Отраслевой модуль
Технологии искусственного интеллекта для решения актуальных задач обрабатывающей промышленности
Модуль направлен на формирование компетенций для разработки и применения технологий искусственного интеллекта для решения задач профессиональной деятельности в обрабатывающей промышленности
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач современной отрасли «Обрабатывающая промышленность». Содержание модуля охватывает актуальные направления использования ИИ, включая предиктивную аналитику оборудования (оценка остаточного ресурса, обнаружение аномалий, планирование ремонтов), компьютерное зрение для контроля качества продукции и производственных процессов, цифровые двойники на основе данных, ИИ для планирования и оптимизации производства, промышленную робототехнику (автономная навигация, планирование движения), генеративное проектирование с использованием эволюционных алгоритмов и генеративных сетей, а также применение больших языковых моделей для автоматизации подбора и оценки персонала.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере обрабатывающей промышленности
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить развитие практико-ориентированных навыков применения искусственного интеллекта задачах обрабатывающей промышленности.
Для кого подготовлен
Модуль может быть применим для направления подготовки
35.03.02 Технология лесозаготовительных и деревоперерабатывающих производств
Иные направления подготовки, связанные с обрабатывающей промышленностью
Изучение модуля возможно не ранее 2 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 Введение в ИИ для обрабатывающей промышленности (основные задачи для ИИ, экономические эффекты, кадровый потенциал; области применения: предиктивная аналитика, цифровые двойники, генеративное проектирование)
2.2 Предиктивная аналитика оборудования с помощью ИИ (понятие остаточного ресурса, постановка задач, способы построения моделей, обнаружение аномалий, оценка качества, планирование ремонтов и обслуживания)
2.3 Компьютерное зрение для промышленности (целеполагание и виды задач, контроль качества продукции, контроль производственных процессов, контроль соблюдения правил, анализ складских запасов, распознавание номеров и текстов, цифровые двойники, аватары)
2.4 Обучение цифровых двойников на основе данных (понятие и виды цифровых двойников, компьютерные модели, идентификация модели и ассимиляция данных, валидация и верификация, цифровой двойник предприятия и изделия)
2.5 ИИ для планирования и оптимизации в промышленности (постановки задач планирования, классификация методов, планирование в условиях неопределенности, операционное планирование, логистическое планирование, оценка качества планов)
2.6 ИИ в промышленной робототехнике (промышленные роботы, автономная навигация, планирование движения, захваты и манипулирование, предиктивное техобслуживание, оптимизация энергопотребления, генеративный дизайн роботов, автоматизированные склады)
2.7 ИИ для генеративного проектирования (понятие генеративного дизайна, постановки задач, алгоритмы структурной оптимизации: эволюционные алгоритмы, генеративные сети; формализация знаний инженера-конструктора, гибридные технологии, генеративный дизайн роботов и строительных объектов)
2.8 ИИ в управлении кадрами (автоматизация подбора и оценки персонала, анализ резюме, организация и анализ собеседований, тестирование с помощью ИИ; формирование команд, оценка уровня и вовлеченности сотрудников, этические и правовые риски)
2.2 Предиктивная аналитика оборудования с помощью ИИ (понятие остаточного ресурса, постановка задач, способы построения моделей, обнаружение аномалий, оценка качества, планирование ремонтов и обслуживания)
2.3 Компьютерное зрение для промышленности (целеполагание и виды задач, контроль качества продукции, контроль производственных процессов, контроль соблюдения правил, анализ складских запасов, распознавание номеров и текстов, цифровые двойники, аватары)
2.4 Обучение цифровых двойников на основе данных (понятие и виды цифровых двойников, компьютерные модели, идентификация модели и ассимиляция данных, валидация и верификация, цифровой двойник предприятия и изделия)
2.5 ИИ для планирования и оптимизации в промышленности (постановки задач планирования, классификация методов, планирование в условиях неопределенности, операционное планирование, логистическое планирование, оценка качества планов)
2.6 ИИ в промышленной робототехнике (промышленные роботы, автономная навигация, планирование движения, захваты и манипулирование, предиктивное техобслуживание, оптимизация энергопотребления, генеративный дизайн роботов, автоматизированные склады)
2.7 ИИ для генеративного проектирования (понятие генеративного дизайна, постановки задач, алгоритмы структурной оптимизации: эволюционные алгоритмы, генеративные сети; формализация знаний инженера-конструктора, гибридные технологии, генеративный дизайн роботов и строительных объектов)
2.8 ИИ в управлении кадрами (автоматизация подбора и оценки персонала, анализ резюме, организация и анализ собеседований, тестирование с помощью ИИ; формирование команд, оценка уровня и вовлеченности сотрудников, этические и правовые риски)
ЛР2.1 Предиктивная аналитика остаточного ресурса электрогенератора
ЛР2.2 Создание элементов цифрового двойника производственного цеха
ЛР2.3 Генеративное проектирование механической конструкции с использованием генетического алгоритма
ЛР2.4 Оценка совместимости сотрудников во вновь создаваемом подразделении на основе резюме и собеседования
ЛР2.2 Создание элементов цифрового двойника производственного цеха
ЛР2.3 Генеративное проектирование механической конструкции с использованием генетического алгоритма
ЛР2.4 Оценка совместимости сотрудников во вновь создаваемом подразделении на основе резюме и собеседования
Технологический стек модуля
Google Colab
/1.
Бесплатная интерактивная облачная среда для работы с кодом на языке Python в браузере (требуется подключение к интернету, возможно использование на личных устройствах)
Anaconda
/2.
Дистрибутив языков программирования Python и R, включающий набор популярных свободных библиотек для науки о данных и машинного обучения
VS Code с установленными расширениями Python, Jupyter
/3.
numpy, pandas, scikit-learn, seaborn, tensorflow
/4.
Библиотеки для обработки данных, классического и глубокого обучения, визуализации
Kaggle
/5.
Платформа для проведения соревнований по Data Science
Fedot.Ind
/6.
Инструменты для промышленного применения ИИ https://github.com/aimclub/Fedot.Industrial
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.
Николай Никитин
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н
Результаты обучения
Способен применять фундаментальные принципы и методы машинного обучения, включая подготовку данных, оценку качества моделей и работу с признаками
Способен применять методы и технологии организации и управления данными и знаниями в промышленности
Способен применять архитектуры глубоких нейронных сетей
Способен проводить анализ бизнес-проблем с оценкой перспективности применения ИИ, осуществлять постановку задачи машинного обучения, формулировать требования к системе ИИ
Способен дообучать, адаптировать и оптимизировать генеративные модели под специфические задачи и условия применения
Способен применять современные методы и технологии ИИ для решения актуальных задач промышленности
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 технологических программ актуальными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий — технологический стек на базе Google Colab, Anaconda, VS Code и open-source библиотек (numpy, pandas, scikit-learn, tensorflow) исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации обрабатывающей промышленности и кадровым потребностям отрасли благодаря ориентации содержания на реальные запросы рынка труда — модуль готовит выпускников к работе с промышленными данными, цифровыми двойниками, системами предиктивной аналитики и генеративного проектирования, что напрямую повышает их востребованность в лесопромышленном и других секторах обрабатывающей промышленности.
Условия внедрения:
Наличие в вузе образовательных программ по направлению 35.03.02 Технология лесозаготовительных и деревоперерабатывающих производств (или смежным направлениям в области обрабатывающей промышленности)
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
Основы программирования
/1.
Высшая математика
/2.
Линейная алгебра и математический анализ
Теория вероятностей и математическая статистика
/3.
© 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.
