«Технологии искусственного интеллекта» как компонент подготовки инженеров путей сообщения

И.В. Тюжина¹, С.В. Горбатов²¹Самарский государственный университет путей сообщения, Самара, Россия, i.tyuzhina@samgups.ru
²Технический университет Уральской горно-металлургической компании, Верхняя Пышма, Россия, s.gorbatov@tu-ugmk.com

Скачать статью

Аннотация

В исследовании приведено разработанное авторами содержание дисциплины «Технологии искусственного интеллекта», проходящей апробацию в Самарском государственном университете путей сообщения. При выборе содержания дисциплины учитывались рекомендации Министерства науки и высшего образования, а также потребности железнодорожной отрасли, актуальные тенденции в области искусственного интеллекта, текущий уровень подготовки обучающихся и доступные ресурсы для обучения. Содержание дисциплины может быть использовано для формирования цифровых компетенций студентов транспортных вузов, а также послужить основой для достижения целей по дополнению образовательных программ высшего образования по всем специальностям и направлениям подготовки разделами по изучению технологий искусственного интеллекта.

Ключевые слова

искусственный интеллект, машинное обучение, инженер путей сообщения, высшее железнодорожное образование

Для цитирования

Тюжина И.В., Горбатов С.В. «Технологии искусственного интеллекта» как компонент подготовки инженеров путей сообщения // Педагогическая перспектива. 2024. № 3(15). С. 79–86.
https://doi.org/10.55523/27822559_2024_3(15)_79

Информация об авторах

Ирина Викторовна Тюжина – кандидат педагогических наук, доцент, доцент кафедры цифровых технологий Самарского государственного университета путей сообщения.
Сергей Васильевич Горбатов – кандидат педагогических наук, доцент, заведующий кафедрой информационных технологий Технического университета Уральской горно-металлургической компании.

Текст статьи

Искусственный интеллект (ИИ) становится всё более значимым для различных отраслей экономики, в том числе для сферы транспорта и перевозок. Речь не только про переход на беспилотный транспорт: применение методов ИИ позволяет автоматизировать процесс планирования и управления грузовыми перевозками [1], оптимизировать расписание движения поездов, работу сетей связи, управление железнодорожными переездами, мониторинг состояния инфраструктуры и оборудования [2], прогнозировать опасные ситуации на транспорте [3; 4].

Помимо вызовов времени, есть и законодательные требования к внедрению разделов, посвящённых искусственному интеллекту, в образование [5]. Это требует от вузов разработки новых модулей и дисциплин, отражающих основные аспекты и принципы работы ИИ, а также его применение в различных сферах. Будущим специалистам железнодорожной отрасли изучение разделов, посвящённых ИИ, позволит успешно применять современные технологии и повышать эффективность работы систем железнодорожного транспорта. Это определяет актуальность исследования, направленного на определение содержания дисциплины посвящённой искусственному интеллекту, адаптированного к потребностям будущих инженеров путей сообщения и требованиям современного общества.

Задачи исследования:

проанализировать прототип образовательного модуля «Системы искусственного интеллекта», рекомендованный Министерством науки и высшего образования [6];
разработать структуру и содержание дисциплины «Технологии искусственного интеллекта» для подготовки специалистов транспортной отрасли.

Проведённый нами анализ показал, что сегодня у российских железнодорожных вузов нет единого подхода к формированию разделов, посвящённых ИИ. Используются различный объем разделов, разные темы, виды учебной работы и программное обеспечение: Python, R, Matlab [7]. Вместе с тем существует прототип образовательного модуля «Системы искусственного интеллекта», рекомендованный Министерством науки и высшего образования для основных образовательных программ высшего образования по всем специальностям и направлениям подготовки [6]. Модуль направлен на формирование следующих компетенций.

– ОПК 1. Способен разрабатывать оригинальные алгоритмы и программные продукты, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач;

– ОПК 2. Способен разрабатывать и модернизировать программное и аппаратное обеспечение информационных и автоматизированных комплексов.

