Основы систем искусственного интеллекта и принципы их функционирования (онлайн)

Профессиональная компетенция, полученная слушателями при освоении настоящей программы, необходима для выполнения следующих видов профессиональной деятельности:

• разработка интеллектуальных систем мониторинга и предиктивной диагностики технического состояния промышленного оборудования;
• создание и обучение моделей машинного обучения для автоматизации анализа больших массивов инженерных данных и телеметрии;
• применение генеративных моделей и инструментов искусственного интеллекта для подготовки технической документации и программного кода.

В результате освоения программы слушатель должен:

знать:

• основные принципы и этапы развития искусственного интеллекта;
• роль и значение ИИ в современной инженерной практике на примере ведущих мировых компаний;
• методы подготовки, очистки и визуализации инженерных данных;
• математические основы функционирования искусственных нейронных сетей и алгоритмов машинного обучения;
• возможности и ограничения современных генеративных моделей и инструментов ИИ для пользователя.

уметь:

• использовать облачные среды разработки и специализированные библиотеки (NumPy, Pandas, Scikit-learn) для решения задач ИИ;
• создавать программные компоненты для классификации состояний и регрессионного анализа технических объектов;
• применять методы глубокого обучения для построения прогностических моделей;
• оптимизировать инженерную деятельность с помощью инструментов генеративного дизайна и автоматизированной подготовки технической документации.

Учебно-тематический план

Тема 1. Понятие ИИ и основные этапы его развития. Определение искусственного интеллекта как имитации человеческого познания. Типы ИИ: узкий (слабый) и общий (сильный). Краткая история развития: от работ Маккаллоха и Питтса и теста Тьюринга до «зим ии» и современного этапа больших данных. Понятие модели в ИИ: прогностические, описательные и генеративные модели. Результаты процесса обучения и инкапсуляция знаний.

Тема 2. Роль ИИ в инженерной практике и стратегическое значение. Ключевые преимущества внедрения ИИ: оптимизация проектирования, процессов и ресурсов. Автоматизация рутинных и сложных инженерных задач. Практические примеры применения

Тема 3. Инструменты ИИ для пользователя: генеративные модели и промпт-инжиниринг. Разновидности генеративного ИИ: генерация текста (LLM), изображений, презентаций и программного кода. Понятие промпта как инструкции для модели. Методология составления эффективных запросов. Технические аспекты: токенизация и контекстное окно. Проблема «галлюцинаций» систем ИИ: причины возникновения и методы минимизации рисков при подготовке технической документации.

Тема 4. Среды разработки и библиотеки для исследования ИНС. Обзор облачной среды Google Colab: возможности GPU/TPU, интеграция с Google Drive и формат Jupyter Notebook. Установка и настройка рабочего окружения. Основные библиотеки Python для инженера: Numpy для вычислений, Pandas для работы с таблицами, Matplotlib для визуализации, Scikit-learn для классического ML. Компоненты библиотек для языка С++ и установка tensorflow.

Тема 5. Подготовка и визуализация инженерных данных. Проблемы данных в инженерной деятельности: недостаток данных о редких событиях, сложность сбора с устаревших систем. Качество данных: «зашумленность», пропуски и несогласованность форматов. Типы данных: числовые, категориальные, текстовые и изображения.

Тема 6. Математические основы машинного обучения: классификация и регрессия. Определение машинного обучения (ML). Основные задачи: классификация (разделение на категории), регрессия (предсказание чисел) и кластеризация. Работа с выборками: тренировочная, валидационная и тестовая. Понятие признаков (фич) и целевой переменной. Метрики оценки качества моделей: среднеквадратичная ошибка (MSE) и точность (accuracy). Жизненный цикл ML-модели.

Тема 7. Архитектура и обучение искусственных нейронных сетей. Биологический прототип и структура искусственного нейрона: веса, сумматор, функция активации (relu, Sigmoid, Softmax). Архитектура многослойного перцептрона: входной, скрытые и выходной слои. Алгоритм обратного распространения ошибки (backpropagation). Методы оптимизации: градиентный спуск, Адам, rmsprop. Понятие функции потерь и минимизация ошибки.

Итоговая аттестация. Выполнение практического задания.