Публичное выступление всегда связано со стрессом. Нужно быть четким, убедительным и харизматичным. Нередко проект может быть сильным по сути, но слабая подача снижает его шансы на успех. Этот кейс посвящен тому, как AI может усилить человека в процессе подготовки к защите идеи или проекта.

Участники могут предложить разные форматы решения. Это может быть виртуальный собеседник, который задаёт каверзные вопросы. Ассистент, анализирующий логику и структуру речи. Генератор обратной связи по ключевым аспектам: ясность, убедительность, эмоциональная подача. Подойдут и игровые тренажеры, где можно «прокачивать» навык публичных выступлений, и peer-to-peer форматы с AI-подсказками и рейтингами.

Главная цель — создать прототип системы, которая делает процесс подготовки к презентации более живым, эффективным и результативным.
Ожидаемый результат

Прототип AI-системы (тренажёра/ассистента), который помогает готовиться к презентациям и питчам. Формат реализации остаётся за командой: от веб-приложения и чат-бота до VR-тренажёра.

Требования к участникам

• Опыт работы с NLP/LLM;
• Базовые знания в UX (или наличие такого специалиста в команде);
• Интерес к исследованию механизмов обратной связи и критического мышления.

Наставничество и сопровождение студентов часто требуют много времени. Проверка домашних заданий, курсовых и дипломных проектов включает рутинные операции и большое количество комментариев. В результате ментор тратит силы на техническую проверку, а не на содержательное развитие студента.

Этот кейс посвящен разработке AI-ментора, который усиливает образовательное взаимодействие. Система должна анализировать работы студентов и выдавать первичную обратную связь. Она может подсвечивать ментору ключевые аспекты для внимательного разбора, структурировать комментарии и рекомендации, автоматизировать рутинные проверки. Студенты при этом получают более понятные объяснения ошибок и быстрее улучшают результаты.

Возможны разные подходы. Например, интеграция с LMS, создание чат-бота с адаптивными сценариями или добавление игровых элементов, чтобы сделать процесс интереснее. Приветствуются peer-to-peer механики, когда студенты учатся друг у друга при поддержке AI.
Главная задача — показать, как технологии могут сделать обратную связь в наставничестве быстрее, качественнее и полезнее для обеих сторон.

Ожидаемый результат

Прототип AI-системы, которая автоматизирует часть проверки и помогает наставнику сосредоточиться на содержательной работе со студентами. Дополнительно приветствуются геймификация, peer-to-peer механики и адаптивные сценарии.

Требования к участникам

• Умение работать с NLP/LLM для анализа текста и генерации обратной связи
• Базовые знания в UX или наличие в команде UX-специалиста
• Готовность разобраться в принципах педагогического дизайна
• Интерес к образовательным процессам и оптимизации взаимодействия «наставник–студент»
• Навыки быстрой разработки MVP и интеграции с LMS или офисными инструментам

Методика оценки 360° помогает собрать обратную связь о сотруднике с разных сторон: коллеги, подчиненные, руководители и самооценка. Такой подход дает целостную картину, но требует значительных усилий от HR. Нужно рассылать анкеты, собирать ответы, отправлять напоминания, агрегировать комментарии и формировать итоговые отчеты.

Кейс посвящен созданию фидбек-бота, который берет эти задачи на себя. Система должна уметь запускать процесс оценки в формате 180° или 360°, собирать обратную связь с помощью анкет и форм, напоминать ревьюерам о дедлайнах, агрегировать результаты с помощью LLM и формировать итоговые отчеты.

Функционал может включать разные элементы. Например, выбор набора вопросов (стандартные, управленческие, кастомные), настройку анонимности, сбор ответов через уникальные ссылки с фиксацией оцениваемого и ревьюера, возможность добавить комментарий «Не могу дать обратную связь». Важны удобные напоминания с вариантами действий и итоговые отчеты, где отражены сильные стороны, зоны роста и рекомендации.

Главная цель — сократить рутину HR и сделать процесс оценки быстрее и качественнее.

