Отраслевой модуль
Технологии искусственного интеллекта для решения задач отрасли связи и телекоммуникаций
Модуль направлен на формирование компетенций для применения технологий искусственного интеллекта при решении задач профессиональной деятельности связи и телекоммуникаций.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 1 курса магистратуры
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 1 курса магистратуры
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач отрасли связи и телекоммуникаций. Содержание модуля охватывает актуальные направления использования ИИ, включая прогнозную аналитику и управление сетями связи, автоматизацию обслуживания абонентов, анализ бизнес-процессов и маркетинга в телеком-компаниях, а также обеспечение кибербезопасности сетей и инфраструктуры.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере связи и телекоммуникаций.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить связь ИТ-компетенций обучающихся с актуальными запросами телеком-индустрии и сформировать у студентов навыки работы с данными, цифровыми инструментами и прикладными ИИ-решениями, востребованными для моделирования сетей, управления телекоммуникационным оборудованием, прогнозирования отказов и разработки интеллектуальных сервисов для абонентов.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
11.04.02 Сети и системы связи
Модуль предполагается к прохождению студентами не ранее 1 курса магистратуры.
Формат обучения
- Продолжительность обучения1 семестр, 4 зачетные единицы
- Общий объем модуля144 академических часа (32 а.ч. лекций, 32 а.ч. лабораторных работ, 80 а.ч. самостоятельная работа)
- Итоговая аттестацияЗачет
Программа обучения
Модуль состоит из двух блоков:
1.1 Основные понятия технологий ИИ (определения ИИ, конструктивное и регуляторное определение, сильный и слабый ИИ, символьный ИИ и экспертные системы, машинное обучение, модели ИИ на данных, нейросети)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
ЛР1.1 Первичная обработка и разведочный анализ данных. Выбор модели ИИ
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
2.1. Технологии искусственного интеллекта в телекоммуникациях. Вводная лекция
2.2. Применение И И для решения задач моделирования сети фиксированной связи
2.3. Применение И И для решения задач моделирования расположения базовых станций мобильного оператора
2.4. Предиктивная аналитика телекоммуникационного оборудования с помощью ИИ: остаточный ресурс, обнаружение аномалий, планирование ремонтов
2.5. Применение И И для решения задач обслуживания абонентов: Help Desk, голосовые помощники, синтез и распознавание речи
2.6. ИИ-бизнес-аналитика в телекоммуникационной компании
2.7. ИИ в безопасности телекоммуникаций
2.8. Перспективы и проблемы применения ИИ в отрасли связи
2.2. Применение И И для решения задач моделирования сети фиксированной связи
2.3. Применение И И для решения задач моделирования расположения базовых станций мобильного оператора
2.4. Предиктивная аналитика телекоммуникационного оборудования с помощью ИИ: остаточный ресурс, обнаружение аномалий, планирование ремонтов
2.5. Применение И И для решения задач обслуживания абонентов: Help Desk, голосовые помощники, синтез и распознавание речи
2.6. ИИ-бизнес-аналитика в телекоммуникационной компании
2.7. ИИ в безопасности телекоммуникаций
2.8. Перспективы и проблемы применения ИИ в отрасли связи
ЛР 2.1. Построение карты покрытия сети сотового оператора с использованием методов ИИ
ЛР 2.2. Прогнозирование оттока клиентов в телеком-компании
ЛР 2.3. Классификация входящих обращений в техническую поддержку
ЛР 2.4. Автоматическое переконфигурирование сетевых устройств для пересылки сетевого трафика
ЛР 2.5. Противодействие отравляющей атаке для защиты от подмены обучающих данных
ЛР 2.2. Прогнозирование оттока клиентов в телеком-компании
ЛР 2.3. Классификация входящих обращений в техническую поддержку
ЛР 2.4. Автоматическое переконфигурирование сетевых устройств для пересылки сетевого трафика
ЛР 2.5. Противодействие отравляющей атаке для защиты от подмены обучающих данных
Технологический стек модуля
Python, Jupyter Notebook / Google Colab
/1.
Интерактивная облачная среда для работы с кодом на языке Python, включающая набор популярных библиотек для науки о данных и машинного обучения
Pandas, NumPy, Matplotlib, Seaborn
/2.
Библиотеки для обработки табличных данных, вычисления статистических характеристик и подготовки данных для обучения моделей ИИ
scikit-learn, XGBoost/LightGBM
/3.
Библиотеки для классического машинного обучения, градиентного бустинга и решения задач классификации, регрессии и кластеризации
PyTorch, TensorFlow, Keras
/4.
Фреймворки для глубокого обучения: разработка и обучение нейросетевых моделей для анализа телекоммуникационных данных
Hugging Face Transformers, LangChain
/5.
