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 изаключение. 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. Introduction. The exponential growth in the volume and dimensionality of data in the digital economy has led to a significant gap between the practical requirements of the AI industry and the content of traditional educational programs in optimization. This study aims to overcome this imbalance by developing an innovative approach to the cognitive training of specialists, based on the convergence of optimization methods and big data technologies. Materials and Methods. The work is based on a systematic approach to designing the "Optimization Methods" teaching and learning kit for the field of study 09.03.02 "Information Systems and Technologies" (profile "Artificial Intelligence Systems and Technologies"). The methodological foundation of the research consists of the Wiggins and McTighe's Backward Design model, which defines the strategy for designing an educational trajectory based on target professional competencies; Sweller's Cognitive Load Theory, which optimizes the structure of educational material for the effective assimilation of complex mathematical concepts; and Kirkpatrick's four-level model, which provides a comprehensive assessment of educational outcomes. Results. An educational complex was developed, implementing the principle of convergence through three integrative modules: theoretical-cognitive, practice-oriented, and instrumental-technological. The core of the program is built on the principle of cognitive continuity—from classical deterministic algorithms through modern stochastic and adaptive methods (SGD, Adam, RMSProp) to metaheuristic algorithms (genetic algorithms, swarm intelligence, simulated annealing). The practical component of the course includes the implementation of algorithms in Python using the NumPy and SciPy libraries, forming a basis for the subsequent mastery of machine learning frameworks. Discussion and Conclusion. The implementation of the developed educational complex contributes to the formation of a holistic cognitive understanding of optimization methodology and develops the systemic professional thinking necessary for designing intelligent systems. The validity of the proposed approach is confirmed by a comprehensive assessment procedure based on the Kirkpatrick model, which allows tracking results at various levels—from the assimilation of educational material to long-term professional effects. The program is scheduled for pilot testing in the 2026-2027 academic year.
更多
原文链接
分享
引用
