The post has been translated automatically. Original language: Russian
The most important stage for the fourth stream of the Tech Orda 2025 program has come to an end — 26 weeks of deep immersion in artificial intelligence technology and management have come to an end. The course "Management of AI and ML products" was released at the Datanomix Academy.
This stream has demonstrated exceptionally high results of engagement and internal effectiveness of training. Of the 64 students enrolled in the course, 61 graduates successfully reached the final defense stage of their final qualifying projects.
The group's COR (Completion Rate) metric was 95.3%
Such a high percentage of completion over a difficult six-month distance was made possible by the end-to-end methodology of the modules, the high initial motivation of the participants and the continuous curatorial support. The group moved at a steady pace, which allowed minimizing the outflow and bringing almost every student to the finals with a well-thought-out design solution.
The 7-module path: from chaos to system
The course was designed to guide existing specialists through the entire lifecycle of creating AI solutions without going into dry program code, but with a deep understanding of the processes. The program consisted of 7 key blocks:
- Module 1: Fundamentals of Data Science and management of AI products. Analysis of roles in the DS team, classification of tasks (from regression to CV) and formulation of ML tasks based on business needs.
- Module 2: Data as the basis of AI solutions. Assessment of the quality, completeness and relevance of data, selection of tools for their analysis (Jupyter vs BI).
- Module 3: Metrics and evaluation of AI models. Translating technical metrics (Precision, Recall, F1) into the language of business metrics and building a hierarchy of proxy metrics.
- Module 4: ML project Management. Structuring chaos in development using the Data Product Canvas, Agile/Kanban agile methodologies, and research task assessment techniques.
- Module 5: Development and implementation. The study of deployment strategies (Batch, Real-time), AI-UX principles for building user trust, and methods to combat model degradation (data drift).
- Module 6: Measurement of results and testing. Calculating the economic impact (ROI) for AI initiatives and designing the design of complex A/B tests.
- Module 7: LLM and modern AI technologies. Immersion in generative AI: industrial engineering (Few-shot, Chain-of-Thought), design of RAG systems and creation of autonomous AI agents.
From educational cases to the real challenges of Kazakhstan's industries
The course program excluded abstract tasks. Throughout the course, students completed 10 practical homework assignments, which eventually formed the main artifact of the graduate — a ready-made AI project solution for the portfolio.
Along with standard cases in the field of fintech, e-commerce and mobile applications, some students defended individual projects aimed at solving specific problems in the real sector of Kazakhstan.:
- Digitalization of the quasi-public sector. Sergazy Shakabaev, a leading analyst at the NAO Information and Analytical Center for Water Resources, has developed the Smart WATER AI project, an intelligent monitoring system for irrigation networks based on machine learning technologies. The project is aimed at rapid detection of water leaks at surface water management facilities through the use of sensors, automated data collection and information analysis using ML models, which will improve the efficiency of water resources management and reduce water losses.
- Logistics optimization: Ali Akylbek presented a project to optimize the "last mile" routes. The AI dynamic calculation system is designed to solve the problem of 30% of courier delays in Astana and Almaty, taking into account real-time traffic and weather data.
- Deep compliance and ethics: Aidar Kozhin defended the compliance version of the scoring system, where he elaborated on the metrics of Fairness. In his model, the difference in loan approval between urban and rural areas was only 8% of points, and the semantic similarity of AI responses in Kazakh and Russian reached 94%.
- Social AI initiatives: Islam Isenomanov presented the Autenok project, a free personal AI assistant for parents of special children, which has already gained more than 400 real users during testing at the protection stage.
- Wearable Devices (IoT): Yernur Zholdaspekov has designed a system for an AI wristband that uses deep neural networks (1D CNN/GRU) to analyze time series of biosignals and proactively predict life-threatening conditions.
Overcoming Barriers: Student Stories
The course proved that the lack of a technical background is not an obstacle to mastering AI management, if the training methodology is built correctly.
For example, Gulnara Bakirova, who has 10 years of experience as an accountant and tax consultant, independently wrote and deployed a script in VS Code via GitHub to audit model bias (Fairness Gap) as part of her fashion project. Madina Akhmetova, while on maternity leave (she previously worked as an electromechanic), designed a complex technical stack for her AI stylist using FastAPI, Ollama, LightGBM and the Qdrant vector database.
Ali Akylbek's case became a vivid example of curatorial finality: at the beginning of his training, he was in "anti-rating" due to missed deadlines, but he was able to completely rebuild his work, pass all practical tasks perfectly and defend one of the best logistical solutions of the session.
Final: audit of decisions by an expert commission
The defense format completely simulated a real pitch in front of investors or internal stakeholders: exactly 10 minutes for a presentation and 5-7 minutes for a Q&A session.
