11 KiB
11 KiB
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.