Архитектор в области искусственного интеллекта
Финансовый университет при Правительстве Российской ФедерацииОписание
Архитектор в области искусственного интеллекта – это специалист, ответственный за проектирование и разработку системы, которая использует технологии и методы искусственного интеллекта для решения конкретных задач. Он занимается созданием архитектурных решений, определением компонентов и принципов работы системы, а также оценкой ее производительности и эффективности.
Функциональное назначение архитектора в области искусственного интеллекта включает следующие аспекты:
- Анализ и понимание потребностей: Архитектор ИИ работает непосредственно с заказчиками или заинтересованными сторонами для определения требований к системе ИИ. Он анализирует текущие проблемы и задачи, которые должна решать система, и связывает их с возможностями и технологиями ИИ.
- Разработка архитектуры системы ИИ: Архитектор ИИ проектирует общую архитектуру системы, определяет компоненты, модули и их взаимодействие. Он создает детальные планы и спецификации для реализации системы ИИ, учитывая требования к производительности, масштабируемости, надежности и безопасности.
- Выбор и интеграция технологий ИИ: Архитектор ИИ исследует и оценивает различные технологии и методы ИИ, такие как машинное обучение, глубокое обучение, обработка естественного языка и компьютерное зрение. Он выбирает наиболее подходящие технологии для решения конкретных задач и интегрирует их в систему.
- Разработка моделей и алгоритмов ИИ: Архитектор ИИ разрабатывает модели и алгоритмы ИИ, которые позволяют системе анализировать данные, извлекать знания, прогнозировать результаты и принимать решения. Он оптимизирует и адаптирует эти модели для достижения максимальной производительности.
- Оценка и оптимизация системы ИИ: Архитектор ИИ проводит тестирование и оценку производительности системы ИИ, чтобы убедиться, что она работает эффективно и соответствует ожиданиям. Он также отвечает за оптимизацию системы для повышения производительности, точности и надежности.
Часов в программе
Входная диагностика 1 час
Итоговая аттестация 8 часов
Компетенции
Профессиональные
Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта
− определения, историю развития и главные тренды искусственного интеллекта;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ;
− методы и инструментальные средства решения задач искусственного интеллекта.
− осуществлять поиск информации о новых и перспективных методах анализа больших данных, выполнять сравнительный анализ методов.
Владеть:− культурой постановки и планирования последовательности решения задач анализа данных и классификации;
− навыками анализа реальных задач из различных предметных областей на уровне отдельных подходов и коллективами алгоритмов.
Способен применять методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез
− методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез;
− основы методов оптимизации;
− технологии распределенной обработки данных.
− применять методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез;
− строить модель для прогнозирования временного ряда;
− использовать цифровые платформы анализа данных для решения профессиональных задач.
− навыками применения алгоритма проблемных ситуаций (алгоритма фаззинга).
Способен участвовать в процессе создания систем искусственного интеллекта на различных этапах жизненного цикла в качестве эксперта и ключевого пользователя
- функции, задачи, навыки, содержание работы архитектора в области искусственного интеллекта;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ.
− строить модель для рекомендательных систем;
− использовать контейнеризацию и развертывать модель в производство;
− решать проблемы переобучения и недообучения алгоритма.
− навыками анализа реальных задач из различных предметных областей на уровне отдельных подходов и коллективами алгоритмов.
Способен разрабатывать и применять методы машинного обучения для решения задач
− основные типы, источники больших данных, проблемы безопасности;
− методы и программный инструментарий технологий больших данных;
− базовые понятия и возможности теории игр для их применения в области машинного обучения и искусственного интеллекта;
− системы обработки и анализа больших массивов данных (SQL, NoSQL, Hadoop, SPARK и др.): принципы работы, функционал, язык запросов, преимущества и недостатки;
− технологии, методы и инструменты машинного обучения для решения профессиональных задач.
− применять методы машинного обучения для работы с большими данными.
Владеть:− навыками работы с библиотеками, программными платформами (фреймворками) и программными комплексами машинного обучения.
Способен использовать системы искусственного интеллекта на основе нейросетевых моделей и методов
− нейронные сети: полносвязные, свёрточные и рекуррентные нейронные сети, методы обучения нейронных сетей, нейросетевые методы понижения размерности.
Уметь:− применять методы машинного обучения и нейронных сетей.
Владеть:− навыком построения полносвязной нейронной сети для задачи классификации;
− основными принципами, возможностями и порядком применения методов обучения с учителем и без учителя для решения задач классификации данных.
