CC BY
682Педагогика
УДК 378
кандидат педагогических наук, доцент Филатова Ольга Николаевна
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный педагогический университет имени Козьмы Минина» (г. Нижний Новгород); кандидат педагогических наук, доцент Булаева Марина Николаевна Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный педагогический университет имени Козьмы Минина» (г. Нижний Новгород); кандидат педагогических наук, доцент Гущин Алексей Владимирович Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородская государственная консерватория имени М.И. Глинки » (г. Нижний Новгород)
ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ В ПРОФЕССИОНАЛЬНОМ ОБРАЗОВАНИИ
Аннотация. Быстрое устаревание профессиональных знаний, необходимость внедрения современных цифровых навыков, навыков Future Skills в учебный процесс повышает актуальность использования передовых методов обучения с точки зрения усвоения материала. Одним из путей этого добиться является применение в профессиональном образовании нейронных сетей и ассистентов с искусственным интеллектом. Стремительное успешное применение нейронных сетей во многих отраслях экономики таки как торговля, транспорт, строительство, безопасность, банковское дело, охрана природы, проектирование, дизайн и другие, доказывает преимущество данной технологии, которые в обязательном порядке следует применять в профессиональном образовании. Применение в образовательном процессе нейронных сетей и систем с искусственным интеллектом приведет к совершенствованию учебного процесса и как следствие улучшения качества профессионального образования.
Ключевые слова: нейронные сети, ассистенты с искусственным интеллектом, профессиональное образование.
Annotation. As professional knowledge goes out of date rapidly, modern digital skills, Future Skills should be introduced into the educational process by means of using cutting edge teaching methods in terms of digesting the material. One of the ways to achieve this is the use of neural networks and machine brain in professional education. Neural networks are successfully used in many sectors of the economy, such as trade, transport, construction, security, banking, nature conservation, engineering, design and others which proves the advantage of this technology for professional education. Usage of neural networks and artificial intelligence in the educational process will lead to an improvement in the educational process and, as a consequence, to an improvement in the quality of professional education.
Key words: neural networks, assistants with artificial intelligence, professional education.
Введение. Общемировая самоизоляция привела к быстрому вынужденному переходу на дистанционное обучение всех образовательных учреждений. Многие исследователи выделяли положительные и отрицательные стороны применения электронного и дистанционного обучения в профессиональном образовании [2, 9, 10].
В исследовании преследуется задача прогнозирования профессионального образования с применением искусственного интеллекта в образовательных процессах.
Изложение основного материала статьи. Для получения результатов в исследовании применялись следующие основные методы:
- Анализ и обобщение результатов форсайт-сессий WorldSkills;
- Лабораторный опыт проведения занятий и моделирования технологических и бизнес-процессов с применением нейронных сетей, на основе которого были выявлены недостатки и особенности применения нейронных сетей в профессиональном образовании;
- Бизнес-моделирование основных процессов внедрения компьютерных технологий на основе нейронных сетей с учетом большого опыта проектирования и реинжиниринга бизнес-процессов.
Лабораторный опыт, а затем анализ и обобщение позволили подтвердить основную идею статьи о необходимости опережающей подготовки специалистов по большинству компетенций с внедрением в учебный процесс методики разработки нейронных сетей и цифровых ассистентов с искусственным интеллектом. Что должно повысить качество и эффективность образовательных технологий.
Проведенный Центром компетенций в сфере онлайн-образования и цифрового корпоративного обучения EdCrunch опрос родителей показал, что 72% детей постоянно отвлекаются и занимаются менее эффективно без присмотра со стороны педагога. 29% отметили сбои в работе цифровых образовательных платформ, как демотивирующий фактор обучения.
Обучение в группах тоже не всегда эффективно. Это касается как общеобразовательных школ, так средних и высших образовательных учреждений и курсов повышения квалификации. Степень усвоения материала и уровень подготовки по завершению учебных курсов будет у обучающихся сильно различаться. Преподаватель не способен уделить внимание каждому. Поэтому обучающиеся, у которых не хватает каких-то важных фрагментов знаний, наблюдается недостаток самодисциплины, оказываются менее подготовленными, чем другие. Уровень освоения материала сильно отличается. Однако все получают одинаковые дипломы и сертификаты. Сами обучающиеся уходят с меньшим багажом знаний и недостаточными навыками, и дают такому образовательному процессу низкую оценку. Исключением являются курсы программирования, например на Coursera, которые изначально направлены на большой объем самостоятельной подготовки и жесткий контроль заданий в виде тестов и тестовых программ для проверки написанного кода - грейдеров [1, 11].
Искусственный интеллект позволяет изменить подход к обучению, повысить вовлеченность обучающихся. Внедряя современные технологии, образовательные платформы и организации повышают свою привлекательность для поступающих и увеличивают прибыль. Образование с применением нейронных сетей приносит совершенно иной опыт для каждого человека.
