Грубо говоря, Data Science занимается тем, чтобы находить в данных закономерности, проверять их и использовать для решения таких задач. Но когда смотришь на эту область со стороны, всё кажется несколько проще, чем оказывается на практике.

Кажется, что достаточно загрузить данные в модель

До того как я начал обучение, моё представление об этой работе было примерно таким:

данные + модель = предсказание.

В каком-то смысле так оно и есть. Допустим, у нас есть данные о десятках тысяч подержанных автомобилей: марка, модель, год выпуска, пробег, мощность двигателя, комплектация, регион продажи и другие характеристики.

С этими данными можно решать совершенно разные задачи.

Например, можно попытаться определить справедливую рыночную цену автомобиля. Мы показываем модели множество машин с уже известными ценами, а затем передаём характеристики нового объявления. На выходе получаем ориентировочную стоимость: условно, такая машина при таких параметрах должна стоить около 2,5 миллиона рублей.

Именно что-то подобное мы уже видим на площадках по продаже автомобилей. Вы выставляете машину за 2,3 миллиона, а сервис показывает, что цена ниже средней по рынку и предложение выглядит выгодным. Или наоборот — что автомобиль заметно дороже похожих вариантов. За простой надписью вроде «хорошая цена» уже стоит работа с большим количеством накопленных данных.

Но на тех же данных можно поставить и другой вопрос. Например: насколько велика вероятность, что автомобиль окажется проблемным? Тогда нас интересует уже не конкретная цена, а категория или вероятность: условно, этот автомобиль похож на нормальные машины, а у этого сочетание возраста, пробега, цены и других характеристик чаще встречалось у проблемных экземпляров.

Получается, данные могут быть почти теми же, а вопрос к ним — совершенно другим. В одном случае мы хотим получить число, в другом — определить категорию или вероятность события.

И самое интересное, что непосредственно запустить обучение такой модели технически может быть довольно просто. Иногда это действительно несколько строк кода. Основная работа начинается вокруг них.

Что вообще называется моделью

Слово «модель» звучит сложнее, чем сама базовая идея. В самом простом представлении модель — это математическая зависимость, которая получает набор значений и на их основе выдаёт результат.

Допустим, мы хотим оценить стоимость квартиры. У неё есть площадь, количество комнат, этаж, расстояние до центра, возраст дома и множество других характеристик.

Очень упрощённо это можно представить так:

цена = базовое значение + площадь × коэффициент + комнаты × коэффициент + ...

Переменных может быть пять, пятьдесят или значительно больше. У каждой из них есть свой коэффициент, влияющий на итоговый результат. Подставили характеристики одной квартиры — получили, например, 5 миллионов. Подставили другую площадь, другой этаж и другое количество комнат — получили 10 миллионов.

Конечно, реальные модели могут быть намного сложнее такой формулы. Но основная идея сохраняется: мы передаём модели некоторый набор данных, а она по определённому математическому правилу рассчитывает результат.

При этом коэффициенты внутри модели нам необязательно придумывать самим. Можно взять тысячи квартир, для которых цена уже известна, и подобрать такие коэффициенты, при которых расчёт модели будет как можно ближе к реальным ценам.

Это и есть обучение модели.

Мы не говорим ей заранее, сколько именно должна добавлять к цене дополнительная комната или один квадратный метр. Мы показываем множество примеров и подбираем параметры так, чтобы модель как можно меньше ошибалась.

И вот здесь возникает более важный вопрос: какие именно данные мы передали модели и насколько им вообще можно доверять?

Хорошая модель начинается не с модели

Представим, что мы хотим определять стоимость квартиры. Можно собрать таблицу из нескольких десятков тысяч объявлений и сразу начать обучение, но сначала придётся ответить на гораздо менее эффектные вопросы.

Откуда взялись эти данные? Есть ли в них ошибки? Что делать с пропущенными значениями? Почему одна квартира стоит 200 тысяч, а другая — 200 миллионов? Является ли такая цена реальной или это ошибка в объявлении?

Дальше возникают вопросы уже не про качество самой таблицы, а про то, что именно мы хотим дать модели:

• какие характеристики квартиры действительно имеют значение;

• как представить район;

• что делать с текстовым описанием;

• нужно ли учитывать дату публикации;

• какие данные будут доступны в тот момент, когда модель начнут использовать в реальной работе.

Если подготовить данные плохо, модель совершенно честно научится на плохо подготовленных данных. Она не знает, что мы ошиблись.

