Мы используем cookie, чтобы сайт работал корректно и был удобнее для вас. Запретить обработку cookie вы можете через браузер.
Уникальные программы бакалавриата ЮФУ в сфере искусственного интеллекта
Станьте частью нового поколения специалистов, которые создают будущее ИИ
Проект ТОП-ИИ
Применение методов искусственного интеллекта в связи и телекоммуникациях
Формат обучения
Объем модуля
Период проведения
Связь и телекоммуникации
Онлайн (очный с применением дистанционных технологий)
180 ак. часа
Рекомендуется студентам с 3 курса
ТОП-ИИ
Отраслевой модуль
Модуль разработан для внедрения
в образовательные программы вузов
в образовательные программы вузов
Модуль ориентирован на подготовку специалистов в области инфокоммуникационных технологий и систем связи, обладающих практическими навыками применения искусственного интеллекта для решения прикладных задач мониторинга, управления и прогнозирования состояния сетевой инфраструктуры. В нём рассматриваются современные ИИ-решения и инструменты для разведочного анализа телеметрических данных физического и канального уровней (RSRP, SINR, SNR, BER), инженерии признаков и подготовки временных рядов, прогнозирования отказов оборудования методами обучения с учителем (логистическая регрессия, деревья решений, случайный лес), а также обнаружения аномалий, кластеризации узлов сети и поиска ассоциативных правил в сетевых логах с использованием алгоритмов без учителя (Isolation Forest, One-Class SVM, K-Means, Apriori, FP-Growth). Особое внимание уделяется интерпретации результатов ИИ в техническом и социальном контекстах, а также интеграции предиктивной аналитики в архитектуру сетей 5G/6G (NWDAF) и концепции Edge AI.
Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки инженеров связи, обеспечить связь профессиональных компетенций обучающихся с актуальными запросами телеком-операторов и системных интеграторов, а также сформировать у студентов базовые навыки работы с данными телеметрии и сетевыми логами, инструментами машинного обучения (Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn, mlxtend) и прикладными ИИ-решениями, востребованными в центрах управления сетями (NOC/SOC), отделах предиктивной аналитики и кибербезопасности операторов связи.
Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки инженеров связи, обеспечить связь профессиональных компетенций обучающихся с актуальными запросами телеком-операторов и системных интеграторов, а также сформировать у студентов базовые навыки работы с данными телеметрии и сетевыми логами, инструментами машинного обучения (Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn, mlxtend) и прикладными ИИ-решениями, востребованными в центрах управления сетями (NOC/SOC), отделах предиктивной аналитики и кибербезопасности операторов связи.
Для кого подготовлен
о модуле
11.03.02 — Инфокоммуникационные технологии и системы связи (профиль «Инфокоммуникационные системы и сети»)
Специальности и направления подготовки высшего образования, при реализации которых применяется модуль:
Модуль предполагается к прохождению студентами 3-ого курса бакалавриата и старше. Реализуется как компонент основной профессиональной образовательной программы (ОПОП).
Формат обучения
1 семестр, 5 зачетных единиц
Продолжительность
180 ак.ч.: 36 ак.ч. лекции, 36 ак.ч. лабораторные работы (практическая подготовка), 108 ак.ч. самостоятельная работа
Трудоемкость
Модуль реализуется вузом самостоятельно в рамках части ОП, формируемой участниками образовательных отношений (электив/факультатив).
Условия реализации
Онлайн (очный с применением дистанционных технологий)
Формат обучения
Русский
Язык обучения
Программа обучения
Отраслевой модуль раскрывает применение ИИ для задач в сфере связи и телекоммуникаций: анализа телеметрических данных, прогнозирования отказов оборудования и качества сервисов, обнаружения сетевых аномалий и кибератак, кластеризации узлов инфраструктуры, а также корреляции аварийных сообщений в центрах управления сетями (NOC/SOC).
Введение в машинное обучение для отрасли связи. Инструментарий: Google Colab, Python, NumPy, Pandas, Scikit-learn. Специфика телеметрических данных физического и канального уровней (RSRP, RSRQ, SINR). Разведочный анализ (EDA) и очистка данных телеметрии: обработка пропусков, выявление выбросов методом IQR, визуализация распределений и корреляций. Инженерия признаков: преобразование нерегулярных логов в временные ряды, скользящие окна, расчёт скользящего среднего, генерация лаговых признаков. Понижение размерности: PCA и t-SNE для визуализации сетевого трафика.
