III уровень

Архитектор данных

Финансовый университет при Правительстве Российской Федерации
256 часов длительность
Онлайн формат
Базовый уровень
1 поток 02.07-03.09.2024
2 поток 06.08-08.10.2024
3 поток 10.09-12.11.2024

Описание

Станьте архитектором данных в 2024 году!

C нами вы освоите техники и знания для эффективного использования ИИ в бизнесе и научитесь прогнозировать действия клиентов и сотрудников

 

Узнаете себя?
Я - новичок в ИИ и хочу понять:

  • как общаться с ИИ на обычном языке, чтобы делать ИИ на компьютерном языке
  • как освоить новые технологии и термины, используя ИИ как учителя
  • как получить интуицию о данных, не используя ИИ, а выстраивая доходчивые и экологичные визуализации

 

Я имею опыт в IT и хочу освоить перспективное направление

  • Узнать о передовых методах и технологиях в области ИИ
  • Освежить давно забытые концепции из статистики и ML
  • Увидеть воочию как различные роли в ИИ - ML-инженеры, BI-аналитики, data scientist’ы и архитекторы - взаимодействуют между собой при создании ИИ-решения.

 

Я - ML-аналитик/data-инженер и хочу расширить горизонты:

  • научиться анализировать бизнес, определять метрики и бейслайны, формулировать пользовательские истории в области ML.
  • узнать какие российские решения в области ИИ существуют и в чем их преимущества перед зарубежными “конкурентами”.
  • понять как собирать данные для работы с таким сложно предсказуемым объектом, как человек.

 

Каждый модуль состоит из онлайн-курса (около 8 часов видео, плюс тесты и домашние лабораторные работы), и четырех трехчасовых вебинаров, на которых слушатели решают кейсы и участвуют в лабораторных работах, деловых играх и симуляциях, включающих реальную работу с данными и технологиями ИИ. Курс длится два месяца. У слушателей есть доступ в специальный telegram-канал, в котором они могут задать вопросы, которые обязательно - надеемся! - возникнут по ходу просмотра видео и выполнения домашних работ. Финальный зачет - защита командного проекта, настоящей системы на базе ИИ, которая интегрирует знания полученные на курсе и пополнит ваше портфолио, став мощным аргументом для будущего работодателя. 

 

Программа разработана на основе:

  1. Федеральные государственные образовательные стандарты:

1.1. Приказ Министерства просвещения Российской Федерации от 12.12.2022 № 1095 "Об утверждении федерального государственного образовательного стандарта среднего профессионального образования по специальности 09.02.08 Интеллектуальные интегрированные системы" (Зарегистрирован 20.01.2023 № 72090).

  • По направлениям подготовки бакалавров: (38.03.02) Менеджмент. Приказ Минобрнауки России от 12.01.2016 N 7; (01.03.02). Прикладная математика и информатика. Приказ Минобрнауки России от 10.01.2018 № 09; (02.03.01). Математика и компьютерные науки. Приказ Минобрнауки России от 23.08.2017 № 807.
  • По направлениям подготовки магистров: (27.04.03) Системный анализ и управление. Приказ Минобрнауки России от 30.10.2014 N 1413; (38.04.01) Экономика. Приказ Минобрнауки России от 30.03.2015 N 321; (38.04.08) Финансы и кредит. Приказ Минобрнауки России от 30.03.2015 N 325. (02.04.02) Фундаментальная информатика и информационные технологии. Приказ Минобрнауки России от 17.08.2015 № 830.
  1. Профессиональные стандарты:

2.1. Специалист по тестированию в области информационных технологий. Приказ Министерства труда и социальной защиты Российской Федерации от 11 апреля 2014 года N 225н.

2.2. Руководитель проектов в области информационных технологий. Приказ Министерства труда и социальной защиты Российской Федерации (с изменениями на 12 декабря 2016 года) № 154.

2.3. Специалист цифровой трансформации документированных сфер деятельности организации». Приказ Министерства труда и социальной защиты Российской Федерации от 31 марта 2021 года № 192 н.

2.4. Специалист по большим данным.  Приказ Министерства труда и социальной защиты Российской Федерации от 6 июля 2020 года N 405н

2.5. Архитектор программного обеспечения. Приказ Министерства труда и социальной защиты Российской Федерации от 30.08.2021 № 579н https://classinform.ru/profstandarty/06.003-arhitektor-programmnogo-obespecheniia.html

 

