Отраслевой модуль
Технологии искусственного интеллекта в искусстве и культуре
Модуль направлен на формирование компетенций для применения технологий искусственного интеллекта при решении задач в сфере искусствознания, культуроведения и социокультурных проектов.
Объем модуля — 144 ак. часа, рекомендуется студентам с 3 курса бакалавриата
Объем модуля — 144 ак. часа, рекомендуется студентам с 3 курса бакалавриата
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач социальной сферы, а именно в области искусства и культуры. Содержание модуля охватывает актуальные направления использования ИИ, включая создание и адаптацию культурных проектов с применением генеративных моделей, цифровую реставрацию и реконструкцию объектов культурного наследия, разработку виртуальных пространств и экспозиций и генерацию мультимедийного контента.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере фундаментальной медицины, медицинской кибернетики и здравоохранения.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить обеспечить связь ИТ-компетенций обучающихся с актуальными запросами творческих индустрий и сформировать у студентов навыки работы с данными, цифровыми инструментами и прикладными ИИ-решениями, востребованными в сфере искусства, культуры и социальных коммуникаций.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
50.00.00 Искусствознание
51.00.00 Культуроведение и социокультурные объекты
Модуль предполагается к прохождению студентами не ранее 3-го курса бакалавриата.
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. Искусственный интеллект в творчестве и социальной сфере (области применения, преимущества и ограничения)
2.2. Промпт-дизайн и LLM (архитектура, типы задач в творческом письме, стратегии промптинга, ограничения)
2.3. Генеративная графика (диффузионные модели, text-to-image, image-to-image, параметры генерации)
2.4. Использование генеративных изображений в культурных и социальных проектах (визуальные кампании, AR/VR/XR)
2.5. Инструменты генерации музыки и голоса (Suno, Udio, Riffusion, аудиогиды, подкасты)
2.6. Типы дипфейков и их характерные признаки (Face Swap, Lip Sync, Video/Audio/Photo Synthesis)
2.7. Продвижение культурных проектов и аналитика с помощью ИИ (сегментация аудитории, контент-маркетинг, анализ тональности)
2.2. Промпт-дизайн и LLM (архитектура, типы задач в творческом письме, стратегии промптинга, ограничения)
2.3. Генеративная графика (диффузионные модели, text-to-image, image-to-image, параметры генерации)
2.4. Использование генеративных изображений в культурных и социальных проектах (визуальные кампании, AR/VR/XR)
2.5. Инструменты генерации музыки и голоса (Suno, Udio, Riffusion, аудиогиды, подкасты)
2.6. Типы дипфейков и их характерные признаки (Face Swap, Lip Sync, Video/Audio/Photo Synthesis)
2.7. Продвижение культурных проектов и аналитика с помощью ИИ (сегментация аудитории, контент-маркетинг, анализ тональности)
ЛР2.1. Генеративные модели ИИ в первичной разработке концепции культурного проекта
ЛР2.2. Применение ИИ для формирования и сопровождения виртуальной среды проекта (цифровая реконструкция, аудиогиды, AR)
ЛР 2.3. Разработка стратегий продвижения проекта на основе классических и нейросетевых методов
ЛР 2.4. Оценка эффективности результатов культурного проекта (анализ обратной связи, sentiment analysis, рекомендации)
ЛР2.2. Применение ИИ для формирования и сопровождения виртуальной среды проекта (цифровая реконструкция, аудиогиды, AR)
ЛР 2.3. Разработка стратегий продвижения проекта на основе классических и нейросетевых методов
ЛР 2.4. Оценка эффективности результатов культурного проекта (анализ обратной связи, sentiment analysis, рекомендации)
Технологический стек модуля
Python, Jupyter Notebook / Google Colab
/1.
Инструмент для автоматизации процессов сбора, обработки и анализа данных. Интерактивная облачная среда для работы с кодом на языке Python, включающая набор популярных библиотек для науки о данных и машинного обучения
Pandas, NumPy
/2.
Инструмент для автоматизации процессов сбора, обработки и анализа данных. Библиотеки для обработки табличных данных, вычисления статистических характеристик и подготовки данных для обучения моделей ИИ
Matplotlib, Seaborn, Plotly
/3.
Сервис для визуализации данных и создания дашбордов. Построение гистограмм, диаграмм рассеяния, ящиков с усами (box plots), тепловых карт корреляции и интерактивных графиков для разведочного анализа данных
Google Colab, GitHub,
Yandex Disk
Yandex Disk
/4.
Облачная платформа для хранения и структурирования данных. Хранение Jupyter-блокнотов, датасетов, результатов лабораторных работ и проектных артефактов с возможностью совместного доступа и версионирования
scikit-learn, TensorFlow, PyTorch
/5.
Инструменты для быстрого построения и тестирования ML-моделей. Библиотеки классических методов машинного обучения (регрессия, классификация, кластеризация) и глубокого обучения (нейросетевые модели, включая свёрточные и рекуррентные архитектуры)
Tesseract OCR, EasyOCR, Whisper
/6.
Инструменты для автоматизации процессов сбора и обработки данных из мультимедийных источников. Оптическое распознавание текста (OCR) для извлечения информации из изображений, распознавание речи для транскрипции аудио и создания субтитров
GigaChat, Perplexity, ChatGPT
/7.
Инструменты для быстрого построения и тестирования генеративных моделей. Большие языковые модели для промпт-дизайна, генерации текстов, создания описаний, постов, пресс-релизов и адаптации материалов под разные аудитории
Midjourney, Kandinsky,
DALL-E, Stable Diffusion
DALL-E, Stable Diffusion
/8.