Постановка задач прогнозирования отказов. Классические методы: логистическая регрессия, k-NN. Метрики качества (Precision, Recall, F1-score) в контексте несбалансированных данных. GridSearchCV и кросс-валидация. Деревья решений и ансамбли (Random Forest) для прогнозирования качества сервисов (QoS/QoE) и Indoor-локализации на основе Wi-Fi Fingerprinting. Извлечение важности признаков.
Математические основы алгоритмов без учителя. Кластерный анализ: K-Means, метод локтя, коэффициент силуэта, физическая интерпретация кластеров радиопокрытия. Выявление аномалий: Isolation Forest и One-Class SVM для поиска сетевых инцидентов и кибератак. Интерпретируемый И И (Explainable AI) для анализа технического и социального контекста. Поиск ассоциативных правил: Apriori и FP-Growth для корреляции аварийных сообщений, метрики Support, Confidence, Lift. Интеграция предиктивной аналитики в архитектуру сетей 5G/6G (NWDAF), концепция Edge AI.
Комплексное обнаружение аномалий и предсказание отказов оборудования для непрерывности сетевых сервисов. Индивидуальное решение кейса: от очистки данных и генерации лаговых признаков до обучения моделей и разработки регламента предиктивного управления конфигурациями оборудования через SDN-контроллер. Публичная защита проекта.
Технологический стек модуля
Mlxtend
Библиотека для высокоскоростного поиска ассоциативных правил (Apriori, FP-Growth), необходимая для анализа «шторма аварий» и корреляции сетевых событий.
Pandas
Обработка табличных данных (логи межсетевых экранов, биллинг) и работа с временными рядами телеметрии оборудования.
Датасеты
Радиоизмерений — пассивные и активные измерения сетей 4G/5G .
Сетевой безопасности — для обнаружения атак и аномалий.
Indoor-локализации — для задач позиционирования внутри помещений.
Сетевой безопасности — для обнаружения атак и аномалий.
Indoor-локализации — для задач позиционирования внутри помещений.
NumPy
Выполнение матричных и векторных операций, лежащих в основе алгоритмов машинного обучения.
Обучение с учителем / Обучение без учителя
Два основных подхода машинного обучения, каждый из которых применяется для решения специфических задач в отрасли связи и телекоммуникаций
Matplotlib / Seaborn
Построение тепловых карт корреляций, гистограмм, диаграмм размаха и других визуализаций для обоснования инженерных гипотез о причинах деградации сети.
Scikit-learn
Основной фреймворк для классического машинного обучения: реализация алгоритмов с учителем и без учителя, построение конвейеров, кросс-валидация и GridSearchCV.
Python
основной язык программирования для реализации алгоритмов машинного обучения, анализа данных и автоматизации обработки телекоммуникационных данных.
Разработчики, преподаватели, эксперты
А.В. Гончаров
Кандидат технических наук, эксперт, генеральный директор ООО «Сивижинлаб»
Е.П. Тумоян
Кандидат технических наук, руководитель проектов АО «ИнфоТеКС»
В.Б. Каламбет
Преподаватель кафедры информационно-аналитических систем безопасности
имени профессора Берштейна Леонида Самойловича Института компьютерных технологий и
информационной безопасности ФГАОУ ВО «Южный федеральный университет»
имени профессора Берштейна Леонида Самойловича Института компьютерных технологий и
информационной безопасности ФГАОУ ВО «Южный федеральный университет»
А.А. Целых
Кандидат технических наук, доцент Центра образовательных программ в области искусственного интеллекта
ФГАОУ В О Южный федеральный университет
ФГАОУ В О Южный федеральный университет
Результаты обучения
Анализировать возможности применения ИИ в связи и телекоммуникациях
Слушатель сможет соотносить задачи отрасли (прогнозирование отказов, обнаружение аномалий, кластеризация, корреляция аварий) с подходящими ИИ-подходами и определять эффективные сценарии применения для обеспечения непрерывности сетевых сервисов.
Работать с телеметрическими и сетевыми данными для задач ИИ
Слушатель сможет обрабатывать данные радиоизмерений и сетевых логов, выполнять очистку, преобразовывать логи в регулярные временные ряды, генерировать признаки и применять методы понижения размерности (PCA, t-SNE) для подготовки данных к обучению моделей.
Применять модели ИИ для прогнозирования, обнаружения аномалий и управления сетями
Слушатель сможет использовать алгоритмы с учителем (логистическая регрессия, деревья решений, случайный лес) для прогнозирования отказов и качества сервисов; алгоритмы без учителя (K-Means, Isolation Forest, One-Class SVM) для кластеризации и обнаружения аномалий; методы ассоциативного анализа (Apriori, FP-Growth) для корреляции аварий, интерпретируя результаты для управления конфигурациями оборудования (SDN/NFV).