Часов в программе
42 часа
лекции
84 часа
практика
126 часов
самостоятельная
4 часа
итоговая аттестация
256 часов
всего
Цель программы
Формирование новых компетенций, необходимых для выполнения профессиональной деятельности в области архитектуры построения данных.
Освоение передовых технологий и методов на основе ИИ.
Формирование навыков анализа бизнеса и сбора данных для решения прикладных задач, связанных с прогнозированием и управлением в различных областях применения.
Актуальность
Дополнительная профессиональная программа повышения квалификации "Архитектор данных" разработана с учетом потребностей слушателей, которые хотят продолжить карьеру в сфере IT в качестве специалиста-экспертного уровня - архитектора данных. Слушатели освоят базовый уровень знаний, умений, навыков и компетенций в области искусственного интеллекта и больших языковых моделей, научатся работать с данными в контексте поведенческого анализа. Полученные базовые знания в области генеративного искусственного интеллекта станут основой моделирования архитектурных решений, необходимых для эффективного применения причинно-следственной аналитики при анализе результатов испытаний ИИ системы и проверки их соответствия архитектуре программной системы.
Мы рассчитываем, что, в зависимости от предыдущего опыта, вы займете позицию от junior до middle - и она будет связана с обработкой и моделированием данных или с аналитикой и проектированием ИИ-систем.
Входная диагностика
Решение тестовых заданий на образовательной платформе MOODL образовательного портала Финансового университета при Правительстве Российской Федерации.
Итоговая аттестация 4 часа
Защита проекта

Компетенции

Профессиональные


ПК-1.р. Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта
Знать:

Знает методы, сбора исходной информации и формирует требования к решению задач с использованием методов искусственного интеллекта.

Уметь:

Умеет классифицировать и идентифицировать задачи систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей.
Выбирает методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной области
Собирает исходную информацию и формирует требования к решению задач с использованием методов искусственного интеллекта

Владеть:

Выбирает методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной области.

ПК-1.и. Способен применять методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез
Знать:

Знает методы автоматизированной генерации и проверки гипотез в сфере исследовательской деятельности

Уметь:

Использует методы автоматизированной генерации и проверки гипотез в сфере исследовательской деятельности

Владеть:

Настраивает, конфигурирует и адаптирует программные средства автоматизированного логического вывода в сфере исследовательской деятельности

ПК-2.р. Способен разрабатывать и тестировать программные компоненты решения задач в системах искусственного интеллекта
Знать:

Способы сбора исходной информации и формирования требований к решению задач с использованием методов искусственного интеллекта

Уметь:

Проводит тестирование систем искусственного интеллекта

Владеть:

Навыками выбора методов и инструментальных средств искусственного интеллекта для решения задач в зависимости от собственной проблемной области

ПК-4.р. Способен разрабатывать и применять методы машинного обучения для решения задач
Знать:

Способы определения метрики оценки результатов моделирования и критерии качества построенных моделей

Уметь:

Проводить анализ требований и определяет необходимые классы задач машинного обучения
Определять метрики оценки результатов моделирования и критерии качества построенных моделей
Принимать участие в оценке и выборе используемых методов машинного обучения

Владеть:

Навыками оценки и выбора используемых методов машинного обучения
Навыками подготовки и разметки структурированных и неструктурированных данных для машинного обучения

ПК-5.п. Способен использовать системы искусственного интеллекта на основе нейросетевых моделей и методов
Знать:

Знает как определять метрики оценки результатов моделирования и критерии качества построенных моделей

Уметь:

Умеет проводить анализ требований и определяет необходимые классы задач машинного обучения
Осуществляет оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи

Владеть:

Принимает участие в оценке и выборе используемых методов машинного обучения
Осуществляет оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи

ПК-6.п. Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта
Знать:

Способы сбора исходной информации и формирования требований к решению задач с использованием методов искусственного интеллекта;
Методы автоматизированной генерации и проверки гипотез в сфере исследовательской деятельности;

Уметь:

Выполняет подготовку и разметку структурированных и неструктурированных данных для машинного обучения

Владеть:

Выполняет подготовку и разметку структурированных и неструктурированных данных для машинного обучения

ПК-6.р. Способен создавать и поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов
Знать:

Методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной области

Уметь:

Осуществлять оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи;
Осуществлять поиск данных в открытых источниках, специализированных библиотеках и репозиториях;

Владеть:

Навыками осуществления оценки и выбора моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи

ПК-7.р. Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта
Знать:

Собирать исходную информацию и формировать требования к решению задач с использованием методов искусственного интеллекта

Уметь:

Умеет осуществлять поиск данных в открытых источниках, специализированных библиотеках и репозиториях

Владеть:

Осуществляет поиск данных в открытых источниках, специализированных библиотеках и репозиториях
Выполняет подготовку и разметку структурированных и неструктурированных данных для машинного обучения

ПК-9.р. Способен создавать и внедрять одну или несколько сквозных цифровых субтехнологий искусственного интеллекта
Знать:

Способы использования одной или нескольких сквозных цифровых субтехнологий искусственного интеллекта

Уметь:

Участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Рекомендательные системы и системы поддержки принятия решений»
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Распознавание и синтез речи»
Участвует в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллект

Владеть:

Навыками использования одной или нескольких сквозных цифровых субтехнологий искусственного интеллекта;
Навыками управления архитектурой интегрированного программного обеспечения