The defense was based on the principles of sound pragmatism. The commission, led by a technical expert and the main mentor of the course, Dr. Enata Alimbekov, assessed not the speaking skills, but the technical and financial maturity of the products. The expert audit highlighted important product trade-offs, which became valuable conclusions for the entire flow.:
- Financial Sobriety (Capex vs Opex): The mentor strictly pointed out the classic mistakes in unit economics, when calculating operating costs, capital costs were completely ignored - the cost of the development team's work and the purchase or rental of servers.
- The realism of the B2B market: The expert corrected excessive optimism in the calculations of the payback of B2B platforms (for example, "going to the plus in 12 days"), recalling that in the real sector, contract cycles last for months and require a systematic, "ladder" calculation of customer connection.
- Architectural optimization: In projects where heavy language models (for example, Claude 3.5 Sonnet) were used exclusively for parsing queries in JSON, the mentor recommended replacing them with lightweight specialized NLU models over a long period of time in order to significantly save budgets.
- Product discipline: Special attention was paid to strict compliance with regulations — presentations overloaded with excessive technical details to the detriment of the allotted time received critical comments.
What's next?
During the 26 weeks of training, the participants went from an idea to a full-fledged AI project, mastered modern approaches to managing AI products and successfully defended their solutions before an expert commission.
We are proud of each of the 61 graduates who have proven their expertise in managing AI and ML products. Today, they are able to interact with both business and technical teams with equal confidence, translating the capabilities of artificial intelligence into real products and measurable results.
Now graduates apply their acquired knowledge in fintech, logistics, e-commerce, government and corporate sectors, implementing AI solutions, evaluating their effectiveness and managing their development.
Datanomix Academy thanks the Tech Orda program for its contribution to the development of specialists in the field of artificial intelligence and the support of educational initiatives that allow us to train in-demand personnel for the digital economy of Kazakhstan.
Congratulations to the graduates of the fourth stream on the successful completion of their studies and wish them new professional achievements!
Завершился важнейший этап для четвертого потока программы Tech Orda 2025 — 26 недель глубокого погружения в технологии и менеджмент искусственного интеллекта подошли к концу. В Datanomix Academy состоялся выпуск курса «Управление AI и ML продуктами».
Этот поток продемонстрировал исключительно высокие результаты вовлеченности и внутренней эффективности обучения. Из 64 студентов, зачисленных на курс, до этапа итоговой защиты выпускных квалификационных проектов успешно дошел 61 выпускник.
Метрика COR (Completion Rate) группы составила 95,3%
Такой высокий процент доводимости на сложной полугодовой дистанции стал возможен благодаря сквозной методологии модулей, высокой стартовой мотивации участников и непрерывной кураторской поддержке. Группа двигалась в едином темпе, что позволило минимизировать отток и довести практически каждого учащегося до финала с проработанным проектным решением.
Путь длиною в 7 модулей: от хаоса к системе
Курс был спроектирован так, чтобы провести действующих специалистов по всему жизненному циклу создания AI-решений без ухода в сухой программный код, но с глубоким пониманием процессов. Программа состояла из 7 ключевых блоков:
- Модуль 1: Основы Data Science и управления AI-продуктами. Разбор ролей в DS-команде, классификация задач (от регрессии до CV) и формулирование ML-задач на основе потребностей бизнеса.
- Модуль 2: Данные как основа AI-решений. Оценка качества, полноты и релевантности данных, выбор инструментов для их анализа (Jupyter vs BI).
- Модуль 3: Метрики и оценка AI-моделей. Перевод технических метрик (Precision, Recall, F1) на язык бизнес-показателей и построение иерархии прокси-метрик.
- Модуль 4: Управление ML-проектами. Структурирование хаоса в разработке с помощью Data Product Canvas, гибких методологий Agile/Kanban и техник оценки исследовательских задач.
- Модуль 5: Разработка и внедрение. Изучение стратегий деплоя (Batch, Real-time), принципов AI-UX для построения доверия пользователей и методы борьбы с деградацией моделей (data drift).
- Модуль 6: Измерение результатов и тестирование. Расчет экономического эффекта (ROI) для AI-инициатив и проектирование дизайна сложных A/B тестов.
- Модуль 7: LLM и современные AI-технологии. Погружение в генеративный AI: промпт-инжиниринг (Few-shot, Chain-of-Thought), проектирование RAG-систем и создание автономных AI-агентов.
От учебных кейсов — к реальным задачам индустрий Казахстана
Программа курса исключала абстрактные задачи. На протяжении всего обучения студенты выполнили 10 практических домашних заданий, которые в итоге сформировали главный артефакт выпускника — готовое проектное AI-решение для портфолио.
Наряду со стандартными кейсами в области финтеха, e-commerce и мобильных приложений, часть студентов защитила индивидуальные проекты, нацеленные на решение специфических задач в реальном секторе Казахстана:
- Цифровизация квазигосударственного сектора. Сергазы Шакабаев, ведущий аналитик НАО «Информационно-аналитический центр водных ресурсов», разработал проект Smart WATER AI — интеллектуальную систему мониторинга ирригационных сетей, основанную на технологиях машинного обучения. Проект направлен на оперативное выявление утечек воды на поверхностных водохозяйственных объектах посредством использования датчиков, автоматизированного сбора данных и анализа информации с применением ML-моделей, что позволит повысить эффективность управления водными ресурсами и снизить потери воды.