Здесь хорошо вспоминается выражение про «ложь, наглую ложь и статистику». Проблема не в том, что статистика врёт. Компьютер как раз очень добросовестно посчитает то, что мы ему поручили.

Проблема в другом: правильный ли вопрос мы задали и правильные ли данные использовали для ответа на него.

Модель может показать отличный результат и при этом оказаться бесполезной

После обучения нужно понять, насколько хорошо модель работает. Для этого используются различные показатели качества — метрики.

И здесь снова возникает ловушка: получить красивое число довольно легко. Гораздо важнее понять, что именно оно означает.

Представим, что банк анализирует операции по картам. Из каждой тысячи операций только десять являются мошенническими. Можно сделать простейшую систему, которая всегда отвечает: «Любая операция нормальная».

В 990 случаях из 1000 она окажется права. Получается 99% правильных ответов.

На первый взгляд — почти идеальный результат. Только система не обнаружила ни одной мошеннической операции.

Поэтому в Data Science нет одного универсального числа, которое всегда позволяет сказать: эта модель хорошая, а эта плохая.

Даже хороший показатель качества не говорит всего

Есть метрики, которые оценивают модель сложнее, чем простой подсчёт правильных ответов. Например, AUC.

Само название сейчас не так важно. Важнее понять смысл.

Во многих задачах модель сначала не говорит жёстко «да» или «нет». Она выдаёт некоторую оценку. Например, для банковской операции это может выглядеть как вероятность:

• почти точно нормальная — 0,03;

• уже выглядит подозрительнее — 0,42;

• очень похожа на мошенничество — 0,91.

После этого мы сами решаем, начиная с какого значения считать операцию подозрительной.

AUC позволяет оценить, насколько хорошо модель в целом умеет располагать подозрительные операции выше обычных. Если взять одну мошенническую операцию и одну нормальную, хорошая модель должна чаще присваивать мошеннической более высокий уровень риска.

Это полезный показатель, но он всё равно не принимает решение за нас. Можно построить модель, которая хорошо расставляет операции по степени риска, а затем выбрать настолько высокий порог, что ни одна операция не будет признана мошеннической.

Способность модели различать объекты при этом может оцениваться хорошо, а работающая система не поймает ни одного нужного случая.

Поэтому мало получить хорошую цифру. Нужно понимать, что именно она показывает и соответствует ли это реальной задаче.

Если для нас особенно опасно пропустить мошенничество, важно понимать, сколько настоящих мошеннических операций мы обнаруживаем. Если же каждая ошибка приводит к ручной проверке и дополнительным расходам, нужно учитывать и количество ложных тревог.

Одна и та же модель может хорошо выглядеть по одному показателю и плохо — по другому.

Модель нужно ещё и правильно проверить

Есть ещё одна проблема. Представим школьника, которому дали десять задач, а потом по этим же десяти задачам провели экзамен.

Он может просто запомнить ответы. Результат будет великолепным, но мы так и не узнаем, научился ли он решать новые задачи.

С моделями происходит примерно то же самое. Если проверять качество на тех же данных, на которых модель обучалась, можно получить красивый результат, который ничего не скажет о её способности работать с новыми данными.

Поэтому данные разделяют. Одну часть используют для обучения, другую — для проверки, а часть стараются вообще не трогать до самого конца.

Но даже простого разделения иногда недостаточно. Если мы пытаемся прогнозировать будущее, нельзя обучить модель на октябрьских данных, а потом проверять её на августовских. Если данные относятся к одним и тем же людям, компаниям или устройствам, может быть важно не допустить ситуацию, когда информация об одном объекте попала сразу и в обучение, и в проверку.

Иначе модель получит подсказку, которой у неё не будет в реальной работе.

Получается ещё одна большая часть работы специалиста по данным: не просто построить модель, а придумать способ честно проверить, действительно ли она чему-то научилась.

После первой модели работа только начинается

Допустим, данные подготовлены, модель обучена и первая проверка проведена. Работа всё равно не закончена.

Можно попробовать другие данные, убрать бесполезные характеристики, добавить новые, сравнить несколько моделей, изменить параметры обучения. Потом посмотреть, на каких примерах модель ошибается, и проверить, не начала ли она просто запоминать обучающие данные вместо поиска общей закономерности.

После этого можно провести финальную проверку на данных, которых модель раньше вообще не видела.