Сервис для визуализации данных и создания дашбордов. Генеративные модели для создания изображений по текстовому описанию (text-to-image), трансформации изображений (image-to-image), дорисовки и реконструкции объектов культурного наследия
Suno AI, Udio, Riffusion
/9.
Инструменты для автоматизации процессов создания аудиоконтента. Генерация музыки и песен по текстовому описанию, создание фоновой музыки, аудиогидов, голосовых сообщений и звукового дизайна для культурных проектов
CLIP, FAISS, Chroma, Milvus
/10.
Инструменты для быстрого построения и тестирования ML-моделей. Мультимодальный анализ (сопоставление текста и изображений) и векторный поиск для создания систем поиска по культурным объектам и рекомендательных сервисов
Shedevrum, ComfyUI, ControlNet, LoRA
/11.
Облачная платформа для хранения и структурирования данных. Платформы и методы точной настройки генеративных моделей для создания уникальных стилей, управления композицией и контуром объектов при генерации изображений
Hootsuite AI, SendPulse, Salesforce Einstein
/12.
Сервис для визуализации данных и создания дашбордов. Платформы автоматизации маркетинга для планирования публикаций, персонализированных рассылок, анализа вовлечённости и управления коммуникациями в культурных проектах
Julius.AI, SMILE.Cloud
/13.
Сервис для визуализации данных и создания дашбордов. Облачные ML-платформы для построения моделей прогнозирования, сегментации аудитории, анализа тональности (sentiment analysis) и оценки эффективности культурных проектов
AutoFactCheck, WeVerify Deepfake Detector
/14.
Инструменты для автоматизации процессов проверки достоверности контента. Факт-чекинг и детекция дипфейков для проверки достоверности мультимедийного контента и идентификации синтетических медиа
QGIS, ArcGIS
/15.
Сервис для визуализации данных и создания дашбордов. Геоинформационные системы для картографирования и анализа территориального контекста культурных объектов, построения культурно-географических карт и маршрутов
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.
Алексей Духанов
Доцент УМЦ «Искусственный интеллект», д.т.н.
Анастасия Лаушкина
Ассистент УМЦ «Искусственный интеллект», к.т.н.
Результаты обучения
Обрабатывать и анализировать данные культурных объектов
Сможет применять методы первичной обработки и разведочного анализа данных к коллекциям, архивам и цифровым культурным артефактам, выявлять закономерности и структурировать информацию для дальнейшего использования
Обоснованно выбирать методы машинного обучения для конкретных задач
Сможет сопоставлять характеристики данных и контекст культурной задачи с подходящими алгоритмами МО, аргументировать свой выбор и оценивать применимость каждого метода
Настраивать ИИ-инструменты для персонализированного продвижения
Сможет конфигурировать нейросетевые решения для таргетированных коммуникаций, разрабатывать адресные кампании и адаптировать контент под разные аудиторные сегменты с использованием ИИ
Применять мультимодальные модели для работы с мультимедиа
Сможет использовать нейросетевые модели для автоматической генерации субтитров, содержательных тегов и семантического анализа видео-, аудио- и графических материалов в культурных проектах
Интегрировать ИИ в креативные и социокультурные проекты
Сможет применять ИИ-инструменты на всех этапах разработки творческих концепций, проектировать стратегии культурной адаптации цифровых продуктов и создавать мультимедийные элементы для социокультурных инициатив
Создавать иммерсивные цифровые объекты и экспозиции с помощью ИИ
Сможет разрабатывать 3D/AR/VR модели с использованием нейросетей, проектировать цифровые выставочные пространства и реализовывать тематические мультимедийные кампании для культурных институций
Разрабатывать эффективные промпты и встраивать их в рабочие процессы
Сможет применять базовые шаблоны промптов, адаптировать их под конкретные задачи и интегрировать в пайплайн взаимодействия с генеративными моделями для получения предсказуемых и качественных результатов
Анализировать пользовательское поведение и прогнозировать воздействие культурных продуктов
Сможет применять ИИ для сбора и интерпретации данных о поведении аудитории, а также проводить предиктивную оценку того, как культурный продукт повлияет на разные группы пользователей
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 гуманитарных программ современными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке гуманитарных и цифровых наук, что позволяет студентам-гуманитариям осваивать актуальные IT-навыки в контексте их основной специализации, а не в отрыве от неё.
Формирование прикладных навыков через погружение в реальную проектную деятельность благодаря сквозному проекту, выполняемому на протяжении всего курса — студенты работают над единой задачей от постановки до защиты результата, что превращает теоретические знания в практический опыт, сопоставимый с реальным рабочим процессом.
Соответствие актуальным трендам цифровой трансформации и кадровым потребностям отрасли благодаря ориентации содержания на реальные запросы рынка труда в сфере культуры — Модуль готовит выпускников к работе с данными, цифровыми продуктами и современными инструментами управления, что напрямую повышает их востребованность в креативных и культурных индустриях.
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 50.00.00 и 51.00.00 (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
Информационные технологии в профессиональной деятельности
/1.
Высшая математика
/2.
Элементы линейной алгебры и математического анализа
Теория вероятностей и математическая статистика
/3.
Информатика
/4.
Дисциплины, определяющие основы в области культуры и искусства
/5.
В том числе «Культурология», «Изобразительное искусство», «Музыка»
© 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.
