Отраслевой модуль
Технологии искусственного интеллекта для решения задач горнодобывающей промышленности
Модуль направлен на формирование профессиональных компетенций, необходимых для разработки, внедрения и применения технологий искусственного интеллекта при решении актуальных производственных, технологических, исследовательских и управленческих задач горнодобывающей промышленности.
Модуль ориентирован на подготовку студентов, способных работать с геолого-геофизическими, производственными, технологическими и телеметрическими данными, а также проектировать и использовать ИИ-решения для геологоразведки, добычи, обогащения, промышленной безопасности, технического обслуживания и управления производством.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 3 курса бакалавриата.
Модуль ориентирован на подготовку студентов, способных работать с геолого-геофизическими, производственными, технологическими и телеметрическими данными, а также проектировать и использовать ИИ-решения для геологоразведки, добычи, обогащения, промышленной безопасности, технического обслуживания и управления производством.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 3 курса бакалавриата.
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач отрасли «Добывающая промышленность и природопользование». Содержание модуля охватывает актуальные направления использования ИИ, включая обработку и интерпретацию геолого-геофизических данных, предиктивную аналитику и прогнозирование отказов оборудования, компьютерное зрение для контроля промышленной безопасности, интеллектуальные системы поддержки принятия решений при планировании добычи и транспортировки, а также применение больших языковых моделей и RAG-подходов для работы с технической документацией.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере геологии, горного дела, нефтегазового дела и геодезии.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить развитие практико-ориентированных навыков применения искусственного интеллекта в конкретных задачах горнодобывающей промышленности
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
05.03.01 Геология
21.03.01 Нефтегазовое дело
21.03.03 Геодезия и дистанционное зондирование
05.04.01 Геология
21.04.01 Нефтегазовое дело
21.04.03 Геодезия и дистанционное зондирование
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. Введение в ИИ для добывающей промышленности (основные задачи, экономические эффекты, no-code/low-code инструменты)
2.2. Предобработка геологических и геофизических данных (типы данных, интерпретация, анализ пространственных данных, оценка перспективных участков)
2.3. Предиктивная аналитика оборудования (остаточный ресурс, обнаружение аномалий, планирование ремонтов)
2.4. Компьютерное зрение в добывающей промышленности (контроль состояния оборудования, промышленная безопасность, мониторинг СИЗ)
2.5. Интеллектуальные системы поддержки принятия решений (планирование добычи, диспетчеризация, управление)
2.6. Большие языковые модели и RAG (интеллектуальный поиск по документации, отраслевые ИИ-ассистенты)
2.7. Цифровые двойники в добывающей промышленности (структура, источники данных, прогнозирование)
2.8. Внедрение И И в добывающей промышленности (от пилота к производству, барьеры, критерии успешности)
2.2. Предобработка геологических и геофизических данных (типы данных, интерпретация, анализ пространственных данных, оценка перспективных участков)
2.3. Предиктивная аналитика оборудования (остаточный ресурс, обнаружение аномалий, планирование ремонтов)
2.4. Компьютерное зрение в добывающей промышленности (контроль состояния оборудования, промышленная безопасность, мониторинг СИЗ)
2.5. Интеллектуальные системы поддержки принятия решений (планирование добычи, диспетчеризация, управление)
2.6. Большие языковые модели и RAG (интеллектуальный поиск по документации, отраслевые ИИ-ассистенты)
2.7. Цифровые двойники в добывающей промышленности (структура, источники данных, прогнозирование)
2.8. Внедрение И И в добывающей промышленности (от пилота к производству, барьеры, критерии успешности)
ЛР2.1 Предобработка и анализ геологических и геофизических данных в no-code/low-code среде
ЛР2.2. Предиктивная аналитика оборудования: выявление аномалий и оценка риска отказа
ЛР2.3. Применение компьютерного зрения для задач промышленной безопасности в добывающей промышленности
ЛР2.4. Разработка прототипа системы поддержки принятия решений для производственной задачи добывающего предприятия
ЛР2.2. Предиктивная аналитика оборудования: выявление аномалий и оценка риска отказа
ЛР2.3. Применение компьютерного зрения для задач промышленной безопасности в добывающей промышленности
ЛР2.4. Разработка прототипа системы поддержки принятия решений для производственной задачи добывающего предприятия
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
GeoPandas, Rasterio, Shapely, QGIS
/3.