Ожидаемый результат

• MVP агента для запуска и контроля процесса 180°/360° оценки
• Автоматизированный сбор обратной связи и отправка напоминаний
• Генерация итоговых отчетов через LLM с возможностью редактирования HR
• Выгрузка отчетов в PDF и Excel/CSV
• Дополнительно могут быть реализованы: рекомендации для сотрудников, аналитика по ревьюерам, динамика изменений, интеграция с Confluence

Требования к участникам

• Навыки работы с LLM/NLP для агрегации и анализа отзывов
• Опыт работы с базами данных (сотрудники, сессии, отчеты)
• Готовность разобраться в HR-процессах оценки 180°/360°
• Навыки интеграции через API и генерации отчетов (PDF, Excel

Традиционные сервисы с готовыми ответами часто превращаются в инструмент механического списывания. Ученики получают результат, но не усваивают материал. Подход «интеллектуального ГДЗ» меняет модель: AI помогает ученику самому пройти путь решения через адаптивную лестницу подсказок.

Пользовательский сценарий включает несколько этапов. Ученик фотографирует задание, система выполняет OCR (в том числе для формул, LaTeX и простой рукописи), выделяет ключевые элементы — числа, переменные, чертежи — классифицирует тему и уровень сложности. Далее запускается диалог: AI задает уточняющие вопросы, проверяет промежуточные шаги (знаки, единицы, округления), дает наводящие подсказки и только на финальном этапе сверяет решение с эталоном.

Для закрепления система формирует краткий разбор, список типичных ошибок и 1–2 аналогичные задачи. Чтобы сохранить честность, предусмотрены ограничения: анти-«спойлер» режим (сначала шаги, затем итог), счетчик «полных подсказок», повторная проверка при повторной загрузке того же фото, контроль качества снимка.

Для учителей и родителей возможен кабинет с отчетами: карта тем и ошибок, динамика подсказок, время на решение, уровень самостоятельности. Это позволяет использовать систему не только как тьюторский инструмент, но и как источник аналитики для образовательного процесса.

Ожидаемый результат

• MVP помощника, запускающего полный цикл: фото → распознавание → пошаговые подсказки → проверка → разбор
• Автоматизированная проверка промежуточных вычислений и финальных ответов (включая округления и допуски)
• Генерация краткого разбора решения и мини-практикума с 1–2 аналогичными задачами
• Отчеты для ученика и (опционально) для учителя или родителя; экспорт в PDF и CSV

Требования к участникам

• Навыки компьютерного зрения и OCR (включая формулы и базовую рукопись), обработка макета страницы
• Опыт работы с LLM/NLP для классификации задач, генерации подсказок без раскрытия ответа и проверки рассуждений
• Backend-разработка: проектирование API, очередей обработки, логирования, анонимизации
• Умение формировать отчетность и документы (PDF, CSV), создание аналитики по темам и прогрессу

Современное образование все чаще требует персонализации. Студенты двигаются по материалу разными темпами и маршрутами, поэтому линейная структура курсов не всегда эффективна. Одним из решений становится карта понятий — система взаимосвязанных концептов, которая позволяет осваивать курс гибко и адаптивно.

В рамках кейса предлагается создать AI-инструмент для преподавателей и авторов курсов. Преподаватель загружает материалы: тексты, презентации, таблицы. Система с помощью GenAI формирует драфт карты понятий с учетом заявленных образовательных результатов. Дальше преподаватель может редактировать карту в диалоговом и ручном режимах, а затем получить графическое представление структуры курса.

Результатом работы станет модуль, который помогает превращать учебные материалы в понятные карты, поддерживает нелинейное обучение и делает образовательный процесс более персонализированным.

Ожидаемый результат

• Прототип веб-модуля, генерирующего карты понятий из предзагруженного контента
• JSON-представление карты (понятия и связи)
• Графическое отображение карты с узлами и связями
• Возможность редактирования карты преподавателем в диалоговом и ручном режимах

Требования к участникам

• Опыт работы с NLP/LLM (желательно YandexGPT)
• Знание Python
• Базовые навыки веб-разработки
• Понимание образовательных практик и принципов персонализации обучения (желательно)

Для эффективного обучения важно понимать, с каким уровнем знаний студенты начинают курс и как они продвигаются по мере освоения материала. Традиционные тесты или обсуждения помогают частично, но не всегда отражают реальные пробелы и сильные стороны.