Требования

Нет

Модули

свернуть
60ч
Модуль 1 1. Процесс, стадии и методологии разработки решений на основе ИИ с использованием больших языковых моделей
Целью освоения модуля является овладение слушателями основными методами теории интеллектуальных систем, приобретение навыков по использованию интеллектуальных систем, изучение основных методов применения искусственного интеллекта Задачи: cформировать у слушателей представление о методологии разработки решений на основе ИИ с использованием больших языковых моделей
48ч
Модуль 3 3. Выбор инструментария ML архитектором данных: сравнение возможностей, ограничений и особенностей российских и зарубежных решений
Целью освоения модуля является приобретение слушателями знаний по ML российской разработки для выработки возможных решений посредством сбора и анализа больших данных Задача: сформировать у слушателей представление о инструментах анализа данных и ML российской разработки, сравнение возможностей, ограничений и особенностей российских и зарубежных решений
48ч
Модуль 5 5. Датацентричное машинное обучение: новый инструментарий архитектора данных
Целью освоения модуля является изучение слушателями базового инструментария библиотеки технологии и Data Science для решения сквозных цифровых субтехнологий искусственного интеллекта Задача: сформировать у слушателей представление о инструментах, библиотеки технологии и Data Science.
48ч
Модуль 2 2. Визуальное описание данных в работе архитектора данных. Проверка целостности. Проектирование интерфейса пользователя данных
Целью освоения модуля является овладение слушателями основными принципами эффективной визуализация данных Задача: сформировать у слушателей представление о визуальном описание данных в работе архитектора данных.
48ч
Модуль 4 4. Архитектор поведенческих данных: проверка соответствия архитектуры ИИ-решений, связанных с аналитикой поведения пользователей
Целью освоения модуля является приобретение слушателями знаний по применению методов и программных средств автоматизированного логического вывода и автоматизированной проверки гипотез Задача: сформировать у слушателей представление методах проверки соответствия архитектуры ИИ-решений, связанных с аналитикой поведения пользователей
60ч
Модуль 1 1. Процесс, стадии и методологии разработки решений на основе ИИ с использованием больших языковых моделей
Целью освоения модуля является овладение слушателями основными методами теории интеллектуальных систем, приобретение навыков по использованию интеллектуальных систем, изучение основных методов применения искусственного интеллекта Задачи: cформировать у слушателей представление о методологии разработки решений на основе ИИ с использованием больших языковых моделей
48ч
Модуль 2 2. Визуальное описание данных в работе архитектора данных. Проверка целостности. Проектирование интерфейса пользователя данных
Целью освоения модуля является овладение слушателями основными принципами эффективной визуализация данных Задача: сформировать у слушателей представление о визуальном описание данных в работе архитектора данных.
48ч
Модуль 3 3. Выбор инструментария ML архитектором данных: сравнение возможностей, ограничений и особенностей российских и зарубежных решений
Целью освоения модуля является приобретение слушателями знаний по ML российской разработки для выработки возможных решений посредством сбора и анализа больших данных Задача: сформировать у слушателей представление о инструментах анализа данных и ML российской разработки, сравнение возможностей, ограничений и особенностей российских и зарубежных решений
48ч
Модуль 4 4. Архитектор поведенческих данных: проверка соответствия архитектуры ИИ-решений, связанных с аналитикой поведения пользователей
Целью освоения модуля является приобретение слушателями знаний по применению методов и программных средств автоматизированного логического вывода и автоматизированной проверки гипотез Задача: сформировать у слушателей представление методах проверки соответствия архитектуры ИИ-решений, связанных с аналитикой поведения пользователей
48ч
Модуль 5 5. Датацентричное машинное обучение: новый инструментарий архитектора данных
Целью освоения модуля является изучение слушателями базового инструментария библиотеки технологии и Data Science для решения сквозных цифровых субтехнологий искусственного интеллекта Задача: сформировать у слушателей представление о инструментах, библиотеки технологии и Data Science.

Преподаватели

Догадина

Елена Петровна

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\EPDogadina&ReturnUrl=http://www.fa.ru/org/dep/findata/Pages/PersonList.aspx

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

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

Смирнов

Игорь Геннадьевич

Финансовый университет при Правительстве Российской Федерации

Профессор Департамента анализа данных и машинного обучения

к.т.н.

профессор

http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\IGSmirnov&ReturnUrl=http://www.fa.ru/Pages/PersonList.aspx

Сахнюк

Павел Анатольевич

Финансовый университет при Правительстве Российской Федерации

Доцент кафедры кафедры бизнес-информатики Факультета информационных технологий и анализа больших данных Финансового университета

кандидат технических наук

доцент

https://leader-id.ru/users/1145518

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

06.042

Специальность

Архитектор данных (Data Architect)

Ответственный за программу

aakanke@fa.ru

+74999439469