ОСОБЕННОСТИ ПРЕПОДАВАНИЯ МАТЕМАТИЧЕСКИХ ОСНОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ВУЗЕ

Perminov Evgeny A.; Testov Vladimir A.; Ganicheva Elena M.

Perminov Evgeny A. Уральский государственный педагогический университет https://orcid.org/0000-0002-8807-2476
Testov Vladimir A. Вологодский государственный университет https://orcid.org/0000-0002-3573-574X
Ganicheva Elena M. Вологодский государственный университет https://orcid.org/0009-0003-3319-5078

Ключевые слова: математическое моделирование, трансдисциплинарный подход, дискретная математика, математическая логика, теория алгоритмов, абстрактная алгебра.

Аннотация

Постановка проблемы. В современном вузовском образовании все большее значение придается преподаванию студентам разных направлений основ искусственного интеллекта. В появлении такой уникальной научной области, как искусственный интеллект, решающее значение имеет математика. В вузовском образовании возникает потребность знакомить студентов не только с технологиями искусственного интеллекта, но и с его математическими основами, к которым относится наряду с другими разделами и математическая статистика.

Цель статьи – обоснование необходимости внедрения в учебные программы вузов преподавания математических основ искусственного интеллекта, включая разделы дискретной математики, а также обоснование важной роли такого курса в обучении.

Методология и методы исследования. В исследовании использовались методы системного анализа, методология моделирования, трансдисциплинарный подход, методология развития искусственного интеллекта и его математических основ, а также культурологический подход.

Результаты исследования. В результате исследования выявлены структурные элементы содержания курса (модуля) «Математические основы искусственного интеллекта», концептуальные положения о выработке рекомендаций для содержания типовых учебных программ обучения такому курсу в вузах. В подготовке студентов необходимо опираться на положения о том, что математика едина и имеется внутренняя логика курса математики. Обучение системам искусственного интеллекта важно осуществлять на основе тесной взаимосвязи дискретной и непрерывной математики. Указанный курс служит базой формирования общепрофессиональных компетенций в области искусственного интеллекта. Благодаря математическим основам ИИ реализуется идея моделирования процессов человеческого мышления с помощью компьютера.

Заключение. Методологическим ориентиром в разработке учебных программ для предлагаемого курса должен стать трансдисциплинарный подход. На основе изучения этого курса формируются особый обще- научный стиль мышления и новое целостное мировоззрение.

Литература

1. Глушков В.М. Кибернетика. Вопросы теории и практики. М.: Наука, 1986. 488 c.
2. Каляев И.А. Искусственный интеллект: Камо грядеши? // Экономические стратегии. 2019. № 5. C. 6–18. DOI: 10.33917/es-5.163.2019.6-15
3. Кнут Д. Искусство программирования: пер. с англ. М.: Вильямс, 2013. Т. 4: А. Комбинаторные алгоритмы. Ч. 1. 960 c.
4. Перминов Е.А., Тестов В.А. Математизация профильных дисциплин как основа фундаментализации IT-подготовки в вузах // Образование и наука. 2024. Т. 26, № 7. С. 12–43. DOI: 10.17853/1994-5639-2024-7-12-43
5. Перминов Е.А., Тестов В.А. Методология моделирования как основа реализации междисциплинарного подхода в подготовке студентов педагогических направлений // Образование и наука. 2020. Т. 22, № 6. С. 9–30. DOI: 10.17853/1994-5639-2020-6-9-30
6. Соколов И.А. Теория и практика применения методов искусственного интеллекта // Вестник Российской академии наук. 2019. Т. 89, № 4. С. 365–370. DOI: https://doi.org/10.31857/S0869-5873894365-370
7. Суркова Н.Е., Остроух А.В. Системы искусственного интеллекта: монография. СПб.: Лань, 2024. 228 c.
8. Тестов В.А., Перминов Е.А. Роль математики в трансдисциплинарности содержания современного образования // Образование и наука. 2021. Т. 23, № 3. C.11–34. DOI: 10.17853/1994-5639-2021-3-11-34
9. Alam, M., Gangemi, A., Presutti, V. et al. (2021). Semantic role labeling for knowledge graph extraction from text. *Progress in Artificial Intelligence*, 10, 9–320. DOI: https://doi.org/10.1007/s13748-021-00241-7
10. Bushmeleva, N.A., & Baklashova, T.A. (2017). Methodological teaching system of mathematical foundations of formal languages as a means of fundamentalization of education. *Eurasia Journal of Mathematics, Science and Technology Education*, 13 (8), 5141–5155. DOI: 10.12973/eurasia.2017.00989a
11. Frodeman, R., Klein, J.T., & Mitcham, C. (2010). *The Oxford handbook of interdisciplinarity*. New York; Oxford.
12. Kizito, M. (2017). Transdisciplinarity and information systems: IT governance in the digitalization of healthcare. *Proceedings of the IS4SI 2017 Summit Digitalization for a Sustainable Society*, 1 (3), 175. DOI: 10.3390/IS4SI-2017-04015
13. Liu, R., Yang, B., Zio, E., & Chen, X. (2018). Artificial intelligence for fault diagnosis of rotating machinery. A review. *Mechanical Systems and Signal Processing*, 108, 33–47. DOI: 10.1016/j.ymssp.2018.02.016
14. Marenich, A.S. (2024; June 19). Mathematical education of engineers and artificial intelligence. In *Современная математика и концепции инновационного математического образования [Modern mathematics and concepts of innovative mathematical education]* (11, pp. 240–248). International research to practice conference, Moscow (Russia), 2024. URL: https://elibrary.ru/download/elibrary_68047147_23000619.pdf (access date: 08.01.2026).
15. Pohl, C., Krutli, P., Stauffacher, M. & Modolo, L. (2018). Teaching transdisciplinarity appropriately for students’ education level. *GAIA Ecological Perspectives for Science and Society*, 27 (2), 250–252. DOI: 10.14512/gaia.27.2.14
16. Whittlestone, J., Nyrup, R., Alexandrova, A., Dihal, K., & Cave, S. (2019). *Ethical and societal implications of algorithms, data, and artificial intelligence*. London, Nuffield Foundation.
17. Yan, H., Lin, F., & Kinshuk (2020). Including learning analytics in the loop of self-paced online course learning design. *International Journal of Artificial Intelligence in Education*, 31, 878–895. DOI: https://doi.org/10.1007/s40593-020-00225-z