Delivered at:: Department of Applied Mathematics and Informatics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:: Compulsory course

When:: 2 year, 1, 2 module

Instructor

Павлов Станислав Владимирович

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена современным методам глубокого обучения и их применению в интеллектуальных программных системах. Основное внимание уделяется предобученным языковым моделям, способам организации их взаимодействия с данными и внешними инструментами, планированию действий и проверке получаемых результатов. На примере одиночных и мультиагентных решений рассматриваются выбор архитектуры, управление контекстом и памятью, экспериментальная оценка качества, вычислительные затраты и надёжность. Обучающиеся выполняют практические задания, анализируют научные публикации и разрабатывают проект с воспроизводимым сравнением решений. Курс развивает базовую подготовку по машинному обучению и программированию.

Цель освоения дисциплины

Сформировать способность обоснованно применять модели глубокого обучения при разработке интеллектуальных систем, проектировать взаимодействие их компонентов и экспериментально оценивать качество, эффективность и ограничения полученного решения. Задачи освоения 1. Систематизировать представления о нейросетевых языковых моделях и способах их использования в прикладных задачах. 2. Освоить построение агентного цикла, подключение инструментов, планирование и внешнюю проверку результата. 3. Изучить способы взаимодействия нескольких агентов, управления состоянием и обработки сбоев. 4. Освоить сопоставимое экспериментальное сравнение решений и аргументированное представление результатов.

Планируемые результаты обучения

Объясняет роль модели в системе, различает обучение и использование модели, описывает агента и формализует простую задачу распределения ресурсов.
Строит одиночного агента, организует вызов инструмента и проверку его результата, фиксирует наблюдаемые действия и корректно обрабатывает отказ или невозможность завершения.
Выбирает способ планирования, обнаруживает нарушения зависимостей и ограничений, связывает принятие решения с результатом проверки и объясняет затраты повторных попыток.
Проектирует несколько архитектур одной задачи и обосновывает выбор схемы с учётом обмена информацией и ограничений.
Задаёт критерий успеха и проводит сопоставимое сравнение, учитывая вариативность, затраты и ограничения эксперимента.
Задаёт состав сообщений, выбирает способ хранения состояния и выявляет ошибки потери или устаревания информации.
Анализирует сбой, проверяет исправление, формулирует границы применимости решения и защищает выводы исследования

Содержание учебной дисциплины

Нейросетевые модели и основы агентных систем
Языковые модели и работа с инструментами
Планирование и проверка решений
Архитектуры взаимодействия агентов
Экспериментальная оценка качества и эффективности
Коммуникация и управление состоянием
Надёжность и воспроизводимость интеллектуальных систем

Элементы контроля

Координация и распределение задач
Лабораторная работа сопровождается кратким отчётом на 1-2 страницы; код, настройки, использованные инструкции, таблицы результатов и журналы запусков передаются приложениями. Проверяемый результат: Реализация и сравнение способов распределения задач в заданной среде; анализ ограничений и контрпримеров.
Одиночный агент на основе языковой модели
Лабораторная работа сопровождается кратким отчётом на 1-2 страницы; код, настройки, использованные инструкции, таблицы результатов и журналы запусков передаются приложениями. Точный состав эксперимента и критерии проверки приводятся в задании. Проверяемый результат: Работающий агент с инструментами и независимой проверкой; сравнение с фиксированным процессом, учёт затрат и разбор ошибок.
Контракты инструментов и проверяемые ответы
Лабораторная работа сопровождается кратким отчётом на 1-2 страницы; код, настройки, использованные инструкции, таблицы результатов и журналы запусков передаются приложениями. Точный состав эксперимента и критерии проверки приводятся в задании. Проверяемый результат: Проверки аргументов, результатов и подтверждений; сопоставление режимов контроля, корректные отказы на негативных сценариях.
Сравнение одиночной и мультиагентных архитектур
Лабораторная работа сопровождается кратким отчётом на 1-2 страницы; код, настройки, использованные инструкции, таблицы результатов и журналы запусков передаются приложениями. Проверяемый результат: Сравнение одного агента, фиксированной команды и команды с координатором на общих задачах и при сопоставимых ограничениях.
Архитектурные решения при изменении условий
Лабораторная работа сопровождается кратким отчётом на 1-2 страницы; код, настройки, использованные инструкции, таблицы результатов и журналы запусков передаются приложениями. Точный состав эксперимента и критерии проверки приводятся в задании. Проверяемый результат: Две архитектуры для задачи с несколькими источниками данных; анализ изменения условий, вклада компонентов и собственных контрпримеров.
Тематические тесты
Проводятся в течение учебного периода по изученному материалу, обсуждаемым методам и практическим заданиям. Проверяют понимание понятий, механизмов работы и типовых ошибок. Формат может включать выбор ответа и краткие задания на применение знаний.
Доклад с разбором научной публикации
Обучающийся представляет постановку задачи, механизм метода, экспериментальные результаты и ограничения выбранной публикации; сопоставляет её с материалом курса и отвечает на вопросы.
Итоговый проект
интеллектуальной системы на основе языковой модели. Обучающийся формулирует задачу и критерий успеха, реализует базовое решение и обоснованную альтернативу, проводит сравнение и анализирует ограничения. Тематика может включать работу с текстами и данными, программным кодом, планированием или проверкой решений. Материалы проекта включают описание постановки, архитектуру, код и инструкции запуска, данные либо описание их получения, настройки эксперимента, результаты и выводы. Для существенного архитектурного решения проверяется вклад соответствующего компонента. Объём эксперимента и доступные ресурсы согласуются с преподавателем при утверждении темы. На защите обучающийся демонстрирует решение, объясняет методику сравнения и отвечает на вопросы по реализации и результатам. При командном выполнении оценка каждого участника учитывает его вклад и понимание представленного решения.

Промежуточная аттестация

2026/2027 2nd module
Оитог= 0,1 × T + 0,2 × L + 0,2 × A + 0,5 × P T - среднее арифметическое оценок тематических тестов. L - среднее арифметическое оценок пяти лабораторных работ: L = (ЛР1 + ЛР2 + ЛР3 + ЛР4 + ЛР5) / 5. A - оценка доклада с разбором научной публикации. Если учебным планом занятий предусмотрено несколько оцениваемых докладов, используется их среднее арифметическое. P - оценка итогового проекта с учётом защиты.

Список литературы

Авторы

Павлов Станислав Владимирович

Master’s Programme 'Data Mining'

Contacts

Deep Learning

Instructor

Программа дисциплины