Физический искусственный интеллект воплощен в аппаратных системах — например, в роботах или автономном транспорте. До недавнего времени подготовка кадров для создания такого ИИ велась по отдельным направлениям: как широким (например, мехатроника и робототехника), так и узконаправленным (конструирование, программирование, теория автоматического управления, машинное обучение). Потребность в объединении этих подходов и обучении специалистов, которые обладают междисциплинарными знаниями, привела к созданию единой компетентностно-ролевой модели.
«Если студент изучает только машинное обучение, то при столкновении с реальными задачами возникает масса сложностей. Например, если перед движущимся роботом появляется препятствие, он не может, как в компьютерной симуляции, резко затормозить или пройти сквозь него, требуется учитывать динамику системы. Поэтому сегодня во многих компаниях нужны специалисты, которые одинаково хорошо ориентируются и в алгоритмах, и в железе, и понимают, как запустить обученную модель прямо на борту устройства», — рассказал заместитель декана факультета систем управления и робототехники ИТМО Алексей Ведяков.
Новая модель призвана помочь готовить востребованных для рынка специалистов по физическому ИИ. В ее основе лежит понятный бизнесу и одновременно удобный для университетов инструмент — описание актуальных ролей, которые существуют в реальных командах разработчиков. Всего в документе выделено двенадцать ролей, охватывающих несколько областей: работу с аппаратным обеспечением, сенсорами, алгоритмами управления и искусственным интеллектом. Среди них есть, например, исследователь-экспериментатор, который генерирует и проверяет научные гипотезы, разработчик, переносящий прототипы алгоритмов на реальные робототехнические платформы, специалист по интеграции программных и аппаратных решений и даже продакт-менеджер, связывающий техническую часть разработки автономных систем с бизнес-целями.
Для каждой роли в модели указан набор компетенций с градацией по уровням владения — от базового понимания до способности самостоятельно реализовать задачу. При этом документ не содержит готового перечня рекомендуемых дисциплин или заданий, он фиксирует только области знаний и необходимую глубину их освоения. Это дает возможность университету с сильной инженерной школой дополнить программу модулями по машинному обучению и компьютерному зрению, а вузу с акцентом на ИТ — усилить подготовку в части работы с реальным оборудованием и сенсорами.
Модель легла в основу программы Yandex Physical AI Garage, которая в ИТМО реализуется как специализированный трек внутри бакалавриата «Робототехника и искусственный интеллект». Студенты, поступившие на это направление, после первого курса смогут пройти отбор и дальше учиться по усиленной программе от Яндекса, заточенной под задачи физического ИИ. Всего на программе предусмотрено 100 мест. Ее фундаментальная часть включает углубленные курсы по физике, механике, дифференциальным уравнениям и обработке сигналов, а практические модули ведут эксперты Яндекса. Каждый модуль с четвертого по восьмой семестр будет завершаться месяцем интенсивной проектной работы — например, над алгоритмами навигации для автономного транспорта или над восприятием среды по данным с лидаров и камер. Выпускники трека получат портфолио с реальными проектами и понимание своей роли в индустриальных командах.