В рамках кейса предстоит разработать AI-модуль, который строит диагностику на основе структуры понятий курса. Система должна уметь генерировать пул вопросов к каждому понятию. Это могут быть закрытые вопросы (один правильный ответ, несколько правильных ответов, соотнесение) и открытые (короткий ответ). Вопросы делятся на простые и сложные. Студент двигается по адаптивной логике: правильный ответ открывает более сложный уровень, а ошибка возвращает на базовый.

Модуль фиксирует результаты, время прохождения и уровень сложности. По итогам формируются рекомендации для студента — какие темы нужно доработать, какие компетенции уже сильные. Преподаватель получает удобные ссылки для редактирования материалов и запуска диагностики, студент — для прохождения тестирования.

Главная цель — сделать процесс диагностики знаний более точным и адаптивным, чтобы обучение было максимально персонализированным.

Ожидаемый результат

• Прототип веб-аппа для адаптивной диагностики
• Генерация диагностического пула на основе структуры понятий
• Аналитические метрики (успешность, время, уровень сложности)
• Краткие рекомендации студенту по итогам диагностики

Требования к участникам

• Опыт работы с NLP/LLM (желательно YandexGPT)
• Владение Python
• Навыки генерации тестовых вопросов
• Базовые знания в UX для создания удобного интерфейса диагностики
• Интерес к адаптивным системам обучения

Современный рынок труда быстро меняется. Компании предъявляют новые требования к компетенциям, появляются роли и специализации, которых еще несколько лет назад не существовало. Чтобы строить карьеру осознанно, человеку нужна навигация по актуальным профессиям и инструментам.

В рамках кейса предлагается разработать AI-коуча, который формирует карту профессиональной области на основе анализа вакансий с HH, Career. Habr, Яндекс Job, Rabota. Sber, Job. MTS и других порталов. Такая карта отражает роли, специализации, навыки, инструменты, технологии, требования к опыту и уровень зарплат.

Работа системы строится в несколько этапов. Сначала проводится собеседование, где фиксируется стартовый контекст: текущая позиция, опыт, реализованные проекты. Затем определяются цели — желаемая сфера, специализация, должность, амбиции по доходу. После этого оценивается уровень компетенций: hard skills, soft skills, используемые инструменты, образование. На основе этих данных AI формирует рекомендации. Пользователь получает описание ближайшей карьерной позиции и рекомендуемой позиции с обоснованием, сравнение текущих и необходимых компетенций, план развития на 1−2 года, список курсов и подборку актуальных вакансий.

Главная цель — дать студентам и специалистам инструмент, который помогает осознанно управлять карьерой и быстрее адаптироваться к изменениям на рынке.

Ожидаемый результат

• Прототип веб-аппа для карьерного проектирования
• Автоматическая сборка карты компетенций на основе анализа вакансий
• Логика собеседования и диалогового определения целей
• Генерация рекомендаций и карьерного плана

Требования к участникам

• Опыт работы с NLP/LLM (желательно YandexGPT)
• Навыки парсинга данных и работы с API вакансий
• Владение Python
• Умение структурировать и визуализировать большие массивы данных
• Интерес к теме карьерного развития и HR-технологий

Традиционные тесты дают ограниченное представление об уровне знаний. Они фиксируют правильный или неправильный ответ, но не позволяют глубоко понять, насколько студент владеет материалом. Современный AI может предложить иной подход — динамическую диагностику в диалоге.

В рамках кейса участники разрабатывают AI-тьютора, который в режиме общения определяет уровень и глубину понимания по выбранной теме. Ассистент умеет «нащупывать» знания, задавать уточняющие вопросы, предлагать нетиповые задачи и выявлять слабые места.

Возможны два сценария. Первый — формат экзамена, где тьютор сам выстраивает беседу и повышает сложность заданий по таксономии Блума. Второй — скользящая диагностика, когда уровень знаний выявляется в процессе обычного диалога.

Ассистент должен подстраивать вопросы под ответы студента, оценивать уровень знаний по шкале Блума (от знания и понимания до анализа и оценки), фиксировать сильные и слабые стороны, а затем формировать отчет. Студент получает визуализацию уровня и рекомендации, преподаватель — лог диалога и аналитику с привязкой к уровням Блума. Дополнительно система должна формировать JSON-профиль знаний, пригодный для интеграции с LMS.