Способен использовать инструментальные средства для решения задач машинного обучения
− синтаксис и семантику основных языков искусственного интеллекта (Python, JAVA/С#/С++/Scala) и основные приемы программирования на них;
− основные алгоритмы, используемые в языках программирования;
− принципы, содержание и области применения массово-параллельной обработки и анализа данных для ускорения машинного обучения;
− технологии распределенной обработки данных;
− принципы и содержание работы с распределенными кластерными системами;
− технологии и методы потоковой обработки данных.
− применять системы обработки и анализа больших массивов данных;
− применять системы контроля версий Git для разработки решений на основе языков программирования;
− применять язык SQL для прикладных решений;
− применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
− визуализировать анализируемые данные;
− использовать шины данных (kafka) при обработке больших данных.
− языками программирования (Python, JAVA/С#/С++/Scala) для реализации методов анализа и структурирования данных;
− основными инструментами для работы с данными (Git, Docker, CI/CD, RestAPI, Jupyter notebook, kaggle, Nvidia Cuda, VS, IntelliJIdea);
− навыками работы с основными библиотеками Python для визуализации данных (Matplotlib, Seaborn, Plotly);
− навыком установки Hadoop на виртуальную машину;
− навыком использования Docker;
− навыком работы с MapReduce, PySpark;
− навыком работы с Numpy;
− математическими методами анализа данных.
Способен создавать и поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов
− архитектуры современных нейронных сетей и их использование для решения профессиональных задач.
Уметь:− поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов.
Владеть:− способами улучшить качество модели с помощью методов Feature engineering;
− навыком использования библиотеки PyTorch, применения GPU в PyTorch;
− навыком построения полносвязной нейронной сети для задачи классификации;
− основными принципами, возможностями и порядком применения методов обучения с учителем и без учителя для решения задач классификации данных;
− методами машинного обучения и нейронных сетей.
Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта
− методы, инструментальные средства и стандарты статистического и описательного анализа данных;
− основные платформы данных (облачные и внутрикорпоративные), применяемые при разработке решений на основе ИИ;
− основные виды представления данных: табличные, графовые, временные ряды;
− основные уровни представления данных.
− использовать основные статистические методы анализа данных;
− проводить EDA — разведочный анализ данных;
− моделировать данные в хранилищах (DWH, Data Lake, NoSQL хранилища данных).
− навыком создания логической и физической базы данных;
− навыком BI-аналитики;
− языками запросов для обращения к СУБД.
Способен создавать и внедрять одну или несколько сквозных цифровых субтехнологий искусственного интеллекта
− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.
− внедрять технологии компьютерного зрения для обработки изображений и видео, задач биометрии;
− внедрять технологии обработки естественного языка для анализа и генерации текстов;
− внедрять технологии обучения с подкреплением для задач автоматизации производства и транспорта.
− навыком работы с генеративными моделями GAN для задач генерации;
− навыком работы с автокодировщиками для задач уменьшения размерности и поиска аномалий;
− навыком работы с технологией RL — обучения с подкреплением.
Способен использовать одну или несколько сквозных цифровых субтехнологий искусственного интеллекта
− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.
− применять технологии компьютерного зрения для обработки изображений и видео, задач биометрии;
− применять технологии обработки естественного языка для анализа и генерации текстов;
− применять технологии обучения с подкреплением для задач автоматизации производства и транспорта.
− навыком работы с генеративными моделями GAN для задач генерации;
− навыком работы с автокодировщиками для задач уменьшения размерности и поиска аномалий;
− навыком работы с технологией RL — обучения с подкреплением.
Требования
Требования к уровню подготовленности, определяемому контрольно-измерительными материалами.
Слушатели должны обладать следующими знаниями, умениями и владеть навыками:
Умение писать программы на каком-либо императивном языке программирования (Java, Python, JavaScript и т.п.).
Python
Знание синтаксиса языка.
Понимание базовых структур данных.
Иметь базовое представление о работе популярных алгоритмов (бинарный поиск, рекурсия и т. д.).
Базовое представление о скорости работы алгоритмов.
Иметь базовое представление о работе с модулем Pandas и Numpy.
Инфраструктура
Умение работать с командной строкой.
Знание базовых команд Linux.
Навыки работы с Git.
Базовое знание Docker.
SQL
Знание базового синтаксиса (SELECT, WHERE, GROUP BY, HAVING).
Умение составлять подзапросы и делать все виды JOIN.
Навык работы с вложенными запросами.