- Оптимизация логистики: Али Акылбек представил проект оптимизации маршрутов «последней мили». ИИ-система динамического расчета призвана решить проблему 30% опозданий курьеров в Астане и Алматы с учетом real-time данных о пробках и погоде.
- Глубокий комплаенс и этика: Айдар Кожин защитил комплаенс-версию скоринговой системы, где детально проработал метрики справедливости (Fairness). В его модели разница в одобрении кредитов между городом и селом составила всего 8% пунктов, а семантическая схожесть ответов ИИ на казахском и русском языках достигла 94%.
- Социальные ИИ-инициативы: Ислам Исеноманов презентовал проект «Аутёнок» — бесплатный персональный ИИ-помощник для родителей особенных детей, который на этапе защиты уже набрал более 400 реальных пользователей в рамках тестирования.
- Носимые устройства (IoT): Ернур Жолдаспеков спроектировал систему для AI-браслета, которая с помощью глубоких нейросетей (1D CNN / GRU) анализирует временные ряды биосигналов и проактивно предсказывает опасные для жизни состояния.
Преодолевая барьеры: истории студентов
Курс доказал, что отсутствие технического бэкграунда — не преграда для освоения ИИ-менеджмента, если методология обучения выстроена правильно.
Например, Гульнара Бакирова, имеющая 10-летний опыт работы бухгалтером и налоговым консультантом, в рамках своего fashion-проекта самостоятельно написала и развернула через GitHub скрипт в VS Code для аудита предвзятости моделей (Fairness Gap). Мадина Ахметова, находясь в декретном отпуске (ранее работала электромехаником), спроектировала для своего ИИ-стилиста сложный технический стек с использованием FastAPI, Ollama, LightGBM и векторной базы данных Qdrant.
Ярким примером кураторской доводимости стал кейс Али Акылбека: в начале обучения он находился в «антирейтинге» из-за пропущенных дедлайнов, но смог полностью перестроить свою работу, сдать все практические задания на отлично и защитить одно из лучших логистических решений сессии.
Финал: аудит решений экспертной комиссией
Формат защиты полностью симулировал реальный питч перед инвесторами или внутренними стейкхолдерами: ровно 10 минут на презентацию и 5–7 минут на сессию вопросов и ответов.
Защита строилась на принципах здорового прагматизма. Комиссия под руководством технического эксперта и главного ментора курса Рената Алимбеков оценивала не ораторские навыки, а техническую и финансовую зрелость продуктов. Экспертный аудит подсветил важные продуктовые компромиссы, ставшие ценными выводами для всего потока:
- Финансовая трезвость (Capex vs Opex): Ментор строго указывал на классические ошибки в юнит-экономике, когда при расчетах операционных издержек полностью игнорировались капитальные затраты — стоимость работы команды разработчиков и закупка или аренда серверов.
- Реализм B2B-рынка: Эксперт корректировал избыточный оптимизм в расчетах окупаемости B2B-платформ (например, «выход в плюс за 12 дней»), напоминая, что в реальном секторе циклы заключения контрактов длятся месяцами и требуют планомерного, «лестничного» расчета подключения клиентов.
- Архитектурная оптимизация: В проектах, где использовались тяжелые языковые модели (например, Claude 3.5 Sonnet) исключительно для парсинга запросов в JSON, ментор рекомендовал на долгой дистанции заменять их на легковесные специализированные NLU-модели ради существенной экономии бюджетов.
- Продуктовая дисциплина: Особое внимание уделялось жесткому соблюдению регламента — презентации, перегруженные избыточными техническими деталями в ущерб отведенному таймингу, получали критические замечания.
Что дальше?
За 26 недель обучения участники прошли путь от идеи до полноценного AI-проекта, освоили современные подходы к управлению AI-продуктами и успешно защитили свои решения перед экспертной комиссией.
Мы гордимся каждым из 61 выпускника, которые подтвердили свои компетенции в управлении AI- и ML-продуктами. Сегодня они способны одинаково уверенно взаимодействовать как с бизнесом, так и с техническими командами, переводя возможности искусственного интеллекта в реальные продукты и измеримые результаты.
Теперь выпускники применяют полученные знания в финтехе, логистике, e-commerce, государственном и корпоративном секторах, внедряя AI-решения, оценивая их эффективность и управляя их развитием.
Datanomix Academy благодарит программу Tech Orda за вклад в развитие специалистов в области искусственного интеллекта и поддержку образовательных инициатив, позволяющих готовить востребованные кадры для цифровой экономики Казахстана.
Поздравляем выпускников четвертого потока с успешным завершением обучения и желаем им новых профессиональных достижений!
Share