Самая большой недостаток профессионального образования - это его универсальность. Когда образовательный набор курсов должен подойти всем. Искусственный интеллект позволяет подбирать программу для каждого студента индивидуально, учитывая массу особенностей. В число параметров для выбора образовательного набора курсов, могут входить данные о пройденных тестах, производственном опыте, информация об интересах и социальном положении, результаты предыдущих занятий, психологический портрет и многое другое. После сбора информации по посетителям создаются психологические портреты клиентов, на базе которых формируется рекомендательная система по предложению курсов. Непрерывное обучение нейросети позволит увеличить точность рекомендаций, выявить новые запросы пользователей для развития платформы.
Второй недостаток, как правило, универсального образования, - это быстрое устаревание учебных программ. В настоящий момент это более характерно для университетов, и колледжей. Даже частные образовательные организации и платформы, которые в большей степени ориентированы на требования современных бизнес-процессов, с трудом успевают за темпами развития современного информационного общества и компьютерных технологий [6, 7]. Например, уже сейчас понятно, что банковский сектор должен строиться вокруг безопасных и высоких технологий осуществления транзакций. Скорее вокруг сотовых операторов и провайдеров. В нынешнем виде банки - устаревшие посредники.
В перспективе искусственный интеллект может самостоятельно выстраивать весь процесс обучения для конкретного студента с нуля. Начиная с парсинга (автоматического сканирования информации с сайта) сайтов с вакансиями, социальных сетей и актуальных учебных программ на сайтах учебных организаций и заканчивая формулировкой правильных вопросов и ответов и анализом результатов и поведения обучающихся. Вскоре искусственный интеллект будет дорабатывать учебные программы, насыщать их тысячами расчетных примеров.
В условиях дистанционного обучения все больше ценится личное взаимодействие. Далеко не все могут позволить себе занятия с личным преподавателем, высококвалифицированных педагогов на всех не хватает, а индивидуальные занятия дороги. Искусственный интеллект может выдавать задания и одновременно контролировать состояние обучающегося. По такому принципу можно использовать системы видеонаблюдения которые распознают лиц в аудиториях и определяют погруженность студентов в учебный процесс. Система наблюдения может снижать оценку за плохое (нецелевое) поведение на занятиях. Данная система сможет зафиксировать неинтересные скучные лекции, проблемные точки в образовательной системе.
Во время всемирной эпидемии сдача зачетов, экзаменов, защита проектов и т.п. дистанционно стала нормой. Но, она и породила проблемы с мошенничеством. Невозможно уследить за каждым экзаменуемым вручную. Но при подключении веб-камеры можно легко проследить за действиями студента. Уже сейчас компании используют проверенные алгоритмы для контроля за направлением взгляда человека, выявления подозрительных действий, подсматривания и подсказок. Систему контроля поведения студента на экзамене через камеру, микрофон и рабочий стол можно применять во всех учебных заведениях. При внедрении такой контрольной системы образовательные учреждения могут выдавать дипломы при полностью дистанционном обучении, с уверенностью, что студент качественно и в полном объеме усвоил программу.
Поэтому образовательным компаниям стоит уже сегодня задумываться о сборе данных с сайтов и порталов для их дальнейшего анализа и подключения искусственного интеллекта к образовательному процессу.
В результате исследования были проанализированы технологии применения нейронных сетей в таких отраслях экономики как торговля, транспорт, строительство, безопасность, банковское дело, охрана природы, проектирование, дизайн и другие отрасли, которые можно применять в профессиональном образовании с целью улучшения качества образования и формирования Future Skills.
Далее более подробно рассмотрим применение искусственных нейронных сетей в некоторых отраслях экономики и перенесем их применение на профессиональное образование.
Розничная торговля. Сбор информации о количестве покупателей, их пол и возраст, количества человек в очереди, время обслуживания. Выявление самых посещаемых мест, определение ключевых покупателей, контроль наполненности прилавков и адекватности расстановки товаров, выявление мошеннических операций покупателей и продавцов. Алгоритм распознавания действий позволяет определить, что человек в конкретный момент времени взял конкретный товар. При этом можно сделать сопоставление людей с двух камер по внешним признакам, которые не связаны с лицом (например, по одежде и походке) и понять, что это один и тот же человек. Кроме того, можно строить скелет людей на изображении, детектировать их руки и определять, что в руке есть предмет.
Применение в профессиональном образовании. Контроль количества обучающихся. Идентификация поведенческих моделей, эмоций. Сбор информации о контингенте мероприятий учебного заведения.
