Данная программа подготовки ориентирована на подготовку аналитиков данных и инженеров ИИ, способных разрабатывать и внедрять интеллектуальные системы. Уделяется большое внимание компетенциям в области промышленной разработки систем ИИ, развертывания и сопровождения моделей машинного обучения в продуктивной среде. План выстроен таким образом, что все теоретические знания студенты закрепляют на практике. В рамках обучения студент формирует портфолио (PET-проекты), закрепляет полученные теоретические знания на практических кейсах индустриальных партнеров, проходят стажировку в ИТ-компаниях начиная со второго курса, таким образом на 3 курсе студенты обладают реальными знаниями и навыками разработки алгоритмов, методов и технологий ИИ. Такой подход позволяет минимизировать время на онбординг компаниям, в которых будут работать выпускники. Образовательная программа предлагает к изучению широкий перечень современного технологического стека по направлениям деятельности: машинное обучение и deep learning, обработка больших данных, MLOps, компьютерное зрение и NLP, высоконагруженные AI-системы.
Во время обучения изучаются методологии Agile и Scrum, современные языки программирования: Java, Scala, Python, а также принципы работы с популярными СУБД: PostgreSQL, MongoDB, ClickHouse и т.д. В рамках обучения студенты полной мере используют кластер с экосистемой Hadoop (HDFS, Hive, HBase, Spark, Oozie, Airflow, Flume) и Ozone, созданный совместно с ПАО Сбербанк, для выполнения реальных кейсов от партнеров-работодателей.
На лабораторных и практических занятиях активно используются современные технологии и фреймворки, применяемые в индустрии искусственного интеллекта. В частности: Python (NumPy, Pandas, Scikit-learn) — для обработки данных, feature engineering и классического машинного обучения; PyTorch и TensorFlow — для разработки и обучения нейронных сетей, включая компьютерное зрение и NLP; OpenCV и MediaPipe — для работы с изображениями и видео в задачах машинного зрения; MLflow и Kubeflow — для управления ML-экспериментами и организации MLOps-пайплайнов; Docker и Kubernetes — для контейнеризации моделей и развертывания их в production-среде; Apache Spark и Dask — для распределенной обработки больших данных и тд.
Эти технологии составляют основу современной разработки систем искусственного интеллекта, и наша задача — дать студентам не только теоретические знания, но и практический опыт их применения в реальных проектах. Это позволяет выпускникам уверенно работать с промышленными ИИ-решениями и сокращает время адаптации в индустрии.
Программа разработана в полном соответствии с компетентностно-ролевой моделью, позволяя выпускникам эффективно включаться в профессиональную деятельность с актуальными знаниями и навыками.