Объём модуля 108 часов. В рамках лекций первого раздела модуля рассматриваются такие темы, как нейробионический подход, системы, основанные на знаниях, экспертные системы, архитектура систем ИИ, методология построения систем ИИ и другие. Вторая часть программы фокусируется на программных комплексах для решения интеллектуальных задач. В ней рассматриваются системы продукций, логика предикатов, естественно-языковые программы, теория фреймов, нечёткая логика, нейронные сети, ансамбли моделей машинного обучения, обработка естественного языка и другие аспекты.

Интерес представляют задания для лабораторных работ. Все лабораторные работы содержат задания «условия задачи выразить с помощью формул исчисления высказываний, преобразовать формулы к множеству дизъюнктов…». Ощущается уклон в алгебру высказываний. При этом перечень ресурсов сети Интернет, рекомендуемых для самостоятельной работы при освоении модуля, состоит из трёх пунктов: TensorFlow, PyTorch, KERAS. Всё это – библиотеки языка Python, предназначенные для машинного обучения и работы с нейронными сетями. Констатируя фундаментальный подход в теоретической части, нельзя не заметить расхождение между заявленными компетенциями, содержанием лабораторных работ и разделом для самостоятельных работ. В практической части не уделено внимание современным тенденциям в области искусственного интеллекта, таким как нейронные сети, генеративные модели и т.д.

Можно констатировать несоответствие между тем, как разделы, посвящённые ИИ, преподаются в железнодорожных вузах [7], и как они представлены в рекомендациях Министерства науки и высшего образования РФ. При этом внедрить в образовательную программу предложенный модуль без изменений также не представляется разумным: формируемые модулем ОПК скорее относятся к направлениям, касающимся разработки программных продуктов; не учитывается специфика железнодорожных вузов; для будущих инженеров путей сообщения не кажется оправданным смещение акцента в сторону алгебры высказываний.

Принимая во внимание вышесказанное, актуальной становится задача разработки содержания модуля «Системы искусственного интеллекта», учитывающего потребности железнодорожной отрасли, актуальные тенденции в области искусственного интеллекта, текущий уровень подготовки обучающихся и доступные ресурсы для обучения.

Приступая к разработке модуля, посвящённого ИИ, помимо указанного выше, мы руководствовались его возрастающим значением в нашей жизни, а также квалификацией выпускников. Инженеру путей сообщения не обязательно быть экспертом в создании нейронных сетей или других сложных систем искусственного интеллекта. Вместе с тем основное понимание принципов работы и возможностей этих систем на уровне, достаточном для их применения в конкретных задачах, может быть ценным дополнением к профессиональным навыкам.

Железнодорожные вузы готовят разных специалистов и даже внутри одной специальности задачи выпускников различаются в зависимости от специализации. В этой ситуации разумным выглядит решение выделить базовую часть, посвящённую методам машинного обучения и нейронным сетям как таковым, и вариативную часть, меняющуюся в зависимости от специализации. Исходя из этих соображений во всех программах специалитета СамГУПС был введён общепрофессиональный учебный модуль «Системы искусственного интеллекта», состоящий из двух дисциплин: «Технологии искусственного интеллекта» и «Практикум по машинному обучению». Первая дисциплина знакомит студентов с инструментарием ИИ и показывает способы решения типовых задач, вторая – позволяет применить полученные знания на практике и соотносится с конкретным профилем. Объём, структура и компетенции, формируемые дисциплинами модуля представлены в таблице 1.

