III уровень

Архитектор в области искусственного интеллекта

Финансовый университет при Правительстве Российской Федерации
260 часов длительность
Онлайн формат
1 поток 01.06-01.09.2024
2 поток 01.09-20.11.2024

Описание

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:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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
62 часа
лекции
120 часов
практика
60 часов
самостоятельная
8 часов
промежуточная аттестация
1 час
входная диагностика
8 часов
итоговая аттестация
259 часов
всего
Входная диагностика 1 час
Входная диагностика состоит из решения тестового задания из 20 вопросов. Слушатель выбирает утверждения, которые он считает верными.
Итоговая аттестация 8 часов
Решение практико-ориентированных задач (кейсов)

Компетенции

Профессиональные


Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта
Знать:

− 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.

Уметь:

− 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
Знать:

− методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез;
− основы методов оптимизации;
− технологии распределенной обработки данных.

Уметь:

− 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.

Владеть:

− 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
Знать:

- функции, задачи, навыки, содержание работы архитектора в области искусственного интеллекта;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ.

Уметь:

− строить модель для рекомендательных систем;
− использовать контейнеризацию и развертывать модель в производство;
− решать проблемы переобучения и недообучения алгоритма.

Владеть:

− 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
Знать:

− 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.

Уметь:

− 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
Знать:

− 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
Знать:

− 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.

Уметь:

− 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.

Владеть:

− 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
Знать:

− 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
Знать:

− 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.

Уметь:

− использовать основные статистические методы анализа данных;
− проводить EDA — разведочный анализ данных;
− моделировать данные в хранилищах (DWH, Data Lake, NoSQL хранилища данных).

Владеть:

− 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
Знать:

− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.

Уметь:

− 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.

Владеть:

− 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
Знать:

− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.

Уметь:

− 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.

Владеть:

− 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

свернуть
120ч
Модуль 1 Модуль 1. Базовый
Цель освоения модуля 1 – приобретение слушателями знаний по основным принципам работы анализа данных, изучение основного инструментария для работы с данными; практическое применение методов машинного обучения для работы с большими объемами данных.
130ч
Модуль 2 Модуль 2. Профильный
Цель освоения модуля 2 – приобретение слушателями знаний и практического опыта анализа данных для создания и поддержки системы искусственного интеллекта на основе нейросетевых моделей и методов, владеть языками программирования (Python, R) и другими инструментами для реализации методов анализа и структурирования больших данных.
120ч
Модуль 1 Модуль 1. Базовый
Цель освоения модуля 1 – приобретение слушателями знаний по основным принципам работы анализа данных, изучение основного инструментария для работы с данными; практическое применение методов машинного обучения для работы с большими объемами данных.
130ч
Модуль 2 Модуль 2. Профильный
Цель освоения модуля 2 – приобретение слушателями знаний и практического опыта анализа данных для создания и поддержки системы искусственного интеллекта на основе нейросетевых моделей и методов, владеть языками программирования (Python, R) и другими инструментами для реализации методов анализа и структурирования больших данных.

Преподаватели

Петросов

Давид Арегович

Финансовый университет при Правительстве Российской Федерации

профессор

доктор техническимх наук

профессор

http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\DAPetrosov&ReturnUrl=/org/dep/bi/Pages/Home.aspx

Андриянов

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.aspx

Кублик

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.aspx

Макрушин

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.aspx

Соловьев

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.aspx

Никитин

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.aspx

Абашин

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.aspx

Пальчевский

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.aspx

Черняков

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.aspx

Осипов

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%87
Авторизуйтесь чтобы записаться

Профстандарт

«Специалист по большим данным», утвержденный приказом Министерства труда и социальной защиты РФ от 6 июля 2020 года №405н

06.022

Специальность

Архитектор в области искусственного интеллекта (AI Architect)

Ответственный за программу

defu@fa.ru

+79374213990