Оценивать качество и ограничения ИИ‑подходов в телекоммуникациях
Слушатель сможет подбирать метрики (Precision, Recall, F1-score) с учётом дисбаланса классов и цены ошибок, анализировать ошибки моделей и формулировать ограничения применимости алгоритмов для предиктивного обслуживания и обеспечения непрерывности сервисов.
Учитывать технический и социальный контекст применения ИИ в отрасли связи
Слушатель сможет интерпретировать результаты ИИ с учётом физических процессов и социальных факторов, применять методы объяснимого ИИ, выявлять риски и формулировать рекомендации по ответственному внедрению интеллектуальных систем управления сетями (3GPP NWDAF).
Анализировать возможности применения ИИ в связи и телекоммуникациях
Слушатель сможет соотносить задачи отрасли (прогнозирование отказов, обнаружение аномалий, кластеризация, корреляция аварий) с подходящими ИИ-подходами и определять эффективные сценарии применения для обеспечения непрерывности сетевых сервисов.
Работать с телеметрическими и сетевыми данными для задач ИИ
Слушатель сможет обрабатывать данные радиоизмерений и сетевых логов, выполнять очистку, преобразовывать логи в регулярные временные ряды, генерировать признаки и применять методы понижения размерности (PCA, t-SNE) для подготовки данных к обучению моделей.
Применять модели ИИ для прогнозирования, обнаружения аномалий и управления сетями
Слушатель сможет использовать алгоритмы с учителем (логистическая регрессия, деревья решений, случайный лес) для прогнозирования отказов и качества сервисов; алгоритмы без учителя (K-Means, Isolation Forest, One-Class SVM) для кластеризации и обнаружения аномалий; методы ассоциативного анализа (Apriori, FP-Growth) для корреляции аварий, интерпретируя результаты для управления конфигурациями оборудования (SDN/NFV).
Оценивать качество и ограничения ИИ‑подходов в телекоммуникациях
Слушатель сможет подбирать метрики (Precision, Recall, F1-score) с учётом дисбаланса классов и цены ошибок, анализировать ошибки моделей и формулировать ограничения применимости алгоритмов для предиктивного обслуживания и обеспечения непрерывности сервисов.
Учитывать технический и социальный контекст применения ИИ в отрасли связи
Слушатель сможет интерпретировать результаты ИИ с учётом физических процессов и социальных факторов, применять методы объяснимого ИИ, выявлять риски и формулировать рекомендации по ответственному внедрению интеллектуальных систем управления сетями (3GPP NWDAF).
04
03
02
01
Преимущества внедрения модуля
За счет включения в образовательную программу актуальных сценариев применения ИИ: прогнозирования отказов оборудования и качества сервисов (QoS/QoE), обнаружения сетевых аномалий и кибератак, кластеризации узлов инфраструктуры и корреляции аварийных сообщений в центрах управления сетями (NOC/SOC).
Через освоение современных подходов к работе с телеметрическими и сетевыми данными, применению методов машинного обучения с учителем и без учителя, автоматизации аналитики и созданию прототипов ИИ-решений для мониторинга и управления телекоммуникационной инфраструктурой.
По направлениям подготовки 11.03.02 Инфокоммуникационные технологии и системы связи (профиль «Инфокоммуникационные системы и сети»), где требуется формирование компетенций по применению ИИ для прогнозирования отказов, обнаружения аномалий и управления сетями связи.
Благодаря освоению востребованных инструментов (Python, Google Colab, Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn, mlxtend) и решению реальных производственных задач: предиктивное техническое обслуживание, управление конфигурациями оборудования (SDN/NFV), обеспечение непрерывности сетевых сервисов и выполнение соглашений об уровне обслуживания (SLA).
Усиление прикладной подготовки инженеров связи
Расширение прикладных компетенций обучающихся
Модуль предлагается вузам, реализующим программы ВО
Усиление связи образования с запросами телеком-отрасли
Пререквизиты. Учебные курсы, которые студент должен освоить перед началом обучения по модулю:
Что нужно знать студенту на старте
- Высшая математика — знание основных физико-математических законов и методов обработки информации, умение применять математические методы для решения прикладных задач.
- Информационные технологии и программирование — знание основных языков программирования и современных программных сред разработки, умение выбирать алгоритмы для решения конкретных задач и применять языки программирования для автоматизации бизнес-процессов.
- Цифровая обработка сигналов — знание особенностей передачи сигналов по каналам телекоммуникационных систем, принципов и алгоритмов цифровой обработки сигналов, умение строить вероятностные модели для конкретных процессов.