Машинное обучение
Знание классических моделей (линейные модели и решающие деревья)
Знание классических метрик качества модели (accuracy, MSE, RMSE).
Базовое знание.
Иные требования и рекомендации для обучения по программе
Требования к уровню подготовленности, определяемому контрольно-измерительными материалами.
Слушатели должны обладать следующими знаниями, умениями и владеть навыками:
Умение писать программы на каком-либо императивном языке программирования (Java, Python, JavaScript и т.п.).
Python
Знание синтаксиса языка.
Понимание базовых структур данных.
Иметь базовое представление о работе популярных алгоритмов (бинарный поиск, рекурсия и т. д.).
Базовое представление о скорости работы алгоритмов.
Иметь базовое представление о работе с модулем Pandas и Numpy.
Инфраструктура
Умение работать с командной строкой.
Знание базовых команд Linux.
Навыки работы с Git.
Базовое знание Docker.
SQL
Знание базового синтаксиса (SELECT, WHERE, GROUP BY, HAVING).
Умение составлять подзапросы и делать все виды JOIN.
Навык работы с вложенными запросами.
Машинное обучение
Знание классических моделей (линейные модели и решающие деревья)
Знание классических метрик качества модели (accuracy, MSE, RMSE).
Базовое знание.
Модули
свернутьПреподаватели
Петросов
Давид Арегович
Финансовый университет при Правительстве Российской Федерации
профессор
кандидат технических наук
профессор
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\DAPetrosov&ReturnUrl=/org/dep/bi/Pages/Home.aspxАндриянов
Никита Андреевич
Финансовый университет при Правительстве Российской Федерации
Доцент кафедры анализа данных и машинного обучения Факультета информационных технологий и анализа больших данных Финансового университета
Кандидат технических наук
доцент
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\NAAndriyanov&ReturnUrl=http://www.fa.ru/org/dep/findata/Pages/PersonList.aspxКублик
Евгений Ильич
Финансовый университет при Правительстве Российской Федерации
доцент
кандидат технических наук
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\EKublik&ReturnUrl=http://www.fa.ru/org/chair/findata/Pages/PersonList.aspxМакрушин
Сергей Вячеславович
Финансовый университет при Правительстве Российской Федерации
доцент
кандидат экономических наук
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\SVMakrushin&ReturnUrl=http://www.fa.ru/org/chair/findata/Pages/PersonList.aspxСоловьев
Владимир Игоревич
Финансовый университет при Правительстве Российской Федерации
доцент
доктор экономических наук
профессор
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\VSoloviev&ReturnUrl=http://www.fa.ru/org/chair/findata/Pages/PersonList.aspxНикитин
Петр Владимирович
Финансовый университет при Правительстве Российской Федерации
Преподаватель Департамент анализа данных и машинного обучения
кандидат педагогических наук
доцент
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN%5cPVNikitin&ReturnUrl=http%3a//www.fa.ru/org/dep/findata/Pages/PersonList.aspxАбашин
Валерий Геннадьевич
Финансовый университет при Правительстве Российской Федерации
доцент кафедры анализа данных и машинного обучения
кандидат технических наук
доцент
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\VGAbashin&ReturnUrl=http://www.fa.ru/org/chair/findata/Pages/PersonList.aspxПальчевский
Евгений Владимирович
Финансовый университет при Правительстве Российской Федерации
старший преподаватель кафедры анализа данных и машинного обучения
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\EVPalchevskij&ReturnUrl=http://www.fa.ru/org/chair/findata/Pages/PersonList.aspxЧерняков
Алексей Николаевич
Финансовый университет при Правительстве Российской Федерации
доцент Департамента анализа данных и машинного обучения
кандидат тех наук
доцент
http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\ANChernyakov&ReturnUrl=http://www.fa.ru/org/dep/findata/Pages/PersonList.aspxОсипов
Алексей Викторович
Финансовый университет при Правительстве Российской Федерации
Преподаватель Департамент анализа данных и машинного обучения
кандидат физико-математических наук
доцент
http://wiki.fa100.ru/index.php?title=%D0%9E%D1%81%D0%B8%D0%BF%D0%BE%D0%B2,_%D0%90%D0%BB%D0%B5%D0%BA%D1%81%D0%B5%D0%B9_%D0%92%D0%B8%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2%D0%B8%D1%87Профстандарт
«Специалист по большим данным», утвержденный приказом Министерства труда и социальной защиты РФ от 6 июля 2020 года №405н
06.022Специальность
Архитектор в области искусственного интеллекта (AI Architect)
Ответственный за программу
+79374213990