Контакты:

СВЕДЕНИЯ О ПРЕПОДАВАТЕЛЕ:

Каленицкий Дмитрий Владимирович, 1 курс магистратуры, 09.04.01

Пухова Екатерина Александровна, доцент

СВЕДЕНИЯ О ДИСЦИПЛИНЕ:

Настоящий курс направлен на изучение фундаментальных принципов, современных методов и практических инструментов для обнаружения изображений, сгенерированных искусственным интеллектом. Курс охватывает полный цикл исследования — от анализа быстро эволюционирующей угрозы цифровой манипуляции до разработки, тестирования и оценки эффективности детекторов. Основное внимание уделяется формированию и развитию у обучающихся универсальных (УК-1) и общепрофессиональных (ОПК-2, ОПК-3, ОПК-4) компетенций в области машинного обучения, компьютерного зрения и анализа цифровой информации, соответствующих требованиям ФГОС ВО по направлению «Информатика и вычислительная техника» с учётом особенностей научно-образовательной школы Мосполитеха.

Целью курса является подготовка специалистов, способных разрабатывать и исследовать алгоритмы для обнаружения изображений, сгенерированных искусственным интеллектом. Курс направлен на формирование у магистрантов компетенций в области анализа проблем, создания программных решений, проведения экспериментов и представления научных результатов в этой актуальной области информатики.

В результате прохождения курса по теме «Современные вызовы и решения в задаче детекции AI-генерированных изображений» студент будет

знать:

  • теоретические основы и архитектурные принципы работы современных генеративных моделей (GAN, Diffusion Models, VAEs);
  • физические и статистические особенности (артефакты) изображений, сгенерированных ИИ, в частотной и пространственной областях;
  • современные методы и алгоритмы детекции, включая подходы, основанные на глубоком обучении, анализе спектра Фурье и стегоанализе;
  • методологию планирования и проведения научного исследования в области компьютерного зрения и машинного обучения, включая постановку целей, задач и выбор валидных методов оценки.

уметь:

  • анализировать и критически оценивать современные научные публикации и инструменты в области детекции AI-генерированного контента;
  • разрабатывать, реализовывать и тестировать модели-классификаторы для реальных и сгенерированных изображений;
  • проводить сравнительный анализ эффективности и устойчивости алгоритмов детекции по таким критериям, как точность, полнота, скорость работы и устойчивость к adversarial-атакам;
  • формулировать обоснованные выводы и прогнозы о развитии методов генерации и детекции.

владеть:

  • навыками программирования на Python и работы с библиотеками для глубокого обучения (PyTorch, TensorFlow) и анализа изображений (OpenCV);
  • методами работы с датасетами (предобработка, аугментация, формирование обучающих и тестовых выборок) и их статистического анализа;
  • инструментами и методами верификации и валидации полученных результатов исследования;
  • навыками оформления результатов научного исследования в виде научного отчета, статьи и презентации в соответствии с академическими стандартами.
Форма контроля: Зачёт