Конвергенция методов оптимизации и больших данных в когнитивную подготовку специалистов по ИИ
Аннотация
Введение. Экспоненциальный рост объёмов и размерности данных в цифровой экономике обусловил возникновение значительного разрыва между практическими требованиями индустрии ИИ и содержанием традиционных образовательных программ в области оптимизации. Исследование направлено на преодоление этого дисбаланса через разработку инновационного подхода к когнитивной подготовке специалистов, основанного на конвергенции методов оптимизации и технологий работы с большими данными.
Материалы и методы. В основу работы положен системный подход к проектированию учебно-методического комплекса "Методы оптимизации" для направления 09.03.02 "Информационные системы и технологии" (профиль "Системы и технологии искусственного интеллекта"). Методологический фундамент исследования составляют модель обратного дизайна Уиггинса и МакТай, определяющая стратегию проектирования образовательной траектории от целевых профессиональных компетенций; теория когнитивной нагрузки Свеллера, оптимизирующая структуру учебного материала для эффективного усвоения сложных математических концепций и четырёхуровневая модель Киркпатрика, обеспечивающая комплексную оценку образовательных результатов.
Результаты исследования. Разработан образовательный комплекс, реализующий принцип конвергенции через три интегративных модуля: теоретико-когнитивный, практико-ориентированный и инструментально-технологический. Содержательное ядро программы выстроено по принципу когнитивной преемственности — от классических детерминированных алгоритмов через современные стохастические и адаптивные методы (SGD, Adam, RMSProp) к метаэвристическим алгоритмам (генетические алгоритмы, роевой интеллект, алгоритм имитации отжига). Практический компонент курса включает реализацию алгоритмов на Python с использованием библиотек NumPy и SciPy, формируя базис для последующего освоения фреймворков машинного обучения.
Обсуждение и заключение. Внедрение разработанного образовательного комплекса способствует формированию целостного когнитивного представления о методологии оптимизации и развивает системное профессиональное мышление, необходимое для проектирования интеллектуальных систем. Валидность предлагаемого подхода подтверждается комплексной процедурой оценки, основанной на модели Киркпатрика и позволяющей отслеживать результаты на различных уровнях — от усвоения учебного материала до отсроченных профессиональных эффектов. Апробация программы запланирована на 2026-2027 учебный год.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
