Без заголовка

По моему мнению в 4, 8, 10 очень важно выводить на инженерный уровень, по опыту вывода в прод BERT модели в использование в мае: 1) стек nvidia, pytorch + hugginface terraform друг с другом не работает - все пилят в свою сторону и использование BERT NLP AI моделей в проде зависит не от команд с инженерами на зарплате, а от индуса поддерживающего и пилящего проект https://simpletransformers.ai/ 2) Вендорские примеры pytorch/transformers NLP pipeline - это пример стабилизации мышления людей которые мыслят в batch, в таком виде это не добавляет пользы бизнесу, нужно разбивать и предрасчитывать, в контексте NLP - tokenization отдельно, инференс отдельно. В 7 ( Распределенные системы) нужно добавить актор модели или каналы (actor model vs process/channels) при этом для обсуждения людей и экзокортекс понятие агентов важно, хоть и имеет совесем другой смысл. Еще хорошо бы дать value from data vs data science - прям по how to measure everything, в данных ценности нет если они не собраны с учетом эксперимента. В 10 еще enterprise governance - как управляются модели если они принимают решения о 10-ках миллионов долларов или влияют на жизни? Я бы структурировал курс по другому: "для принесения пользы бизнесу от AI/Quantum computing/blockchain or digital transformation нужное подчеркнуть надо помнить про - и дальше по списку выше как дереву решений: хочешь AI в организации - надо 1) принимать решения 2) думать о этике, 3) думать о связях (онтологии) 4) мерить решения 5) собирать данные которые помогают принимать решения.