Транспорт. Выявление статистических параметров транспортных потоков, контроль соблюдения правил дорожного движения, подсчет численности пассажиров для статистики и оплаты проезда.
Применение в профессиональном образовании. Управление расписанием, доступа в лаборатории и аудитории. Контроль статистики прохождения образовательных траекторий, рекомендательная система по курсам.
Банковская отрасль. Определение поз людей, нетипичных для помещений с банкоматами. Предвещание террористических операций и ограбления.
Применение в профессиональном образовании. Контроль безопасности в учебном заведении. Идентификация профессиональных движений для последующего обучения профессиональным навыкам. Идентификация вовлеченности.
Общественная безопасность. Определение позы, лежащего человека, забытых вещей с возможностью выделения вещей конкретного типа.
Применение в профессиональном образовании. Контроль безопасности в учебном заведении. Контроль за температурным режимом студентов родителей и преподавателей. Предвидение террористических угроз.
Производство, строительство. Выявление людей в опасных зонах при наличии большого количества различных помех, контроль соблюдения техники безопасности, соблюдения технологий и т.д.
Применение в профессиональном образовании. Управление ресурсами лаборатории и техникой безопасностью. Бережливая лаборатория и бережливое рабочее место.
Охрана природы. Отслеживание лесных пожаров по дымовым облакам. Аномальные изменения в погодных условиях и природе. Прогнозирование землетрясений, ураганов, наводнений и других стихийных бедствий.
Применение в профессиональном образовании. Контроль безопасности лаборатории и помещений учебного заведения. Мониторинг окружающей среды. Пожарная и другая безопасность.
Работа с видеоархивом. Поиск одинаковых объектов (люди, машины, животные). Можно выделить объект на видео или загрузить и найти все видеозаписи, на которых присутствуют аналогичные объекты.
Применение в профессиональном образовании. Разработка учебных моделей с целью применения в различных отраслях промышленности. Парсинг технологий в интернет и обработка материала.
Проектирование и дизайн. Нейросеть Autodraw превращает любые наброски в аккуратные 2D-рисунки.
Применение в профессиональном образовании. Ускорение реализации учебных проектов за счет автоматического перевода эскизов в схемы и чертежи. Прочие виды деятельности. Генерация ненастоящих людей.
Thispersondoesnotexist - один из самых популярных AI-проектов. Нейросеть, выдает случайное изображение несуществующего человека при каждом обновлении страницы.
Применение в профессиональном образовании. Можно генерировать новых персонажей с настройкой эмоций для учебных тренажеров без боязни исков об использовании образов настоящих людей.
Машинное обучение заключается в построении интеллектуальной модели, которая получает на вход выборку, при этом ее параметры (веса нейронов сети) изменяются, чтобы модель самостоятельно давала правильные прогнозы (с некоторым
допустимым процентом ошибок) в соответствии с известными данными из обучающей выборки, а также хорошо работать с новыми данными, которые она еще не видела. Если модель хорошо обучена, то она умеет выдавать верные прогнозы, причем на входе и выходе могут использоваться самые разные типы данных: абстрактная информация; изображение или видео; текст; аудио. Точность (вероятность) прогнозов в учебных проектах достигает 95-97%, в коммерческих моделях -99,9%. С моделью можно преобразовать данные из одного типа в другой, например изображение в текст, аудио в текст или текст в абстрактную информацию.
Самый доступный подход к обучению нейронных сетей - это обучение с преподавателем, то есть на размеченных данных, когда какому-то признаку-объекту сопоставляется его описание. Модели с преподавателем широко применяются для прогнозирования показателей. Например, стоимость недвижимости, общий набранный балл студентом, выдача кредита на обучение, время выполнения заданий, идентификация студента по фото или по камере. Обучение без учителя (на неразмеченных данных) используется в задачах классификации для распределения объектов по группам, выявления видов брака, видов болезни, психологических типов, способов усвоения информации (обучения) студентом.
В качестве обучающих данных требуются огромное количество различных объектов. Для подготовки (разметки) обучающих данных используются программы (LabelMe - утилита от MIT); сервисы для разметки данных - Prodi.gy, Scale.ai, Supervise.ly и др.; краудсорсинговые сервисы - Яндекс.Толока, Amazon Mechanical Turk.
Для обучения нейронных сетей чаще используются Python и библиотеки для машинного обучения - Tensorflow, Keras, Caffe, PyTorch [8, 9, 10].
Можно воспользоваться датасетами, которые находятся в публичном доступе, как размеченными, так и неразмеченными. Понятно, что наибольшей популярностью пользуются размеченные. Некоторые являются своеобразными стандартами в идентификации изображений, цифр и др.
