УДК 378.147:004.8
DOI: 10.36871/ek.up.p.r.2025.12.16.025

Авторы

Хамид Шамильевич Насуров,
Абдул-Малик Саламбекович Дукузов,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия

Аннотация

В статье обосновывается мультидисциплинарная модель формирования компетенций по использованию технологий искусственного интеллекта в промышленно-инженерном образовании. Модель строится на интеграции инженерных, математико-алгоритмических, гуманитарно-этических и данных компонентов подготовки и согласовании компетенций с модульной структурой программы. Предлагается формализованное описание через блоки компетенций, матрицу их связи с учебными модулями и интегральные показатели готовности выпускника, отражающие качество данных и сбалансированность инженерного, цифрового и ценностного содержания. Показано, что использование системного, компетентностного и синергетического подходов позволяет ориентировать обучение на реальные производственные задачи, внедрение цифровых двойников и развитие проектной деятельности студентов.

Ключевые слова

мультидисциплинарная модель, инженерное образование, искусственный интеллект, цифровые двойники

Список литературы

  1. Афанасьев А. А. Цифровая трансформация машиностроения России в контексте четвёртой промышленной революции // Вопросы инновационной экономики. 2024. Т. 14. № 1. С. 221–240.
  2. Боровков А. И., Рябов Ю. А., Кукушкин К. В., Марусева В. М., Кулемин В. Ю. Цифровые двойники и цифровая трансформация предприятий ОПК // Оборонная техника. 2018. № 1. С. 6–33.
  3. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  4. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  5. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  6. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  7. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  8. Рубцов Ю. В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.
  9. Соколович М. Г., Аксёненко М. А., Захарьев В. А. Системы предиктивного обслуживания технологического оборудования на основе методов искусственного интеллекта // Материалы Международной научно-технической конференции «Цифровое производство». 2024. С. 45–52.