Инструменты для работы с пространственными и геоданными: анализ геолого-геофизической информации, картографирование и обработка растровых данных
PostgreSQL/PostGIS
/4.
Реляционная база данных с пространственным расширением для хранения и управления геоданными и производственной информацией
scikit-learn, XGBoost/LightGBM, FEDOT
/5.
Библиотеки для классического машинного обучения, градиентного бустинга и автоматизированного ML (AutoML)
PyTorch, OpenCV, YOLO, Detectron2, U-Net
/6.
Инструменты для глубокого обучения: анализ изображений, видео, обнаружение объектов, сегментация для задач компьютерного зрения
TensorFlow, PyTorch, ONNX Runtime
/7.
Фреймворки для разработки и развертывания нейросетевых моделей в производственной среде
Hugging Face Transformers, sentence-transformers, LangChain, LlamaIndex
/8.
Инструменты для работы с большими языковыми моделями (LLM): дообучение, адаптация, RAG-пайплайны
FAISS, Qdrant, Milvus
/9.
Векторные базы данных для поиска и извлечения информации из технической документации и отраслевых знаний
Grafana, Power BI, Apache Superset
/10.
Сервисы для визуализации данных и создания дашбордов мониторинга оборудования и производственных показателей
MLflow, DVC
/11.
Инструменты для управления жизненным циклом моделей машинного обучения, версионирования данных и экспериментов
CVAT, Label Studio
/12.
Инструменты для разметки визуальных данных: изображений, видео и производственных сцен
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.
Илья Ревин
Руководитель группы разработки, доцент, к.т.н.
Результаты обучения
Способен обрабатывать и анализировать геологические и производственные данные
Слушатель сможет применять методы первичной обработки и разведочного анализа данных к геолого-геофизической информации, производственным и телеметрическим данным, выявлять закономерности и подготавливать признаки для построения моделей ИИ.
Способен разрабатывать промпты и интегрировать LLM в отраслевые задачи
Слушатель сможет применять базовые шаблоны промптов, использовать адаптивные методы дообучения и интегрировать RAG-пайплайны для работы с технической документацией, инструкциями и регламентами.
Способен работать с пространственными геоданными
Слушатель сможет использовать инструменты геоинформационных систем и библиотеки для анализа пространственных данных, картографирования и поддержки геологоразведочных решений.
Способен применять методы машинного обучения для прогнозирования и классификации
Слушатель сможет выбирать и обосновывать метод решения задачи машинного обучения (регрессия, классификация, кластеризация, обнаружение аномалий) с учётом характеристик отраслевых данных и производственного контекста.
Способен строить системы предиктивной аналитики оборудования
Слушатель сможет применять методы анализа временных рядов, выявлять аномалии в работе оборудования, прогнозировать остаточный ресурс и поддерживать планирование ремонтов с помощью ИИ-инструментов.
Способен интерпретировать результаты ИИ-инструментов и внедрять их в производство
Слушатель сможет анализировать результаты работы ИИ-моделей, оценивать их ограничения и предлагать варианты практического применения в производственном процессе добывающего предприятия.
Способен использовать глубокое обучение для компьютерного зрения
Слушатель сможет применять готовые архитектуры свёрточных нейронных сетей для анализа изображений и видео: мониторинг оборудования, контроль промышленной безопасности, выявление нарушений и дефектов.
Способен разрабатывать прототипы систем поддержки принятия решений
Слушатель сможет формализовать производственную цель, формулировать требования к ИИ-решению, проектировать прототип СППР для задач разведки, добычи, мониторинга и транспортировки.
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 геологических программ актуальными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке отраслевых наук и технологий ИИ, что позволяет студентам профильных направлений осваивать востребованные цифровые навыки в контексте их основной специализации.
Формирование прикладных навыков через погружение в реальную проектную деятельность благодаря сквозному проекту, выполняемому на протяжении всего курса — студенты работают над единой производственной задачей от постановки до защиты результата, что превращает теоретические знания в практический опыт, сопоставимый с реальным рабочим процессом.
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 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 горнодобывающей отрасли.
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 05.00.00, 21.00.00 (или смежным).
Возможность включения модуля в учебный план не ранее 3 курса бакалавриата или 3 семестра магистратуры.
Заключение сетевого договора с вузом о реализации модуля
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.
Основы горного дела / Введение в профессиональную деятельность в горнодобывающей промышленности
/5.
© 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.
