«Подготовка инженеров нового поколения невозможна без интеграции инструментов ИИ в отраслевые ОП»
26 февраля в Уфе на площадке Межвузовского студенческого кампуса Евразийского научно-образовательного центра прошла защита итоговых проектов пилотного курса образовательной программы «ИИ-инженерия в нефтегазовой отрасли». Эксперты НИУ ВШЭ оценили студенческие проекты в сфере искусственного интеллекта, выполненные для «Газпрома» в рамках федерального проекта «Экономика данных и цифровая трансформация государства».
Инициатива, реализованная компанией «Газпром» совместно с Высшей школой экономики и Уфимским государственным нефтяным техническим университетом (УГНТУ), стала важным шагом в подготовке кадров для цифровой трансформации энергетического сектора.
Программа вошла в состав отраслевого модуля «ИИ в добывающей промышленности» национального проекта «Экономика данных и цифровая трансформация государства». Ее слушателями стали студенты УГНТУ, которые в рамках курса применяли методы науки о данных и машинного обучения для решения производственных задач — от прогнозирования параметров газотранспортной системы до анализа технических данных с использованием ИИ-ассистентов.
Для обеспечения экспертной поддержки и оценки работ была организована комиссия, в состав которой вошли представители факультета компьютерных наук ВШЭ, УГНТУ и «Газпрома». От ФКН в защите участвовали Денис Деркач, заведующий Научно-учебной лабораторией методов анализа больших данных, и Тимофей Никулин, руководитель проекта Data Culture. Эксперты оценивали техническую сложность решений, качество кода, обоснованность архитектурных подходов и потенциал внедрения разработок в реальные бизнес-процессы.
«Использование реальных данных и реальных постановок задач выводит курс на новый уровень: учащиеся сразу применяют свои знания в условиях, близких к реальности, учатся бороться с настоящими трудностями, — рассказал Денис Деркач. — Рад, что ПАО “Газпром” активно проявляет интерес к подготовке современных кадров и способствует обогащению курсов новыми данными и постановками задач».
«Подготовка инженеров нового поколения невозможна без интеграции инструментов искусственного интеллекта в отраслевые образовательные программы, — пояснил Тимофей Никулин. — В рамках курса студенты не только изучали современные методы ИИ, но и применяли их для решения реальных задач, предложенных индустриальным партнером. Такой опыт формирует специалистов, способных в будущем стать драйверами цифровой трансформации в добывающей промышленности».
Основной фокус образовательной программы «ИИ-инженерия в нефтегазовой отрасли» был сделан на практическом применении интеллектуального анализа данных и методов машинного обучения в газовой отрасли. Особенностью курса стало активное внедрение инструментов ИИ-ассистированного программирования, что позволило студентам не только освоить современный технологический стек (Python, Pandas, Scikit-learn, нейросетевые фреймворки), но и значительно ускорить процесс разработки.
Члены экспертной комиссии отметили высокий прикладной потенциал представленных работ: ряд прототипов рекомендован к доработке и пилотному внедрению в дочерних обществах «Газпрома».
Успешное завершение пилотного курса подтвердило, что и в реальном секторе экономики необходимы специалисты по анализу данных. Этот проект стал примером сетевого взаимодействия между индустриальным партнером и вузами, которое необходимо для цифровой трансформации.
Вам также может быть интересно:
В НИУ ВШЭ пройдет международная конференция об обучении служением и искусственном интеллекте
21–23 октября 2026 года в НИУ ВШЭ пройдет Международная научно-практическая конференция «Обучение служением и искусственный интеллект: человекоцентричная социальная миссия университета». Конференция объединит представителей российских и зарубежных университетов, органов власти, некоммерческих организаций и бизнеса. Регистрация уже открыта.
Исследователи НИУ ВШЭ оценили вклад стран БРИКС в ведущие конференции по машинному обучению
Наукометрический центр НИУ ВШЭ проанализировал более 104 тысяч работ за 2020–2025 годы, которые были представлены на десяти конференциях высшего уровня A* по рейтингу ICORE 2026. Исследователи изучили вклад Бразилии, России, Индии, Китая и ЮАР: на эти страны пришлось около 40,8 тысячи публикаций — 39,2% от всего массива. Однако распределение крайне неравномерно, и единого исследовательского пространства БРИКС пока нет.
Лаборатория будущих сетей: в НИИТ ВШЭ создали стенд для исследований 5G/6G
Стенд 5G/6G в НИИТ ВШЭ становится исследовательской площадкой, образовательной лабораторией и основой для разработки новых программных компонентов сетей будущего. Он позволяет не просто наблюдать за работой мобильной сети, а менять условия ее работы и измерять результат: скорость передачи данных, задержки, ошибки, использование радиоресурсов и другие параметры. На его основе исследователи планируют развивать технологии MIMO, O-RAN, xApp и IAB, а также экспериментировать с искусственным интеллектом.
Ученые НИУ ВШЭ научили нейросеть превращать 3D-модели в готовые технологические карты
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали систему CAD2TechSpec, которая автоматически превращает 3D-модели деталей в готовые технологические карты — пошаговые инструкции для станков. Разработка направлена на сокращение времени подготовки технической документации в машиностроении, авиастроении и других высокотехнологичных отраслях. Результаты исследованияо публикованы в журнале PeerJ Computer Science.
В НИУ ВШЭ запущен реестр ИИ-сервисов и моделей
Институт искусственного интеллекта и цифровых наук ФКН разработал сервис для регистрации и учета достижений в области искусственного интеллекта (ИИ). Платформа уже доступна для сотрудников и студентов университета.
Исследователи НИУ ВШЭ и Сбера научили нейросети лучше угадывать предпочтения пользователей
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».
Исследователи ВШЭ показали, как создавать регуляторную ДНК напрямую
Исследователи НИУ ВШЭ разработали модель для генерации промоторов и энхансеров — участков ДНК, регулирующих работу генов. Модель работает с нуклеотидами ДНК напрямую, без промежуточного преобразования в непрерывное числовое пространство. Разработка может быть полезна в синтетической биологии и генной терапии. Результаты исследования представлены на воркшопе конференции ICLR 2026.
ФКН ВШЭ и ЧГУ реализовали три отраслевых образовательных модуля по искусственному интеллекту
В 2025/26 учебном году факультет компьютерных наук (ФКН) ВШЭ совместно с Череповецким государственным университетом реализовал три отраслевых образовательных модуля по искусственному интеллекту. Инициатива была представлена в рамках проекта «Топ-ИИ» Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации». Эксперты НИУ ВШЭ совместно с индустриальными партнерами разработали линейку отраслевых образовательных модулей в области искусственного интеллекта.
ИИ для врачей: ФКН ВШЭ провел курс для студентов Российского университета медицины
В июне завершился курс, посвященный использованию искусственного интеллекта в медицине, который факультет компьютерных наук НИУ ВШЭ провел для студентов первого курса направления «Педиатрия» Российского университета медицины. Курс реализован при поддержке гранта, полученного НИУ ВШЭ в соответствии с мероприятиями федерального проекта «Искусственный интеллект» национального проекта «Экономика данных и цифровая трансформация государства».
Новый метод НИУ ВШЭ и Т-Технологий повышает качество работы ИИ
Ученые из лаборатории научных исследований «Т-Технологий» и Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ разработали новый метод семплирования для моделей маскированной диффузии — G-Star+. Он помогает быстрее и качественнее исправлять ошибки во время генерации текста и кода за небольшое число шагов. Метод показал эффективность в задачах генерации текста и кода и может применяться там, где генеративным моделям нужно быстро и качественно создавать текст или код при ограниченных вычислительных ресурсах.