На занятиях студенты в начале практикуются в получении моделей как раз на стандартных размеченных датасетах. Основные трудности возникают при необходимости создать комплексный рабочий учебный или коммерческий проект для пользователей, когда необходима связка нейронных сетей на Python, web-сервисов на Python или Java и мобильных приложений на Java/Kotlin.
В целом индустрия применения нейронных сетей позволяет быстро внедрять разработки в виде стартапов, в том числе учебных. У современных студентов в настоящее время намного больше возможностей проявить себя, чем это было 12-20 лет назад. Эта возможность позволяет еще будучи студентов завязать прочные отношения с работодателем и в перспективе с успешным трудоустройством.
Выводы. В условиях роста темпов обновления технологий необходимо искать новые пути реализации профессиональных образовательных программ с применением нейронных сетей и искусственного интеллекта с учетом концепции опережающего обучения. Предложенная в статье методика позволяет быстрее внедрять эффективные образовательные технологии. Реализуя концепцию опережающего обучения с применением нейронных сетей, образовательные организации смогут включиться в исследовательскую деятельность по совершенствованию учебного процесса и быстрому внедрению разработок на базе нейронных сетей в учебный процесс и техпроцессы различных отраслей, создавать стартапы.
Литература:
1. Булаева, М.Н. Теория и методика профессионального образования будущих педагогов техникума / М.Н. Булаева, О.Н. Филатова. - Н. Новгород. - 2017. - 92 с.
2. Вайндордф-Сысоева, М.Е. «Цифровой форсайт» - образовательная практика с конструктором коллективной работы в условиях гибридного обучения / М.Е. Вайндорд-Сысоева, И.П. Тихоновецкая, Н.Д. Вьюн // Вестник Мининского университета. - 2022. - Т. 10. - №2.
3. Петров, ЮН. Познавательное направление развития цифровизации профессионального образования / Ю.Н. Петров, М.В. Фирсов, О.Н. Филатова // Известия Балтийской государственной академии рыбопромыслового флота. - 2020. - № 2 (52). - С. 7-11
4. Сибагатуллина, А.Р. Адаптация молодых учителей к профессиональной деятельности в инновационной образовательной среде / А.Р. Сибагатуллина, Г.А. Степанова // Вестник Мининского университета. - 2021. - Т. 9. - №4.
5. Солодова, П.А. Цифровой сертификат как средство повышения квалификации в современном обществе / П.А. Солодова, П.Н. Чеснокова, О.Н. Филатова // Проблемы современного педагогического образования. - 2021. - №71(3). -С. 206-208
6. Фирсов, М.В. Опережающие обучение навыкам будущего (Future Skills) посредством разработки компьютерных тренажеров и цифровых ассистентов с искусственным интеллектом / М.В. Фирсов, О.Н. Филатова, А.В. Гущин // Известия Балтийской государственной академии рыбопромыслового флота. - 2020. - №3(53).
7. Филатова, О.Н. Мехатроника и робототехника в современном профессиональном образовании / О.Н. Филатова, Е.Л. Ермолаева, Е.С. Илюшина // Известия Балтийской государственной академии рыбопромыслового флота. - 2021. - № 4 (58). - С. 161-163
8. Филатова, О.Н. Педагогический кванториум как средство повышения цифровых компетенций / О.Н. Филатова, Т.Д. Феофанова, А.Д. Маркова // Известия Балтийской государственной академии рыбопромыслового флота. - 2022. -№ 1 (59).
9. Филатова, О.Н. Профессиональное образование в современном информационном обществе / О.Н. Филатова, А.В. Гущин, Н.А. Шобонов // Проблемы современного педагогического образования. - 2018. - №61(2). - С. 200-202
10. Филатова, О.Н. Преимущества и недостатки дистанционного обучения / О.Н. Филатова, Е.В. Лукина, П.В. Канатьев // Проблемы современного педагогического образования. - 2021. - №72(2). - С. 287-289
11. Markova, S.M. University modernization in the conditions of industrialization of production and intelligent machines / S.M. Markova, S.A. Tsyplakova, E.P. Sedykx, O.N. Filatova, A.V. Khizhnaya // Lecture Notes in Networks and Systems. 2021. -Т. 200. - С. 940-947
12. Markova, S.M. Forecasting the development of professional education / S.M. Markova, S.A. Tsyplakova, E.P. Sedykx, A.V. Khizhnaya, O.N. Filatova // The 21st Century from the Positions of Modern Science: Intellectual, Digital and Innovative Aspects. - Cham, 2020. - С. 452-459
13. Petrov, Y.N. Change of the Level of Working Capacity of a Student in the System of Professional Education Under Mental Load / Yury N. Petrov, Alexey Y. Petrov, Nina S. Petrova, Nadezhda V. Syrova, and Olga N. Filatova // Lecture Notes in Networks and Systems. - 2020. - Т. 129. - С. 925-932