Ожидаемый результат

• Прототип веб-аппа с чат-интерфейсом
• Модуль диагностики для одной–двух выбранных тем
• Каскад промптов для управления диалогом и анализа ответов
• Автоматическая генерация отчетов:
• для студента — визуализация уровня и рекомендации
• для преподавателя — лог диалога и аналитика с уровнями Блума
• JSON-профиль знаний студента для хранения и использования в LMS

Требования к участникам

• Опыт работы с LLM/NLP (желательно YandexGPT)
• Навыки проектирования диалоговых систем
• Умение формировать промпт-цепочки для адаптивного общения
• Базовые знания педагогики или интерес к образовательным технологиям
• Владение Python

Проверка проектов студентов — один из самых ресурсозатратных этапов обучения. Ревьюеры тратят много времени на рутинные исправления, а студенты долго ждут результатов. В итоге снижается темп обучения и мотивация.

В рамках кейса предлагается разработать систему автоматического ревью с использованием AI. Студент загружает проект, а ассистент делает первичную проверку. Для кода это может быть запуск автотестов, анализ стиля и поиск ошибок. Для дизайна — проверка на соответствие гайдлайнам, читабельность и единый стиль. Для текстов — оценка структуры, орфографии и логики.

В течение минуты студент получает автоотчет с выявленными ошибками, выполненными пунктами и рекомендациями. Он может доработать проект и прогнать его через систему повторно. На финальном этапе работа отправляется к ревьюеру вместе с отчетом от AI. Эксперт видит, что уже проверено, и концентрируется на глубокой оценке. Таким образом, AI выступает как первый фильтр и тренажер для студента, а человек — как финальный арбитр.

Главная цель — сократить нагрузку на наставников и ускорить обратную связь для студентов, сохранив при этом качество обучения.

Ожидаемый результат

• Прототип системы автоматической проверки проектов
• Автоотчет для студента с ошибками, статусом выполнения и рекомендациями
• Отчет для ревьюера с выделением проверенных и проблемных областей
• Возможность повторной самопроверки студентом
• Дообученная модель или набор промптов для генерации фидбека

Требования к участникам

• Умение работать с LLM/NLP (желательно YandexGPT)
• Знание Python и основ веб-разработки
• Навыки работы с кодовыми анализаторами (линтеры, статический анализ)
• Опыт в UX или понимание логики пользовательского пути (студент → ревьюер)
• Готовность к быстрой итеративной разработке

Обычная практика обучения устроена так: студент получает комментарии от ревьюера, исправляет ошибки и повторно сдает проект. Такой процесс помогает, но не всегда приводит к глубокому пониманию. Часто студент ограничивается формальной правкой, не закрепляя материал.

Этот кейс предлагает более адаптивный подход. Система анализирует ошибки студента — как по комментариям ревьюера, так и по данным автоматического ревью — и определяет темы, требующие доработки. Для каждой такой темы генерируется персонализированный микро-кейс. Это может быть отдельное мини-задание с условием, целью, эталонным решением или автотестом. Например, если студент неверно использовал SQL JOIN или неправильно построил агрегацию в pandas, система подберет задачу именно на этот навык.

Перед повторной сдачей проекта студент выполняет микро-задания, тем самым закрепляя материал и устраняя пробелы. Опционально система может вести историю выполненных микро-кейсов, чтобы преподаватели и сама платформа видели динамику и слабые места студента.

Главная цель — сделать процесс обучения персонализированным, ускорить пересдачи и повысить глубину освоения материала.

Ожидаемый результат

• Прототип генератора микро-проектов
• Автоматическая связь между ошибками в проекте и микро-кейcами
• Возможность интеграции в платформу Практикума как промежуточный этап между незачетом и пересдачей
• Повышение качества обучения и скорости повторных сдач

Требования к участникам

• Навыки работы с LLM/NLP (желательно YandexGPT)
• Знание Python и React
• Понимание принципов адаптивного обучения и работы с образовательным контентом
• Опыт в анализе кода, SQL и pandas будет плюсом

Развитие soft-skills традиционно требует очных тренингов, практических занятий или дорогостоящих VR-симуляций. Такие форматы полезны, но затратны и не всегда масштабируемы.

В рамках кейса предлагается создать AI-тренажер, который встроен в LMS и позволяет сотрудникам отрабатывать навыки коммуникации в интерактивном формате. После изучения теории сотрудник запускает тренировку, где AI выступает в определенной роли — клиента, коллеги или руководителя. Диалог строится по заранее заданному сценарию, но может включать вариативность и ветвления.

