Тема 1. Введение. ИИ в промышленности: возможности и ответственность. — Трансформация промышленности: почему ИИ — не просто тренд, а необходимость? Примеры реального воздействия на KPI: эффективность, качество, безопасность, стоимость. Краткие кейсы (PdM, контроль качества). — Ответственность инженера/разработчика — основа успеха: практический взгляд.

Тема 2. Ключевые технологии: что нужно знать.  — Машинное обучение (ML): суть и применение в цехе. — Глубокое обучение (DL): мощь для сложных задач. — Обработка естественного языка (NLP) + мультимодальность. —  Инновации на горизонте.

Тема 3. Главные применения и реальные кейсы— Прогнозное техобслуживание (PdM): от реактивного к предиктивному. Как это работает (данные + алгоритмы)? Экономический эффект. Разбор кейса: успешное внедрение + анализ рисков/ответственности (качество данных, надежность модели).— Контроль качества: от ручного к автоматическому. Компьютерное зрение + мультимодальность. Разбор кейса: повышение точности обнаружения дефектов. Ответственность: калибровка, работа в реальных условиях.— Оптимизация процессов & цифровые двойники: концепция, применение для снижения простоев, энергопотребления. Пример из практики. Ответственность: адекватность модели.— Робототехника, логистика, безопасность — где еще ИИ меняет правила игры? Q&A.Тема 4. Путь к успешному внедрению: практические шаги— Дорожная карта ответственного внедрения.— Инновационные интерфейсы (голосовые помощники/консультанты).— Типичные «грабли» и как их избежать: ошибки в постановке задач, недооценка данных, игнорирование XAI и MLOps, пренебрежение рисками антропоморфных систем.

Тема 4. Путь к успешному внедрению: практические шаги— Дорожная карта ответственного внедрения.— Инновационные интерфейсы (голосовые помощники/консультанты).— Типичные «грабли» и как их избежать: ошибки в постановке задач, недооценка данных, игнорирование XAI и MLOps, пренебрежение рисками антропоморфных систем.