Таблица 1. Структура модуля «Системы искусственного интеллекта»

Наименование дисциплин, входящих в модуль (семестр изучения)	Кол-во часов	Код и наименование компетенции	Код и наименование индикатора достижения компетенции (ИДК).
Технологии искусственного интеллекта (7 семестр)	72	УК-1: Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий	УК-1.3: Вырабатывает стратегию действий для решения прикладных задач, используя технологии искусственного интеллекта
Технологии искусственного интеллекта (7 семестр)	72	ОПК-10: Способен формулировать и решать научно-технические задачи в области своей профессиональной деятельности	ОПК-10.2: Использует основные методы и технологии искусственного интеллекта для решения типовых задач
Практикум по машинному обучению (8 семестр)	72	ОПК-10: Способен формулировать и решать научно-технические задачи в области своей профессиональной деятельности	ОПК-10.3: Решает задачи в области профессиональной деятельности, используя перспективные методы машинного обучения
Всего по модулю	144

В большинстве российских железнодорожных вузов дисциплины, посвящённые ИИ, формируют компетенцию ОПК-2: «Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности» [3]. В разрабатываемом нами модуле сознательно используются другие компетенции, что позволяет сделать упор на практическую подготовку, уйти от «понимания принципов» к «решению задач» и «анализу проблемных ситуаций».

В рамках исследования разработано содержание первой дисциплины модуля – «Технологии искусственного интеллекта».

Общая трудоёмкость дисциплины составляет 2 зачётные единицы. Всего 72 часа, из них на контактную работу отведено 32,15 часа, на самостоятельную работу – 31 час (таблица 2).

Таблица 2. Структура дисциплины «Технологии искусственного интеллекта» в СамГУПС

№	Раздел, тема	Виды учебной работы, трудоёмкость (в часах)
		Всего	Аудиторная работа		Самостоятельная работа
		Всего	Лекции	Практические работы	Самостоятельная работа
Раздел 1. Введение в искусственный интеллект
1.1	Основные понятия ИИ	2	2	0	0
1.2	Знакомство с сервисами ИИ	4	0	2	2
1.3	Алгоритмы и структуры данных	8	2	2	2
1.4	Агрегация данных	8	2	2	2
1.5	Визуализация данных	8	2	2	2
Раздел 2. Методы машинного обучения
2.1	Деревья решений	6	2	2	4
2.2	Случайный лес	6	2	2	5
2.3	Метрики качества модели	1	1	0	2
2.4	Искусственный нейрон	3	1	0	2
2.5	Нейронные сети	16	2	4	10
	Часы на контроль	8,85	—	—	8,85
	Зачёт	0,15	—	—	—
	Всего:	72	16	16	39,85

Одним из принципиальных решений при разработке содержания дисциплины стало использование на практических занятиях языка программирования, который в настоящее время широко применяется для решения задач искусственного интеллекта – Python [8; 9; 10]. Отметим, что основы программирования на Python введены в учебные планы СамГУПС в рамках курса информатики, таким образом преемственность содержания дисциплин позволяет студентам успешно выполнять задания в рамках модуля.

Более подробно содержание дисциплины представлено в таблице 3.

Таблица 3. Содержание разделов дисциплины «Технологии искусственного интеллекта» в СамГУПС

№ п/п	Наименование разделов дисциплины, тем		Содержание темы
Раздел 1. Введение в искусственный интеллект
1.1		Основные понятия искусственного интеллекта	Основные понятия искусственного интеллекта. Интеллектуальные задачи. Структурированные, неструктурированные и частично структурированные данные. Машинное обучение. Глубокое обучение. Обучение с учителем и без учителя. Задачи машинного обучения: классификация, регрессия, кластеризация, фильтрация выбросов
1.2		Знакомство с сервисами искусственного интеллекта	Генерация текста: YandexGPT, GigaChat. Модели генерации изображений по тексту: Kandinsky, Шедеврум. Генерация презентаций
1.3		Алгоритмы и структуры данных	Этапы анализа данных. Библиотека Pandas: структуры данных: Series и DataFrame. Создание и чтение датафреймов. Фильтрация данных. Вывод строк и колонок. Методы query, tail, sample, head. Объединение методов
1.4		Агрегация данных	Агрегация данных в Pandas: count, sum, max, min, mean, median. Методы groupby и aggregate. Сортировка данных: метод sort_values. Объединение методов
1.5	Визуализация данных		Визуализация данных в Phyton. Библиотеки Seaborn и Matplotlib. Графики, диаграммы рассеяния, тепловые карты. Анализ и интерпретация результатов визуализации
Раздел 2. Методы машинного обучения
2.1	Деревья решений		Решающие деревья: основные понятия. Параметры дерева. Проблема переобучения. Обучение модели. Библиотека sklearn. Выбор параметров модели. Дерево решений в задачах регрессии.
2.2	Случайный лес		Ансамблевые методы. Концепция случайного леса. Случайная выборка тренировочных образцов. Усреднение прогнозов. Распознавание рукописных цифр.
2.3	Метрики качества модели		Типы ошибок: true negative, false positive. Матрица ошибок. Метрики качества в задачах классификации: accuracy, precision, recall, f1-мера.Метрики качества в задачах регрессии: средняя абсолютная ошибка, средняя квадратичная ошибка, средняя процентная ошибка.
2.4	Искусственный нейрон		Искусственные нейроны. Перцептрон. Обучение нейрона. Метод коррекции ошибки. Нейронные сети.
2.5	Нейронные сети		Сеть Коханена. Сеть Хопфилда. Сверточные нейронные сети. Библиотека Keras. Полносвязный и сглаживающий слои, слой Dropout. Решение проблем переобучения. Классификация изображений.