Система оценивает ответы обучающегося по заранее определенным критериям, формирует рекомендации по улучшению и отображает прогресс. Такой подход дает персонализированную практику, снижает расходы на офлайн-занятия и при этом сохраняет качество развития навыков.

Ожидаемый результат

• Прототип AI-тренажера
• Возможность диалоговых тренировок для сотрудников разных грейдов и должностей
• Автоматическая оценка навыков (после каждого ответа или в конце тренировки)
• Персонализированные рекомендации по развитию soft-skills
• Снижение затрат на офлайн-обучение и дорогостоящие симуляции

Требования к участникам

• Опыт работы с LLM и prompt-engineering
• Навыки backend-разработки
• Умение формулировать сценарии, критерии оценки и рекомендации

С ростом числа AI-продуктов возрастает и важность их защиты. Ассистенты, агенты, RAG-системы, text2sql и модели компьютерного зрения могут содержать уязвимости, которые нужно уметь находить и устранять. При этом обучение AI-безопасности часто остается теоретическим и мало вовлекает студентов или специалистов.

Этот кейс предлагает создать тренажер, который учит практическим навыкам через игровой формат. Участники могут сосредоточиться на разных аспектах — атаках, защите, конкретных моделях или типах уязвимостей — в зависимости от интересов команды. Важная часть кейса — игровые механики: уровни, баллы, достижения, которые делают процесс обучения динамичным и увлекательным.

В идеале тренажер должен быть автономным: сам проверять решения и подходить для использования в образовательных программах и корпоративных курсах.

Ожидаемый результат

• Прототип игрового AI-тренажера с базовым сценарием
• Взаимодействие с AI-системой, которую нужно «взломать» или защитить
• Реализация игровой механики: уровни, фидбек, баллы
• Возможность масштабирования на другие курсы и направления

Требования к участникам

• Интерес к AI-безопасности и понимание архитектур современных AI-систем
• Навыки работы с LLM, RAG или ML-моделями
• Креативное мышление в создании игровых сценариев
• Навыки веб-разработки или наличие такого специалиста в команде

Мультиагентные AI-системы становятся все более сложными. Несколько агентов взаимодействуют друг с другом и с инструментами, что открывает новые возможности, но также повышает риск ошибок. Неправильное делегирование, потеря контекста, циклы или «залипания» приводят к сбоям и снижают надежность решений.

В рамках кейса предлагается создать инструмент, который помогает понять, что происходит внутри мультиагентной системы. Он должен визуализировать граф выполнения — агентов, задачи, инструменты, связи и временную шкалу. Система фиксирует всю трассу: сообщения, промпты и ответы, параметры вызовов, статусы. Она классифицирует ошибки, например, неправильное делегирование, misuse инструмента, дрейф контекста, deadlock или галлюцинации, и показывает возможные причины.

Отчет по сессии должен содержать узкие места, где теряется качество или контекст, и рекомендации по настройке агентов, промптов и оркестрации. Важна также возможность экспорта трейс-данных в JSON и воспроизведения сценария для отладки.

Ожидаемый результат

• Прототип веб-инструмента с графом выполнения (агенты, задачи, инструменты, временная шкала)
• Полная трасса сессии: сообщения, промпты, параметры инструментов, статусы
• Классификация ошибок и описание возможных причин
• Отчет по сессии с рекомендациями по улучшению
• Экспорт трейс-данных в JSON и возможность воспроизведения сценария
• Демо-сценарий на выбранном фреймворке (задача с 2−3 агентами)

Требования к участникам

• Навыки работы с LLM-агентами и хотя бы одним фреймворком (CrewAI, LangChain, OpenAI Agents)
• Владение Python для оркестрации и сбора трейс-данных
• Знания в области наблюдаемости и логирования, опыт проектирования схем трейсинга
• Умение создавать интерактивные визуализации графов и таймлайнов (например, React + graph-библиотеки)

Выбор профессии и образовательной программы часто становится серьезным вызовом. Информации слишком много, но она разрозненная и не всегда полезная. Большинство сервисов дают усредненные рекомендации, не учитывающие личные ценности, качества и опыт. В итоге человек рискует выбрать нерелевантное направление, потерять мотивацию или потратить время на обучение, которое не приведет к целям.

