172 lines
16 KiB
Markdown
172 lines
16 KiB
Markdown
# Личный план развития AI Fluency
|
||
|
||
## 1. Моя стартовая точка и цели
|
||
|
||
### Текущий уровень
|
||
|
||
- Я регулярно использую ИИ‑ассистентов (например, Claude/GPT) для программирования, генерации идей и краткого изложения статей, но делаю это в основном эпизодически, без чётко выстроенного процесса.
|
||
- У меня сильный технический бэкграунд в области глубокого обучения и компьютерного зрения, но меньше практики в системном управлении работой ИИ: выборе задач для делегирования, постановке критериев качества и встраивании ИИ в устойчивые рабочие процессы.
|
||
- На текущий момент мой уровень можно описать как «tactical assistive»: я использую ИИ как умного собеседника и помощника в IDE, но редко строю вокруг него повторяемые процессы или небольшие «системы» из скриптов, API и агентных пайплайнов.
|
||
|
||
### Цели на 3–6 месяцев
|
||
|
||
1. Перейти от разовых запросов к продуманным ИИ‑процессам в учебе и проектах, которые можно повторять и улучшать.
|
||
2. Научиться чётко разделять, какие части работы я делегирую ИИ, а какие оставляю за собой, опираясь на 4D‑framework (Delegation, Description, Discernment, Diligence).
|
||
3. Собрать личный «AI‑toolbox» для:
|
||
- учебы (конспекты, планирование, черновики статей и обзоров);
|
||
- программирования (генерация, рефакторинг, тесты, пояснения);
|
||
- исследований (литературные обзоры, идеи экспериментов, анализ результатов).
|
||
4. Повысить уровень «AI‑безопасности»: ясно понимать, какие данные нельзя передавать ИИ, как распознавать потенциальные галлюцинации и как снижать риски при использовании моделей.
|
||
|
||
---
|
||
|
||
## 2. Delegation: что и как я буду делегировать ИИ
|
||
|
||
### Общий принцип делегирования
|
||
|
||
- ИИ выполняет: черновую и рутинную работу, вариативные наброски, первичный анализ паттернов в тексте и коде, помощь в генерации идей.
|
||
- Я выполняю: формулировку задач и целей, определение критериев качества, итоговую проверку результатов, принятие решений и всё, что связано с этикой, безопасностью и ответственностью.
|
||
|
||
### Конкретные зоны делегирования
|
||
|
||
#### Учёба и исследования
|
||
|
||
- Делегирую ИИ:
|
||
- краткое изложение статей, глав книг и лекций с сохранением структуры и основных тезисов;
|
||
- генерацию вопросов для самопроверки по прочитанному материалу;
|
||
- предложение структур для обзоров литературы, курсовых и исследовательских проектов.
|
||
- Оставляю за собой:
|
||
- проверку интерпретаций по оригинальным источникам;
|
||
- отбор ключевых идей и аргументов;
|
||
- финальное написание и редактирование академических текстов.
|
||
|
||
#### Код и ML‑проекты
|
||
|
||
- Делегирую ИИ:
|
||
- генерацию шаблонов кода, boilerplate и тестов;
|
||
- идеи экспериментов, варианты архитектур и гиперпараметров;
|
||
- черновые скрипты для препроцессинга данных и базовой аналитики.
|
||
- Оставляю за собой:
|
||
- дизайн общей архитектуры системы или эксперимента;
|
||
- интерпретацию метрик и принятие решений по моделям;
|
||
- ревью и рефакторинг кода перед использованием и коммитом.
|
||
|
||
#### Организация и продуктивность
|
||
|
||
- Делегирую ИИ:
|
||
- разбиение крупных задач на пошаговые действия;
|
||
- составление расписания на день/неделю с учетом дедлайнов;
|
||
- черновики писем, описаний проектов, резюме и профилей.
