Создание инфраструктуры креативного производства инструментами искусственного интеллекта

Бакалавриат 2026/2027

ID 1123862

Статус: Курс обязательный (Дизайн)

Кто читает: Школа дизайна

Где читается: Факультет креативных индустрий

Когда читается: 3-й курс, 3 модуль

Онлайн-часы: 20

Охват аудитории: для всех кампусов НИУ ВШЭ

Язык: русский

Кредиты: 3

Контактные часы: 16

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс объединяет практики дообучения нейросетей, работы с облачными платформами и инструментами визуализации данных для решения задач креативных индустрий. Студенты рассматривают архитектуру и обучение нейросетей, знакомятся с PyTorch и TensorFlow как базой для разработки моделей, учатся использовать Yandex Cloud (OCR, ART, Yandex GPT API) для организации облачных пайплайнов обработки текстов и изображений. Отдельное внимание уделяется моделям генерации текста и изображений (GAN, Stable Diffusion, стилизация видео), а также дообучению и использованию предобученных стилизованных сетей. Заключительный акцент сделан на сборе, анализе и визуализации данных о работе моделей и творческих процессов.

Цель освоения дисциплины

Показать роль нейросетевых фреймворков и облачных сервисов в построении современной инфраструктуры креативного производства. Научить использовать Yandex Cloud и API-сервисы для организации устойчивых и воспроизводимых пайплайнов работы с текстом и изображениями. Сформировать практические навыки работы с генеративными моделями текста и изображений, включая Stable Diffusion и стилизованные сети. Развить умение собирать метрики, анализировать данные о работе моделей и визуализировать результаты для коммуникации и принятия решений.

Планируемые результаты обучения

Ориентироваться в основных архитектурах нейросетей и фреймворках PyTorch/TensorFlow.
Запускать и настраивает облачные пайплайны на базе Yandex Cloud.
Применять текстовые и визуальные генеративные модели для креативных задач.
Дообучать и использовать стилизованные версии Stable Diffusion.
Формировать и визуализировать датасеты и метрики, необходимые для контроля и развития креативной инфраструктуры.

Содержание учебной дисциплины

Введение в нейросети. Что такое PyTorch/TensorFlow..
Нейросети для генерации текста
Генеративные сети для изображений. Stable Diffusion. Стилизуем видео
Дообучаем Stable Diffusion. Используем пред-обученные стилизованные сети
Облачные сервисы. Используем Yandex Cloud (OCR, ART, Yandex GPT API)
Построение личного бренда с помощью нейросетей

Элементы контроля

Активность студентов на платформах цифровой экосистемы Школы дизайна
Тест
Домашние задания
Проекты

Промежуточная аттестация

2026/2027 3rd module
Оценка по дисциплине рассчитывается исходя из: 1) оценки за ДЗ, тест и проекты (0,2*ДЗ 3 модуля+0,3*Проект 3 модуля+0,2*ДЗ 4 модуля+0,15*Тест+0,15*Проект 4 модуля); 2) дополнительных баллов, начисляемых за активность студентов на платформах цифровой экосистемы Школы дизайна. В соответствии с пунктом 14 Положения об организации промежуточной аттестации и текущего контроля успеваемости студентов Национального исследовательского университета «Высшая школа экономики» (ПОПАТКУС), оценки «9» и «10» могут использоваться преподавателем в рамках текущего контроля или промежуточной аттестации, если обучающийся выполняет задания повышенной трудности и/или демонстрирует результаты обучения, превосходящие предусмотренные ПУД или программой практики. Могут быть предусмотрены дополнительные задания, без которых невозможно получить «9» и «10». Оценка, которую студент может получить за ДЗ, тест и проекты, не может превышать 8 баллов. Дополнительно студент может получить 1-3 балла за активность на платформах цифровой экосистемы Школы дизайна. Максимальная оценка по промежуточной аттестации в сессию по дисциплине в зачетку, которую студент может получить с учетом дополнительных баллов, составляет 10 баллов.

Список литературы

Авторы

Булгаков Вадим Александрович
Кудинова Ксения Сергеевна

Программа дисциплины