Дисциплина состоит из двух разделов: «Введение в искусственный интеллект» и «Методы машинного обучения». Первое практическое занятие, «Знакомство с сервисами ИИ», посвящено работе с современными сервисами искусственного интеллекта, что позволяет привлечь интерес студентов к изучаемой теме, а также на практике оценить, возможности интеллектуальных систем, выявить их достоинства и недостатки.

Темы преемственны. Первая половина дисциплины посвящена анализу данных в Python, что позволяет студенту хорошо представлять себе структуру данных, с которыми предстоит работать, в том числе визуализировать данные. Лекции закрепляются практическими работами, в которых используются популярные библиотеки языка Python: keras, TensorFlow, sklearn. Использование готовых решений позволяет уделить больше внимания интерпретации результатов, нежели запоминанию алгоритмов.

Содержание раздела «Методы машинного обучения» также выбрано не случайно. Деревья решений относятся к классу алгоритмов машинного обучения, которые относительно легко понять и интерпретировать. Они требуют меньше времени для обучения и настройки параметров по сравнению с нейронными сетями, что делает их более привлекательными для быстрого прототипирования и решения задач.

Кроме того, деревья решений и случайный лес хорошо подходят для работы со структурированными данными. Работники железнодорожного транспорта регулярно работают с большим объёмом данных такого типа, таких как данные о погрузке и выгрузке, график движения поездов, расписание, технические характеристики и техническое состояние объектов инфраструктуры, журналы регистрации различных событий, в том числе – отказов технических средств, данными о работниках, пассажирах и контрагентах и т.д.

В отличие от нейронных сетей, деревья решений и случайный лес легче интерпретировать, что важно при работе с данными и принятии решений на основе результатов модели. Случайный лес является примером ансамблевого метода, который комбинирует несколько деревьев решений для повышения точности предсказаний. Понимание этого принципа полезно при изучении более сложных моделей машинного обучения.

Смещение фокуса с алгоритмов на интерпретацию результатов их работы проявляется и во введении темы «Метрики качества модели». Мы отдаём себе отчёт, что создание моделей искусственного интеллекта едва ли станет основной рабочей задачей инженеров путей сообщений. Вместе с тем знание метрик качества модели помогает инженерам принимать обоснованные решения о том, какие из готовых моделей следует использовать в конкретных ситуациях, а также какие аспекты моделирования требуют дополнительной настройки.

Завершить изучение раздела предлагается темами «Искусственный нейрон» и «Нейронные сети». Нейронные сети широко используются в различных областях, таких как компьютерное зрение, обработка естественного языка, рекомендательные системы и другие. Знание этих тем позволяет студентам понимать, как применять машинное обучение на практике.

