Отраслевой модуль
Технологии искусственного интеллекта для решения задач топливно-энергетического комплекса (ТЭК)
Модуль направлен на формирование компетенций для применения технологий искусственного интеллекта при решении задач профессиональной деятельности в сфере ТЭК и ориентирован на подготовку специалистов, способных применять большие языковые модели, Retrieval-Augmented Generation, графы знаний, мультиагентные системы, предиктивную и прескриптивную аналитику, а также генеративное проектирование для решения прикладных задач ТЭК. Особое внимание уделяется работе с отраслевыми данными и документами, OSDU-подобными моделями данных, корпоративными хранилищами данных, цифровыми двойниками, технологическими регламентами, инженерными расчетами и системами поддержки принятия решений.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее второго курса бакалавриата
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее второго курса бакалавриата
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач топливно-энергетического комплекса. Содержание модуля охватывает актуальные направления использования ИИ, включая разработку LLM/RAG-ассистентов для работы с корпоративными данными и документацией, проектирование мультиагентных систем поддержки принятия решений, применение методов предиктивной и прескриптивной аналитики для диагностики оборудования и планирования обслуживания, а также использование генеративных моделей для проектирования и оптимизации объектов ТЭК.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере топливно-энергетического комплекса.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить развитие практико-ориентированных навыков применения искусственного интеллекта в конкретных задачах топливно-энергетического комплекса.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
18.00.00 Химические технологии
21.00.00 Прикладная геология, горное дело, нефтегазовое дело и геодезия
а также иным направлениям подготовки, по которым происходит обучение профессионалов в топливно-энергетическом комплексе.
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 Данные ТЭК для агентных ИИ-систем (OSDU-подобные датамодели, цифровые двойники, корпоративные хранилища данных).
2.2 Большие языковые модели как основа отраслевых интеллектуальных систем (работа с технической документацией, регламентами, отчетами, проблема галлюцинаций и трассируемости).
2.3 Предметная адаптация БЯМ для ТЭК (PEFT, LoRA/QLoRA, подготовка отраслевых датасетов, LLM-as-a-judge).
2.4 RAG, GraphRAG, онтологии и графы знаний для данных компании ТЭК (чангкинг, эмбеддинги, гибридный поиск).
2.5 Мультиагентные СППР для комплексных задач ТЭК (архитектуры router, planner, executor, critic, supervisor).
2.6 Мультиагентные СППР для ТЭК (роли агентов, память, контроль и оценка, human-in-the-loop).
2.7 Агентная предиктивная и прескриптивная аналитика технологических операций ТЭК (диагностика оборудования, прогноз остаточного ресурса, планирование обслуживания).
2.8 Агентные сценарии планирования, оптимизации и генеративного проектирования объектов ТЭК (диффузионные модели, топологическая оптимизация, FEA/CFD-валидация).
2.2 Большие языковые модели как основа отраслевых интеллектуальных систем (работа с технической документацией, регламентами, отчетами, проблема галлюцинаций и трассируемости).
2.3 Предметная адаптация БЯМ для ТЭК (PEFT, LoRA/QLoRA, подготовка отраслевых датасетов, LLM-as-a-judge).
2.4 RAG, GraphRAG, онтологии и графы знаний для данных компании ТЭК (чангкинг, эмбеддинги, гибридный поиск).
2.5 Мультиагентные СППР для комплексных задач ТЭК (архитектуры router, planner, executor, critic, supervisor).
2.6 Мультиагентные СППР для ТЭК (роли агентов, память, контроль и оценка, human-in-the-loop).
2.7 Агентная предиктивная и прескриптивная аналитика технологических операций ТЭК (диагностика оборудования, прогноз остаточного ресурса, планирование обслуживания).
2.8 Агентные сценарии планирования, оптимизации и генеративного проектирования объектов ТЭК (диффузионные модели, топологическая оптимизация, FEA/CFD-валидация).
ЛР2.1 От OSDU-подобной датамодели к LLM/RAG-ассистенту для ТЭК.
ЛР2.2 Агентная СППР для технологического сценария ТЭК.
ЛР2.3 Коррозия-пайп: агентный workflow на n8n для анализа коррозионных рисков трубопроводной инфраструктуры ТЭК.
ЛР 2.4 Генеративное проектирование и оптимизация объекта ТЭК с diffusion-моделью и валидацией.