|
||
- Оставляю за собой:
|
||
- расстановку приоритетов и распределение времени;
|
||
- принятие решений о нагрузке и дедлайнах;
|
||
- утверждение финальных версий писем и описаний.
|
||
|
||
---
|
||
|
||
## 3. Description: как я буду описывать задачи ИИ
|
||
|
||
### Правила хорошего промпта
|
||
|
||
1. Всегда указывать:
|
||
- роль модели (например: «Ты мой AI‑ассистент по Python и ML»);
|
||
- цель (чего именно я хочу добиться и к какому сроку);
|
||
- контекст (уровень аудитории, формат, объём, тип задания);
|
||
- ограничения (язык, длина, стиль, что нельзя делать или предполагать).
|
||
|
||
2. Структурировать запросы:
|
||
- шаг 1: просить ИИ задать уточняющие вопросы, если задача сформулирована слишком широко;
|
||
- шаг 2: заранее договариваться о формате ответа (список шагов, таблица, код‑блоки, структура документа);
|
||
- шаг 3: итеративно улучшать результат через циклы «ревью → правки → уточнение промпта».
|
||
|
||
### Практические шаблоны запросов
|
||
|
||
- Для кода:
|
||
«Вот фрагмент кода / ошибка, вот среда и версии библиотек, вот что я уже пробовал и какой результат хочу получить. Предложи решение, объясни, почему оно должно сработать, и укажи, какие места уязвимы для ошибок».
|
||
- Для учебы:
|
||
«Вот текст/статья/конспект. Выдели 5–7 ключевых идей, сформулируй 5 вопросов для самопроверки, а также отметь, какие утверждения могут быть галлюцинациями модели и требуют проверки по оригиналу».
|
||
- Для планирования:
|
||
«Я студент, у меня такие-то курсы, дедлайны и ограничения по времени. Составь реалистичный план на неделю с буферами, временем на отдых и возможностью адаптации под изменения».
|
||
|
||
---
|
||
|
||
## 4. Discernment: как я буду оценивать ответы ИИ
|
||
|
||
### Критерии качества ответов
|
||
|
||
1. Проверяемость:
|
||
- все фактические утверждения (даты, определения, формулы, ссылки, цитаты) я воспринимаю как потенциально ошибочные, пока не проверил их по надёжным источникам;
|
||
- отсутствие ссылок или объяснения происхождения факта повышает вероятность галлюцинации.
|
||
|
||
2. Соответствие задаче:
|
||
- ответ должен явно закрывать исходный запрос и соблюдать заданные ограничения по формату, языку, объёму и стилю;
|
||
- если ответ размытый, я прошу краткое резюме (executive summary) и список конкретных следующих шагов.
|
||
|
||
3. Самооценка модели:
|
||
- я буду регулярно просить ИИ:
|
||
- отмечать области, где он не уверен;
|
||
- предлагать, какие части ответа следует отдельно проверить;
|
||
- давать альтернативные трактовки, если тема спорная или исследовательская.
|
||
|
||
### Практики снижения риска ошибок
|
||
|
||
- Для кода: запускать и тестировать сгенерированный код, писать простые юнит‑тесты и проверять edge‑cases, а не доверять решению «на слово».
|
||
- Для учебы: сверяться с оригинальными учебниками и статьями, особенно когда речь идёт о формальных определениях, теоремах и доказательствах.
|
||
- Для проектов: при выборе архитектуры, модели или стека решений сравнивать несколько вариантов, а не принимать первый ответ ИИ как окончательный.
|
||
|
||
---
|
||
|
||
## 5. Diligence: этика, безопасность и ответственность
|
||
|
||
### Работа с данными
|
||
|
||
- Я не буду отправлять в ИИ:
|
||
- персональные данные других людей;
|
||
- закрытую корпоративную или университетскую информацию без явного разрешения;
|
||
- данные, подпадающие под NDA или внутренние политики организаций.