Отметим, что рассмотренная образовательная программа демонстрирует комплексный и практичный подход к обучению в области искусственного интеллекта и машинного обучения. Данный подход основан на использовании популярных библиотек Python и готовых решений в машинном обучении. Разработанный модуль акцентирует внимание на практических навыках, способствуя подготовке студентов к успешной реализации полученных знаний в реальных сценариях. Выделение важности интерпретации результатов моделей и применение метрик качества подчёркивает не только техническую глубину, но и практическую применимость методов машинного обучения. В целом, модуль представляется в достаточной степени сбалансированным, способствующим формированию компетентности студентов железнодорожных направлений в области искусственного интеллекта и машинного обучения.

В результате исследования было разработано содержание дисциплины «Технологии искусственного интеллекта». Структура курса предполагает постепенное углубление в тему искусственного интеллекта, начиная с базовых понятий и заканчивая более сложными алгоритмами машинного обучения, такими как случайный лес и нейронные сети. Лабораторные работы предполагают разработку на языке программирования Python, что позволяет студентам не только узнать теоретические аспекты искусственного интеллекта, но и научиться применять полученные знания на практике. Таким образом, представленная структура курса сочетает в себе логическую последовательность, постепенное углубление, практическую направленность и разнообразие тем, что способствует эффективному обучению студентов в данной области. Практическая значимость исследования состоит в том, что содержание дисциплины может быть использовано для формирования цифровых компетенций студентов транспортных вузов, а также послужить хорошей основой для достижения целей по внедрению тем, связанных с технологиями искусственного интеллекта, для всех образовательных организаций России.

Список литературы

Третьяков Г.М., Мазько Н.Н., Варламов А.В. Применение технологий машинного обучения для автоматизации процессов планирования и управления грузовыми перевозками на железной дороге // Современные наукоемкие технологии. 2024. № 4. С. 88–100. https://doi.org/10.17513/snt.39977
Алимов Н.В. Людаговский А.В. Внедрение машинного обучения в систему профилактики и контроля технического состояния подвижного состава железных дорог Российской Федерации // Современные инструментальные системы, информационные технологии и инновации: Сб. науч. тр. XVI Междунар. науч.-практ. конф., Курск, 18–19 марта 2021 года. Курск: Юго-Западный государственный университет, 2021. С. 29–32.
Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути / И. Б. Шубинский, А. М. Замышляев, О. Б. Проневич [и др.] // Надежность. 2020. Т. 20, № 2. С. 43–53.
Бойко П.Ю., Быков Е.М., Соколов Е.И., Яроцкий Д.А. Применение машинного обучения к ранжированию инцидентов на Московской железной дороге // Информационные технологии и вычислительные системы. 2017. № 2. С. 43–53.
Перечень поручений Президента Российской Федерации по итогам конференции «Путешествие в мир искусственного интеллекта»: поручение президента РФ от 31 декабря 2020 г. № Пр-2242. // kremlin.ru: сайт. URL: https://clck.ru/3CPHfy (дата обращения 13.07.2024).
О направлении информации: Письмо Министерства науки и высшего образования РФ от 2 июля 2021 г. № МН-5/2657. // Информационно-правовое обеспечение «Гарант». URL: https://clck.ru/3CPHdv (дата обращения 13.07.2024).
Тюжина И.В. Анализ подходов к интеграции технологий искусственного интеллекта в содержание образования будущих инженеров путей сообщения // Научный аспект. 2024. № 6. С. 18–21.
Колесников П.О. Разработка систем искусственного интеллекта в Python // Modern Science. 2021. № 7. С. 303–307.
Кондратьева В.А. Особенности обучения искусственному интеллекту в основной школе средствами языка программирования Python // Открытая наука 2021: Сб. материалов науч. конф. с междунар. участием, Москва, 22 апреля 2021 года. М.: Издательство «Aegitas», 2021. С. 248–253.
Розов К.В., Подсадников А.В. Язык программирования Python в педагогическом вузе: от основ до искусственного интеллекта // Информатика и образование. 2019. № 6 (305). С. 26–33.