Отраслевой модуль
Технологии ИИ для решения актуальных задач в развитии территорий
Модуль разработан в рамках проекта «ТОП ИИ» и предназначен для внедрения в образовательные программы вузов по направлениям подготовки в сфере градостроительства, урбанистики и ландшафтной архитектуры
Объем модуля — 144 ак. часа, рекомендуется студентам со второго курса бакалавриата
Объем модуля — 144 ак. часа, рекомендуется студентам со второго курса бакалавриата
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач градостроительства. Содержание модуля охватывает актуальные направления использования ИИ, включая пространственный анализ и интерпретацию территорий, работу с картографическими проекциями и системами координат, обработку и анализ данных дистанционного зондирования Земли (детекция растительности, определение температуры поверхности, анализ рельефа), применение методов машинного обучения для анализа сценариев развития территорий, создание и управление пространственными данными, а также использование геоинформационных систем и платформ для оценки и планирования жилой и промышленной застройки урбанизированных территорий.
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 связь ИИ-компетенций обучающихся с актуальными запросами градостроительной отрасли и сформировать у студентов навыки работы с пространственными данными, геоинформационными инструментами и прикладными ИИ-решениями, востребованными в территориальном планировании, градостроительном проектировании и управлении развитием городских территорий.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
35.03.10 Ландшафтная архитектура
Модуль предполагается к прохождению студентами не ранее 2-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 Основы работы с пространственными данными (форматы, источники данных)
2.2 Картографические проекции и системы координат (классификация, методы работы)
2.3 Способы отображения пространственных данных (элементы картографического дизайна)
2.4 Основы пространственного анализа (анализ доступности, размещения, точечных паттернов)
2.5 Общие сведения о дистанционном зондировании территории (классификация данных, спектральные индексы)
2.6 Использование данных дистанционного зондирования для анализа территории (детекция растительности, анализ рельефа)
2.2 Картографические проекции и системы координат (классификация, методы работы)
2.3 Способы отображения пространственных данных (элементы картографического дизайна)
2.4 Основы пространственного анализа (анализ доступности, размещения, точечных паттернов)
2.5 Общие сведения о дистанционном зондировании территории (классификация данных, спектральные индексы)
2.6 Использование данных дистанционного зондирования для анализа территории (детекция растительности, анализ рельефа)
ЛР2.1 Сбор и первичная обработка исходных данных в планировании развития территорий
ЛР2.2 Анализ сценариев развития территорий с использованием искусственного интеллекта
ЛР2.3 Использование методов машинного обучения для пространственного анализа в задачах планирования развития территорий
ЛР2.4 Анализ урбанизированного ландшафта с использованием данных дистанционного зондирования Земли
ЛР2.2 Анализ сценариев развития территорий с использованием искусственного интеллекта
ЛР2.3 Использование методов машинного обучения для пространственного анализа в задачах планирования развития территорий
ЛР2.4 Анализ урбанизированного ландшафта с использованием данных дистанционного зондирования Земли
Технологический стек модуля
Python, Jupyter Notebook / Google Colab
/1.
Интерактивная облачная среда для работы с кодом на Python
Anaconda
/2.
Дистрибутив Python и R с библиотеками для науки о данных и машинного обучения
VS Code с расширениями Python, Jupyter
/3.
numpy, pandas, scikit-learn, seaborn, tensorflow
/4.
Библиотеки для обработки данных, классического и глубокого обучения, визуализации
QGIS
/5.
Открытая бесплатная геоинформационная система
Ценностно-ориентированная система «Простор»
/6.
Система комплексной оценки, мониторинга и планирования жилой и промышленной застройки урбанизированных территорий
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.
Сергей Митягин
Директор института дизайна и урбанистики, к.т.н.
Результаты обучения
Способен осуществлять трудовые функции, обусловленные профессиональной ролью, в ОПД «Строительство и городское хозяйство»
Способен дообучать, адаптировать и оптимизировать генеративные модели под специфические задачи и условия применения
Способен применять архитектуры глубоких нейронных сетей
Способен проводить анализ бизнес-проблем с оценкой перспективности применения ИИ для их решения, осуществлять постановку задачи машинного обучения, формулировать требования к системе ИИ
Способен применять фундаментальные принципы и методы машинного обучения, включая подготовку данных, оценку качества моделей и работу с признаками
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 градостроительных и ландшафтных программ актуальными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке градостроительных наук (пространственное планирование, территориальное проектирование, ландшафтная архитектура) и технологий ИИ (пространственный анализ, обработка данных ДЗЗ, машинное обучение, геоинформационные системы), что позволяет студентам профильных направлений осваивать востребованные цифровые навыки в контексте их основной специализации.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий — технологический стек на базе Google Colab, QGIS, open-source библиотек (numpy, pandas, scikit-learn, tensorflow) и платформы «Простор» исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации градостроительной отрасли и кадровым потребностям рынка благодаря ориентации содержания на реальные запросы в сфере территориального планирования — модуль готовит выпускников к работе с пространственными данными, геоинформационными системами, данными дистанционного зондирования и современными инструментами ИИ, что напрямую повышает их востребованность в градостроительной отрасли.
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 35.03.10 Ландшафтная архитектура и 35.04.10 Ландшафтная архитектура (профиль «Ландшафтная архитектура»)
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.
Элементы линейной алгебры и математического анализа
Теория вероятностей и математическая статистика
/3.
Информатика и информационные технологии
/4.
Основы геоинформатики
/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.