|
||
- При необходимости работы с чувствительными данными:
|
||
- по возможности использовать локальные или он‑премис решения, либо обезличенные датасеты;
|
||
- удалять явные идентификаторы, а не просто «маскировать» их в тексте.
|
||
|
||
### Этические принципы
|
||
|
||
- Использовать ИИ как инструмент поддержки обучения, а не как замену собственному пониманию:
|
||
- не сдавать сгенерированные тексты как полностью свои академические работы;
|
||
- использовать ИИ для генерации структуры, идей и черновиков, но всегда переписывать, дополнять и осмысливать результат самостоятельно.
|
||
- Соблюдать прозрачность там, где это важно:
|
||
- указывать использование ИИ, если этого требуют правила курса, университета или компании;
|
||
- не выдавать ответы ИИ за экспертные рекомендации в чувствительных областях (медицина, право, финансовые решения и т.п.).
|
||
|
||
---
|
||
|
||
## 6. Дорожная карта развития AI Fluency
|
||
|
||
### Горизонт 3 месяца
|
||
|
||
1. Учёба и практика 4D‑framework:
|
||
- пересмотреть и законспектировать ключевые уроки курса «AI Fluency: Framework & Foundations», сформулировать свои правила для каждой из четырёх D (Delegation, Description, Discernment, Diligence);
|
||
- раз в неделю проводить короткую ретроспективу: какие задачи я делегировал ИИ успешно, где столкнулся с ошибками или галлюцинациями и как могу улучшить промпты и проверки.
|
||
|
||
2. Внедрение в учебу:
|
||
- для каждого нового задания заранее решать, что делегирую ИИ, а что точно делаю сам;
|
||
- вести компактный лог: «задача → промпт → результат → что сработало/что нет и почему».
|
||
|
||
3. Внедрение в кодинг и проектов:
|
||
- настроить стабильный workflow, где ИИ выступает в роли «pair programmer» в IDE и отдельного ассистента по планированию проекта;
|
||
- хотя бы для одного ML/AI‑проекта за семестр сознательно построить весь процесс с участием ИИ: от выбора идеи и датасета до финального отчёта.
|
||
|
||
### Горизонт 6–12 месяцев
|
||
|
||
- Выйти на уровень «smart tooling / system builder»:
|
||
- связать ИИ с другими инструментами (скрипты, API, агентные фреймворки) для полуавтоматических пайплайнов в учебе и исследованиях;
|
||
- разработать 1–2 собственных мини‑гайда или небольших воркшопа по практическому использованию AI Fluency для одногруппников или коллег.
|
||
- Сформировать устойчивый набор личных «AI‑ритуалов»:
|
||
- еженедельное планирование с участием ИИ‑ассистента;
|
||
- разбор завершённых проектов с анализом вклада ИИ и качества его работы;
|
||
- периодическое обновление собственной «AI‑policy» (что можно и нельзя делегировать, как проверять результаты и управлять рисками).
|
||
|
||
---
|
||
|
||
## 7. Краткое текстовое резюме плана (англ., для вставки в форму)
|
||
|
||
In the next 3–6 months, I plan to develop my personal AI fluency by systematically applying the 4D framework (Delegation, Description, Discernment, Diligence) to my daily study and development workflows. I will delegate routine, exploratory, and drafting tasks to AI while keeping goal‑setting, critical evaluation, and final decisions under my control. I will design clearer prompts by always specifying role, goal, context, and constraints, and I will iterate on outputs using explicit quality criteria. I will apply structured discernment by double‑checking factual claims, testing generated code, and asking AI to highlight its own uncertainties and potential errors. I will follow strict diligence guidelines by avoiding sensitive data, being transparent about AI use where required, and ensuring that AI supports rather than replaces my own learning. Over time, I aim to move from ad‑hoc usage to stable, documented AI‑supported processes in my coursework and ML projects, and to reflect regularly on what works and what needs adjustment. |