# AI Fluency — Персональный план

## О курсе

Пройден курс «AI Fluency Framework Foundations» от Anthropic, основанный на 4D‑фреймворке: Delegation, Description, Discernment и Diligence (ответственное и безопасное использование AI).  
Курс помогает выстроить практичный, этичный и безопасный подход к работе с AI‑системами, чтобы использовать их эффективно, осознанно и с учётом ограничений моделей.

---

## Персональные цели

### Домен 1: Delegation (Делегирование)

- **Текущий уровень**: 3/5  
- **Цель**: 4/5 к концу семестра  

**Фокус:** научиться осознанно решать, какие части задач в ML/CV и учёбе отдавать AI, а какие оставлять себе как критически важные (дизайн, финальные решения, проверка).  

**Действия:**

- Составить список типовых задач (кодинг, ресерч, подготовка отчётов, работа с ботами/агентами) и пометить, что можно делегировать AI, а что лучше делать самой.  
- Определить критерии «AI‑подходящих» задач: рутинность, повторяемость, работа с текстом/кодом без чувствительных данных, приемлемый риск ошибки.  
- Практиковать делегирование ежедневно: минимум 3 задачи в день (например, «сгенерировать черновик кода», «структурировать конспект», «сделать список идей экспериментов»).  
- Раз в две недели пересматривать список делегируемых задач и обновлять его, исходя из опыта (что AI делает хорошо, а где чаще ошибается).  

---

### Домен 2: Description (Описание)

- **Текущий уровень**: 3/5  
- **Цель**: 5/5 к концу семестра  

**Фокус:** выработать чёткий, системный стиль промптов, особенно для кода, CV‑тасок и учебных задач.  

**Действия:**

- Изучить и применять техники Chain‑of‑Thought, Few‑shot и Role‑prompting для сложных задач (разбор статьи, дизайн пайплайна, генерация кода с комментариями).  
- Создать 5–10 шаблонов промптов для типовых задач:  
  - объяснение сложной темы в ML/DL;  
  - генерация скелета кода (PyTorch / TensorFlow);  
  - проектирование CV‑пайплайна (OCR, детекция, сегментация);  
  - подготовка конспекта и плана подготовки к экзамену;  
  - идеи для AI‑агентов/ботов и их шагов.  
- При каждом запросе следовать структуре: **контекст → задача → формат ответа → критерии качества → ограничения**.  
- Вести небольшой лог «удачных промптов» с пометками, что именно сработало (примеры, роль, структура, уточняющие вопросы).  

---

### Домен 3: Discernment (Оценка)

- **Текущий уровень**: 2/5  
- **Цель**: 4/5 к концу семестра  

**Фокус:** сделать критическую оценку AI‑ответов встроенной привычкой, особенно для кода, технических объяснений и выводов по статьям.  

**Действия:**

- Всегда проверять технические ответы:  
  - запускать предложенный код на маленьком тестовом примере;  
  - сверять ключевые факты с документацией, статьями или другими источниками;  
  - просить AI объяснить решение шаг за шагом и проверять логику.  
- Вести журнал минимум 10 случаев, когда AI ошибся или сгенерировал «галлюцинацию», и фиксировать паттерны: в каких задачах и формулировках это чаще происходит.  
- Для важных решений (архитектура модели, дизайн пайплайна, выбор метрик) всегда сравнивать несколько вариантов: свои идеи, идеи AI и внешние источники.  
- Раз в неделю делать «разбор полётов» 2–3 AI‑ответов: что было полезно, что рискованно, как можно было задать задачу лучше.  

---

### Домен 4: Diligence (Ответственность и Итерации)

> В курсе Diligence связывают с ответственным использованием AI и осознанной итерацией: не останавливаться на первом ответе, учитывать риски, конфиденциальность и собственную ответственность за результат.  

- **Текущий уровень**: 2/5  
- **Цель**: 4/5 к концу семестра  

**Фокус:** не брать первый ответ как финальный, работать итеративно и при этом помнить про этику, приватность и рамки использования.  

**Действия:**

- Не останавливаться на первом ответе AI: задавать уточняющие вопросы, просить альтернативные подходы, пробовать другие формулировки промптов.  
- Использовать технику «уточняющих вопросов»: «какие есть альтернативы?», «покажи пошаговое объяснение», «какие ограничения и риски у этого подхода?».  
- Вести журнал итераций для 5–10 задач: *промпт → ответ → уточнение → улучшенный результат* и анализировать, какие уточнения сильнее всего повышали качество.  
- Соблюдать базовые правила ответственности:  
  - не загружать приватные датасеты и закрытый код;  
  - не использовать AI для обхода академической честности (не просить «сделать работу за меня»);  
  - по возможности помечать, где именно в работе помогал AI, если это важно для контекста (университет, команда).  

---

## Таймлайн (на 3 месяца)

| Период       | Фокус                         | Ожидаемый результат                                                |
|--------------|------------------------------|---------------------------------------------------------------------|
| Неделя 1–2   | Delegation + Description     | Список делегируемых задач, 5–7 шаблонов промптов.                   |
| Неделя 3–4   | Discernment                  | Журнал анализа 10 AI‑ответов с ошибками/рисками.                    |
| Месяц 2      | Diligence + Итерации         | 3 улучшенных рабочих процесса с AI (учёба, код, CV‑задачи).         |
| Месяц 3      | Все домены                   | Итоговая самооценка 4D‑компетенций, обновлённый план на следующий семестр. |

---

## Self‑Assessment (кратко)

| Компетенция                            | Уровень (1–5) | Комментарий                                                |
|----------------------------------------|---------------|------------------------------------------------------------|
| Prompt Engineering / Description       | 3             | Базовые промпты работают, но нет полностью системного стиля. |
| Discernment (критическая оценка AI)    | 2             | Часто есть доверие к ответу, даже если проверка минимальна. |
| Delegation (что и как отдавать AI)     | 3             | Уже делегирую рутину, но не всегда делаю это осознанно.    |
| Diligence (ответственность, этика, итерации) | 2       | Понимаю риски, но не всегда явно проговариваю рамки и не всегда достаточно итераций. |
| Интеграция AI в рабочий процесс        | 2             | Использую AI эпизодически, а не как стабильную часть процесса. |

---

## Ресурсы и метрики прогресса

**Ресурсы:**

- Материалы курса AI Fluency от Anthropic.  
- AI Fluency Framework (документация и описания 4D).  
- Документация к используемым фреймворкам (PyTorch, TensorFlow, библиотеки CV, инструменты для агентов).  
- Статьи и гайды по prompt engineering, AI‑агентам и ответственному использованию AI.  

**Метрики прогресса:**

- Снижение времени на типичные задачи (код, конспект, поиск информации) при сохранении или повышении качества.  
- Рост доли задач, где AI встроен в процесс (а не используется «от случая к случаю»).  
- Улучшение самооценки по 4D‑компетенциям каждые 3 месяца.  
- Количество реальных артефактов: библиотека промптов, один или несколько AI‑агентов, рабочий LLM‑пайплайн под учебные/проектные задачи.