Инструменты для работы с большими языковыми моделями (LLM): дообучение, адаптация, RAG-пайплайны, промпт-инжиниринг
Kafka, Grafana, InfluxDB
/6.
Инструменты для работы с потоками данных в реальном времени и визуализации метрик сетевого оборудования
Kubeflow, Docker
/7.
Платформы для оркестрации и контейнеризации рабочих процессов машинного обучения, обеспечивающие повторяемость и масштабируемость решений
API (CAMARA, MCP)
/8.
Интерфейсы программирования приложений для интеграции с аппаратными компонентами и получения данных в реальном времени
Разработан в партнерстве
Модуль разработан Университетом ИТМО в рамках проекта «ТОП ИИ» при участии
Разработчики, преподаватели и эксперты
Александр Бухановский
Научный руководитель Исследовательского центра «Сильный ИИ в промышленности», д.т.н.
Александра Ватьян
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н.
Владимир Грудинин
доцент факультета прикладной информатики, к.т.н.
Артем Береснев
старший преподаватель факультета прикладной информатики, к.т.н.
Результаты обучения
Разрабатывать интеллектуальные сервисы для абонентов
Сможет создавать голосовых помощников, чат-ботов и системы автоматического обслуживания на основе ИИ, снижая нагрузку на персонал.
Применять методы машинного обучения для анализа данных
Сможет проводить разведочный анализ телекоммуникационных данных, выявлять аномалии, строить модели классификации, регрессии и кластеризации.
Обеспечивать безопасность телекоммуникаций с помощью ИИ
Сможет применять ИИ для обнаружения аномалий, борьбы с фродингом, защиты от DDoS-атак и выявления несанкционированного доступа.
Разрабатывать модели для управления сетями
Сможет применять ИИ для автоматической настройки параметров сети, переноса нагрузки, автономного восстановления и оптимизации трафика.
Разрабатывать системы поддержки принятия решений
Сможет создавать интеллектуальные СППР для управления сетями, планирования ремонтов, анализа бизнес-процессов и маркетинга в телеком-компаниях.
Интегрировать ИИ-решения в производственные процессы оператора связи
Сможет оценивать перспективность внедрения ИИ, формулировать требования к системе, внедрять и оценивать эффективность решений.
Применять технологии ИИ для прогнозной аналитики отказов
Сможет разрабатывать модели для предсказания сбоев телекоммуникационного оборудования, анализировать данные с датчиков, температуры, сигнала, загрузки и предотвращать отказы до их возникновения.
Использовать LLM и генеративный ИИ в телеком-задачах
Сможет адаптировать и дообучать языковые модели для работы с технической документацией, логами конфигураций и обращениями абонентов, а также применять RAG-пайплайны.
Преимущества и условия внедрения модуля
Преимущества для вуза:
Методическая готовность к реализации благодаря полному пакету учебно-методической документации — модуль обеспечен рабочей программой дисциплины (РПД), фондом оценочных средств (ФОС), видеолекциями и детальными методическими указаниями для выполнения лабораторных работ.
Обогащение профильных программ актуальными цифровыми компетенциями без потери их инженерной направленности благодаря междисциплинарной структуре модуля-содержание выстроено на стыке телекоммуникационных наук и технологий ИИ, что позволяет студентам профильных направлений осваивать востребованные цифровые навыки в контексте их профессиональной деятельности.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий-технологический стек на базе Google Colab и open-source библиотек исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации отрасли и кадровым потребностям благодаря ориентации содержания на реальные запросы рынка труда-модуль готовит выпускников к работе с данными, цифровыми продуктами и современными ИИ-инструментами, что напрямую повышает их востребованность в телеком-индустрии.
Условия внедрения:
Наличие в вузе образовательных программ по направлению 11.04.02 «Сети и системы связи» (или смежным).
Сетевой договор с вузом о реализации модуля
Модуль должен быть включен в учебный план как обязательная дисциплина или дисциплина по выбору
Что нужно знать студенту на старте
Программирование
/1.
Базовый синтаксис Python, работа с переменными, циклами, условными операторами, функциями, базовое понимание структур данных (списки, словари).
Математика
/2.
Линейная алгебра (векторы, матрицы), математический анализ (производные, интегралы) на базовом уровне.
Статистика
/3.
Основные понятия теории вероятностей, распределения случайных величин, статистические характеристики (среднее, дисперсия, медиана, процентили).
Информационные технологии
/4.
Уверенное владение компьютером, работа с файлами, поиск информации в сети «Интернет».
Специальные дисциплины
/5.
Базовое понимание архитектуры сетей связи, принципов работы телекоммуникационного оборудования и основных стандартов.
© Учебно-методический центр «Искусственный интеллект», 2026
Все материалы, размещённые на данном сайте, являются объектами авторского права. Запрещается их копирование, распространение или любое иное использование без указания первоисточника.