Задача кейса — создать прототип GenAI-агента, который в одном сеансе проведет пользователя по маршруту профориентации. Система должна вести адаптивный диалог, задавать уточняющие вопросы, предлагать валидные и простые в применении методики, собирать результаты и анализировать их.

AI-агент интегрирует упражнения и тесты (якоря карьеры Шейна, MBTI, тесты Климова и Холланда, модель PCM и др.), сопровождая их инструкциями и пояснениями. После этого агент формирует персонализированный отчет: список из пяти профессий или направлений с кратким обоснованием, а также рекомендации по образовательным программам, которые помогут их освоить.

Главная цель — помочь человеку лучше понять себя, связать свои интересы и навыки с профессиями и образовательными маршрутами и тем самым построить более осознанный карьерный трек.

Ожидаемый результат

• Прототип AI-агента для профориентации
• Адаптивный диалог с уточняющими вопросами
• Встроенные инструкции к упражнениям и сбор ответов
• Анализ данных пользователя и выявление паттернов
• Персонализированный отчет с 5 профессиями и кратким обоснованием
• Рекомендации по образовательным программам, ведущим к выбранным профессиям

Требования к участникам

• Опыт работы с NLP/LLM 
• Навыки Python-разработки
• Умение работать с API (hh.ru и другие)
• Интерес к базовым диагностикам и тестам по профориентации
• Интерес к теме карьерного развития и EdTech

Текущая ситуация

Сотрудник проходит теоретический курс в LMS и получает практический кейс. Решения проверяются вручную ответственными методистами или экспертами, что занимает много времени и снижает скорость обратной связи.

Проблемы текущего решения

1) Высокая нагрузка на экспертов и затраты времени на ручную проверку.
2) Медленный отклик для сотрудника: задержка с получением оценки и рекомендаций.

Ожидаемый результат

• Автоматическая проверка решений кейсов на основе «лучшего ответа» и заданных критериев.
• Выставление оценки по каждому навыку и общая оценка решения.
• Формирование персонализированных рекомендаций по улучшению навыков.
• Возможность сотрудника задать уточняющий вопрос и получить пояснение от AI-проверяющего.

Требования к участникам

• Владение базовыми навыками работы с NLP/LLM и промпт-инжинирингом.
• Знание Python
• Опыт или интерес в UX/UI, чтобы сделать удобный интерфейс для пользователей
• Умение работать в команде

Текущая ситуация

В университетах и корпоративных образовательных программах преподаватели тратят значительное время на рутинные процессы. Ручная проверка заданий, занесение оценок в разные системы, ответы на повторяющиеся вопросы снижают эффективность работы и оставляют меньше времени на содержательную часть обучения.

Для студентов это оборачивается задержками обратной связи и низкой вовлеченностью. Отсутствие интерактивности и игровых механик делает процесс менее мотивирующим.

Кейс направлен на создание AI-платформы, которая решает эти проблемы комплексно. Она должна автоматизировать проверку тестов и письменных работ, упростить учет оценок, поддержать студентов через чат-ассистента и добавить геймификацию в процесс обучения. Важным элементом станет модуль кросс-проверки между студентами, позволяющий включать peer-to-peer взаимодействие.

Такая система позволит ускорить обратную связь, снизить нагрузку на преподавателей и повысить мотивацию студентов через элементы игры: баллы, достижения, таблицы лидеров.

Проблемы текущего решения

1) Длительная ручная проверка заданий.
2) Неудобная работа с разрозненными системами учёта оценок.
3) Отсутствие быстрой обратной связи студентам.
4) Недостаток интерактивности и игровых механик.

Ожидаемый результат

Прототип AI-платформы, включающей:

• автоматическую проверку тестов и письменных работ;
• модуль кросс-проверки между студентами;
• интеграцию с системой учёта оценок;
• чат-ассистента для студентов;
• элементы геймификации (баллы, достижения, таблицы лидеров).

Требования к участникам

• Владение Python и умение работать с API
• Навыки работы с NLP/LLM для анализа текстов и генерации обратной связи.
• Опыт в UX/UI — умение проектировать удобные интерфейсы с элементами геймификации.
• Умение работать в команде и доводить проект до прототипа.