обучения: английский
О программе
Этот трехдневный курс даёт целостное представление об искусственном интеллекте, рассматривая его преимущества и вызовы в контексте применения в различных секторах. Программа предлагает системный взгляд на полный жизненный цикл AI, показывая, как его компоненты взаимодействуют при создании решений для общественно значимых задач. Особое внимание уделяется вопросам регулирования — включая подходы к снижению рисков, связанных с отказами систем, предвзятостью, дискриминацией и этическими аспектами, при одновременной максимизации общественной ценности AI. Формат, основанный на дискуссиях, дает участникам пространство для проработки и развития собственных идей. Эффективная AI-стратегия включает четыре ключевых элемента: развитие и поддержание инфраструктуры, формирование квалифицированных кадров, развитие исследований и предпринимательства, а также выстраивание системы управления и регулирования. Реализация такой стратегии требует тесного взаимодействия всех заинтересованных сторон — бизнеса, государства и образовательных институтов. Несмотря на сложность разработки AI-стратегии как для государства, так и для бизнеса, курс предлагает структурированный подход, позволяющий системно анализировать технологии и принимать обоснованные решения.
Для кого программа (Executive Audience)
- C-level руководители - CEO, CTO, CFO, CDO
- Государственные служащие и разработчики политик
- Руководители стратегии и инноваций
- Лидеры команд в индустриях с регулированием
- Главы цифровой трансформации
- Те, кто принимает решения о внедрении AI
Что отличает программу (Executive-Level Framework))
- Technology, policy, and strategy within one integrated framework. Leaders gain a unified view of AI implementation, not just separate tools.
- Подход, ориентированный на принятие решений
Акцент на принятии решений. а не на технической глубине. Курс готовит руководителей принимать Al-решения, а не писать код. - Реальные риски
Bias, дезинформация, отказы систем, регулирование. Программа учит распознавать и снижать ключевые риски AI на практике. - Среды с высокой ответственностью
Разработан для лидеров, работающих в сложных средах с высокой ценой ошибки: топ-менеджмент, госорганы, отрасли с регулированием.
Учебная программа
Модуль 1
• Что такое AI; полный жизненный цикл AI на примере здравоохранения
• Обзор ключевых понятий: AI, ML, LLMs, Gen AI, agentic AI
• Краткая история AI (1950–2025): 4 революции в вычислениях и AI
Модуль 2
• Что такое Data Science: методология, качество данных, постановка задачи, причинно-следственные связи
• Обзор ML: регрессия, деревья решений, Random Forests, Deep NNT, reinforcement learning
Модуль 3
• Matrix completion
Пример: Recommendation Engines, оценка политики
• Random Models
Пример: временные ряды в инженерии и финансах, моделирование пандемий, сворачивание генов
• Transformers и Large Language Models
Пример: Large Language Models (LLM) и prompt engineering в бизнес-приложениях
Модуль 4
• Agentic AI: как это работает
Пример: демонстрация чатботов и объяснение принципов их проектирования
Модуль 5
• Вопросы bias, causality и этичных решений
• Data Governance:
- Digital Platforms, Electronic Health Records
• GDPR: регулирование данных и framework для прав собственности
Пример непредвиденных последствий: инновации и сбои в отдельных сценариях
• Правовые аспекты: внешние эффекты и ответственность за сбои
Пример: дискриминация из-за data bias с объяснением источника sampling bias
Пример: внешний эффект — правовой аспект (Golden State Murderer)
Модуль 6
• Возвращение к жизненному циклу AI и взаимозависимости между его компонентами
• Зависимость данных и алгоритмов
Пример bias и дискриминации на Digital Platforms
Антимонопольное регулирование e-commerce платформ
• Зависимость алгоритмов и людей
Пример ухудшения результатов при использовании ML-помощи врачами
Пример: монокультура, например CrowdStrike или AI Assessment tools
• Этическое vs правовое
Пример: что считается приватным? Безопасность данных
Пример: алгоритмы не могут принимать субъективные решения, например self-driving cars
О профессоре Мунтере Даллехе
Профессор имени Уильяма А. Кулиджа, MIT EECS
Основатель и первый директор MIT IDSS
Член Laboratory for Information and Decision Systems (LIDS)
Международно признанный исследователь в области сетевых систем, теории управления, принятия решений и системных рисков. Возглавлял MIT IDSS с момента основания института в 2015 году до 2023 года.
Научные интересы: сетевые системы, социальные сети и динамика мнений, системный риск, транспортные системы и устойчивость инфраструктуры.