От чертежей к алгоритмам: как студентов Передовой инженерной школы МАИ учат работать с искусственным интеллектом

От чертежей к алгоритмам: как студентов Передовой инженерной школы МАИ учат работать с искусственным интеллектом

Цифровые технологии сегодня интегрируются во все сферы жизни, и это напрямую влияет на рынок труда, где востребованы специалисты, владеющие IT-инструментами. Компетенции в сферах искусственного интеллекта, математического моделирования, цифрового проектирования становятся базовыми для инженеров, поскольку ускоряют процессы разработки сложных систем. В связи с этим в Московском авиационном институте внедряются новые подходы в обучении цифровым навыкам студентов технических направлений, исходя из опыта института № 14 «Передовая инженерная школа». Нововведением для всех студентов спец. ВО ПИШ стал курс по машинному и глубокому обучению, который в перспективе может быть масштабирован и на другие направления спец.ВО в МАИ. Занятия по курсу ведёт приглашённый в ПИШ аспирант и преподаватель кафедры 307 «Цифровые технологии и информационные системы» Максим Зайцев. Поговорили с ним о том, как инженеры совершенствуют навыки работы с ИИ и внедряют его в свои проекты.

Чем поможет искусственный интеллект

Сценарии применения искусственного интеллекта зависят от предметной области и задач, с которыми связана профессиональная деятельность инженера.

— Если рассматривать начальный этап разработки и проектирования сложной системы, то генеративный ИИ можно использовать, например, для создания конечно-элементной модели детали, предположим, крыла самолёта, которое представляется в виде упрощённых элементов для вычисления аэродинамики, прочности и других параметров, — говорит Максим Зайцев.

Есть и другие сценарии применения моделей машинного обучения. Например, один из них может быть связан с предиктивным техническим обслуживанием: когда с помощью ИИ проводится анализ данных с тысяч датчиков, установленных на самолёте, в результате которого система предсказывает отказы компонентов задолго до их возникновения. Помимо этого, ИИ может внедряться для повышения автономности систем, где он берёт на себя задачи навигации и принятия решений в БЛА. В тренде — использование искусственного интеллекта для генеративного дизайна в авиастроении, а также для оптимизации бизнеса — разработки систем умного планирования полётов.

Навыки для ИИ-инженера

Чтобы превратить искусственный интеллект в рабочий инструмент инженера, недостаточно только поверхностных навыков работы с ним, считает Максим Зайцев:

— Я вижу два подхода к взаимодействию с ИИ. Первый предполагает работу с большими языковыми моделями, которыми можно пользоваться для решения повседневных задач, связанных с текстом. В этом случае от пользователя не требуется особых навыков и понимания внутреннего устройства нейросети, но такие модели не совсем подходят для решения специфических инженерных задач. Более целесообразным здесь является второй подход, который подразумевает, что человек под конкретную прикладную задачу может сам создать и обучить нейросеть или адаптировать существующую. В таком случае инженеру помимо базовых компетенций в области программирования, понимания основ линейной алгебры, математического анализа, теории вероятности требуются специальные навыки подготовки данных, выбора модели, её настройки, обучения и проверки.

Студенты спец. ВО ПИШ разбирают искусственный интеллект как технологию и формируют базовые навыки работы с машинным и глубоким обучением.

От работы с данными до обучения нейросети

В начале курса студенты учатся работать с данными, затем исследуют алгоритмы ИИ и в результате создают и обучают свою нейросеть.

— На первом этапе на наборе реальных данных ребята учатся анализировать, визуализировать и проверять гипотезы. Например, имея данные об авиаперелётах, с помощью различных моделей классического машинного обучения прогнозируют время задержки рейса, — комментирует Максим Дмитриевич.

Далее студенты рассматривают, как работают алгоритмы, и обучают их для решения задач регрессии и классификации.

— Когда требуется предсказать какое-то значение, выраженное вещественным числом, — то же время задержки рейса, в машинном обучении используются задачи регрессии. А когда нужно определить категорию объекта и получить дискретное значение, например, исправна система или неисправна, — задачи классификации, — поясняет преподаватель.

В завершение курса студентам предлагается практический кейс. Например, в прошлом году им необходимо было обучить нейросеть для классификации изображений. В процессе они искали наиболее подходящую для неё архитектуру — устройство и структуру — и разбирали, что влияет на эффективность машинного обучения.

— Таким образом, на курсе ребята не просто усваивают ряд фактов о глубоком обучении, но и экспериментально разбираются в этом процессе на примере своей нейросети, — отмечает Максим Зайцев. — В дальнейшем планируется научить студентов на продвинутом уровне работать с фреймворками — готовыми инструментами для разработки программ, а также распознавать дефекты в моделях машинного обучения.

Безусловно, искусственный интеллект не заменяет фундаментальные технические компетенции, но позволяет их усилить: за счёт автоматизации рутины высвободить время специалистов для решения сложных задач. Обучение цифровым навыкам позволяет инженерам интегрировать современные технологии в свои проекты, что повышает их конкурентоспособность в условиях глобальной цифровой трансформации.