ЛР2.2 Агентная СППР для технологического сценария ТЭК.
ЛР2.3 Коррозия-пайп: агентный workflow на n8n для анализа коррозионных рисков трубопроводной инфраструктуры ТЭК.
ЛР 2.4 Генеративное проектирование и оптимизация объекта ТЭК с diffusion-моделью и валидацией.
Технологический стек модуля
Anaconda
/1.
Дистрибутив языков программирования Python и R, включающий набор популярных свободных библиотек, объединённых проблематиками науки о данных и машинного обучения.
VS Code с установленными расширениями Python, Jupyter
/2.
OSDU Data Definition Documentation
/3.
Документация по датамоделям, схемам и структурам данных
OSDU для нефтегазовой отрасли
/4.
OSDU Open Test Data
/5.
Открытые тестовые данные для демонстрации и тестирования OSDU-подходов
Equinor Volve Data Sharing
/6.
Открытый набор данных нефтегазового месторождения
Volve для исследований, обучения и разработки
/7.
OpenEI. Open Energy Information
/9.
Открытый каталог энергетических данных
OpenEI. Open Energy Information
/9.
Открытая база энергетической информации и данных
n8n
/10.
Open-source платформа для построения no-code/low-code сценариев интеграции и автоматизации, позволяющая связывать API, базы данных, файлы и модели ИИ в единый конвейер обработки данных
HTTP Request
/11.
Универсальный инструмент для отправки HTTP запросов к внешним сервисам и API из сценария n8n (GET, POST и др. методы), используемый для интеграций с веб сервисами, системами заказчика и LLM провайдерами.
JSON структуры
/12.
Формат представления данных в виде вложенных объектов и массивов (JavaScript Object Notation), применяемый как основной способ передачи и хранения данных в сценариях n8n (между узлами), а также при взаимодействии с API и LLM.
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.
Денис Насонов
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н.
Николай Бутаков
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н.
Мария Ходорченко
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н.
Результаты обучения
Постановка и формализация прикладных задач применения ИИ в технологических, производственных, инженерных и управленческих процессах ТЭК
Предметная адаптация и тестирование больших языковых моделей для задач ТЭК с использованием PEFT, LoRA/QLoRA, промптинга, LLM-as-a-judge и экспертной оценки
Организация, подготовка и интеграция отраслевых данных ТЭК:
технологических параметров, регламентов, проектной документации, эксплуатационных журналов, справочников, данных цифровых двойников и OSDU-подобных датамоделей;
Проектирование мультиагентных систем поддержки принятия решений,
способных анализировать данные, вызывать модели и инструменты, работать с регламентами и формировать обоснованные рекомендации
Разработка LLM/RAG-систем и корпоративных интеллектуальных ассистентов для поиска, анализа и обобщения отраслевых данных и документов с указанием источников
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 инженерных и ИТ-программ актуальными отраслевыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке энергетики, инженерии и технологий ИИ, что позволяет студентам технических направлений осваивать востребованные цифровые навыки в контексте их профессиональной деятельности.
Формирование прикладных навыков через погружение в реальную проектную деятельность благодаря сквозному проекту, выполняемому на протяжении всего курса — студенты работают над единой отраслевой задачей от постановки до защиты результата, что превращает теоретические знания в практический опыт, сопоставимый с реальной инженерной деятельностью.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий — технологический стек на базе open-source библиотек и облачных сред исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации промышленности и кадровым потребностям отрасли 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 топливно-энергетическом комплексе.
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 18.00.00 Химические технологии, 21.00.00 Прикладная геология, горное дело, нефтегазовое дело и геодезия, а также иных направлений подготовки, по которым происходит обучение профессионалов в топливно-энергетическом комплексе.
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
Учебные курсы, которые студент должен освоить перед началом обучения по модулю:
Основы программирования
/1.
Базовый синтаксис Python, работа с переменными, циклами, условными операторами, функциями, базовое понимание структур данных (списки, словари)
Высшая математика
/2.
Линейная алгебра и математический анализ
Теория вероятностей и математическая статистика
/3.
Основы баз данных и анализа данных
/4.
Понимание основ реляционных баз данных, языка SQL, базовые навыки работы с табличными данными
Основы машинного обучения
/5.
Понимание основных концепций машинного обучения (задачи классификации, регрессии, кластеризации), знакомство с библиотеками scikit-learn, pandas
© 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.
