Модуль Прикладной искусственный интеллект в магистратуре

Фокус: прикладное владение ИИ в профессиональной задаче.
Общая для всех треков основа — выход за рамки «простого чат-бота»: понимание фундаментальных ограничений моделей (галлюцинации, предвзятость, безопасность), продвинутый промпт-инжиниринг, автоматизация рутины и делегирование многошаговых задач ИИ. Дальше вы выбираете один из трех треков в зависимости от того, как ИИ встраивается в вашу профессиональную область.
Трек 1. Инженерия данных (дисциплина Культура ИИ: Аналитика данных) Фокус: продвинутый анализ для принятия решений.
Работа с открытыми источниками данных и API, обработка и очистка данных, реляционные и документные базы. Автоматизация аналитических отчетов, поиск инсайтов в неструктурированных данных (тексты, отчеты) с помощью ИИ. Визуализация и сторителлинг на данных, применение агентов при обработке данных.
Трек 2. Квалифицированный заказчик (Культура ИИ: Квалифицированный заказчик)
Фокус: ИИ в предметной области, бизнес-процессах и проектировании решений.
No-code-автоматизация, экономика внедрения ИИ (стоимость владения, затраты на токены и инфраструктуру), безопасность данных при использовании LLM, верификация ответов. Этика, правовые риски и авторское право. Управление командами в эпоху ИИ.
Трек 3. Медиа и креативность (Культура ИИ: Медиа и креативность)
Фокус: создание сложных медиа-продуктов и управление креативными пайплайнами.
Мультимодальные модели (текст + изображение + видео + звук), контроль генерации и управление стилем. Работа с медиа-API, инфографика и Data Art, интерактивные дашборды. Этика использования дипфейков и авторское право на стиль.
Внимание: число мест на треках «Квалифицированный заказчик» и «Медиа и креативность» ограничено. Рекомендуем определиться с выбором заранее.
 

Фокус: как устроены современные языковые модели изнутри, ИИ как инструмент и соисследователь в научной работе.
Разбор устройства LLM на уровне архитектуры и алгоритмов — от токенизации до обучения с подкреплением. Вы поймете, почему модели ведут себя именно так, научитесь осознанно выбирать и настраивать их под задачу и получите фундамент для собственной научной или инженерной работы с ИИ.
Ключевые темы:
Основы языковых моделей. Токенизация, механизм внимания, архитектура трансформера. Алгоритмы декодирования и генерация текста.
Обучение и адаптация моделей. Предобучение, fine-tuning, параметр-эффективные методы настройки под задачу.
Расширение возможностей. Мультимодальные модели, архитектура RAG и работа с внешними источниками знаний.
Рассуждение и выравнивание. Обучение с подкреплением, reasoning-модели и логические рассуждения.
Этика и ответственность. Границы применимости и интерпретируемость моделей, предвзятость и галлюцинации, социальные риски и регулирование ИИ.
Пререквизиты. Трек рассчитан на подготовленных студентов и требует серьезной базы. Убедитесь, что вы владеете следующим:
Python на уровне разработчика. ООП, работа с внешними библиотеками, отладка чужого кода. Уверенное владение NumPy и PyTorch — код на занятиях пишется и читается с первого дня, времени на освоение синтаксиса не будет.
Математика. Линейная алгебра (матричные операции, собственные значения, разложения), матанализ (производные, градиенты, цепное правило), теория вероятностей и математическая статистика.
Машинное обучение. Уверенное понимание постановки задач обучения с учителем и без, функций потерь, градиентного спуска и его модификаций, регуляризации, метрик качества. Базовое знакомство с нейронными сетями (полносвязные, сверточные, рекуррентные) — курс начинается с уровня, на котором эти темы считаются пройденными.

Внимание: число мест на продвинутом треке ограничено. Рекомендуем определиться с выбором заранее.
 

Общий для обеих траекторий с разной глубиной погружения для базовой и продвинутой траекторий.
Фокус: от «запрос-ответ» к целеориентированным системам.
Переход от единичных сессий взаимодействия с ИИ к проектированию автономных агентов, способных планировать, пользоваться инструментами, хранить память и работать в связке друг с другом. Отдельное внимание — применению агентов в науке и образовании и безопасности экосистемы «агент + человек».

Ключевые темы:
Агентные архитектуры: от когнитивных архитектур (SOAR, ACT-R, Global Workspace) к LLM-агентам. Планирование, использование инструментов, самоверификация, выполнение длительных задач. LLM как компонент, а не как система.
Мультиагентные системы: координация агентов через роли и протоколы взаимодействия, оркестровка и распределение задач.
Персонализация и память: долгосрочная память (RAG, векторные базы), профили пользователей, контекстные состояния.
Этика и безопасность: jailbreak и промпт-инъекции, уязвимости, предвзятость моделей, контроль автономных действий, ответственность и аудит решений.