И иногда после всех улучшений оказывается, что новая версия работает хуже старой. Или прекрасно показывает себя на промежуточной проверке, но значительно хуже — на данных из другого периода. Или сложная модель практически ничего не выигрывает у простой.

Это не обязательно означает, что кто-то всё сделал неправильно. Это и есть нормальная работа с данными: выдвинуть предположение, проверить его, посмотреть на результат и попытаться понять, почему получилось именно так.

Обучение модели — только часть работы

Наверное, именно это сильнее всего изменилось в моём представлении о Data Science после первых учебных проектов.

Со стороны кажется, что основная работа заключается в самой модели: выбрать правильный алгоритм, запустить обучение и получить результат. Но непосредственно обучение зачастую оказывается одной из самых коротких частей процесса.

Полная цепочка выглядит скорее так:

1. получить данные

2. понять их

3. очистить

4. подготовить

5. выбрать нужные характеристики

6. правильно разделить данные

7. обучить модель

8. выбрать способ оценки

9. проверить

10. разобраться в ошибках

11. изменить подход

12. проверить снова.

И только где-то посередине находится непосредственно обучение.

Можно условно сказать, что большая часть работы специалиста по данным остаётся за кадром. Пользователь YouTube видит рекомендацию следующего ролика, клиент банка — решение по кредиту, водитель такси — рассчитанное время поездки, покупатель интернет-магазина — список рекомендуемых товаров.

Но они не видят все решения, которые были приняты до того, как система смогла показать этот результат.

Так что же такое Data Science?Пока для себя я формулирую это так: Data Science — это не столько умение получить от модели какой-то ответ, сколько умение сделать так, чтобы этому ответу были основания доверять.

Модель — только один из инструментов. До неё находятся данные, постановка задачи и подготовка. После неё — проверка, оценка качества и интерпретация результата.

И именно здесь возникает большая часть интересных вопросов:

• почему модель прекрасно работает на обучающих данных, но ошибается на новых;

• почему 99% правильных ответов иногда означают совершенно бесполезную систему;

• почему более сложная модель может работать хуже простой;

• как модель может случайно получить информацию, которой у неё не должно быть;

• что происходит, когда она запоминает данные вместо того, чтобы находить закономерность.

По мере обучения я хочу разбирать такие вещи отдельно — не как набор определений из учебника, а на конкретных экспериментах, где результат сначала выглядел одним образом, а затем приходилось разбираться, что произошло на самом деле.

В начале 2024 года внутри Anthropic курсировал документ с формулировкой, которая позже стала центральной уликой в федеральном суде Северного округа Калифорнии: «Project Panama – наша попытка деструктивно отсканировать все книги мира». Ниже – вторая строка, объясняющая, зачем проекту понадобилось кодовое имя: сотрудникам напрямую указывали не обсуждать это за пределами компании и не aфишировать, что работа вообще ведётся, то есть проект был секретным.

Спустя два года документ рассекретили, потому что федеральный судья Уильям Алсап удовлетворил ходатайство о снятии грифа секретности с более чем 4000 страниц материалов дела Bartz v. Anthropic PBC (№ 3:24-cv-05417, N.D. Cal.). Washington Post получила доступ первой и в конце января 2026 года опубликовала расследование, восстановившее хронологию проекта. Дальше в дело вступили независимые журналисты, которые нашли в тех же материалах то, что крупные издания предпочли не называть напрямую: имя конкретного подрядчика, физический адрес склада и платёжные документы.

Два источника одной библиотеки

В августе 2024 года писателями Andrea Bartz, Charles Graeber и Kirk Wallace Johnson был подан иск, который вскрыл не одну, а две разные практики сбора данных, которые в итоге получили противоположные правовые оценки.

«Project Panama» компании Anthropic был раскрыт в рамках мирового соглашения по авторскому праву на сумму 1,5 миллиарда долларов

Первая — пиратство. Сооснователь Anthropic Ben Mann лично скачал свыше семи миллионов книг из теневых библиотек, начиная с 2021 года – за несколько лет до основания политики компании по обращению с авторским правом. Судья Алсап в июне 2025 года прямо указал: у компании были легальные способы получить материал, но она выбрала пиратство, чтобы избежать того, что генеральный директор Дарио Амодеи называл «юридическими/практическими» сложностями. Именно эта часть в итоге обошлась Anthropic в $1,5 миллиарда мирового соглашения – сумма получила окончательное утверждение суда в июле 2026 года. Именно этому решению все радовались, как прецеденту по оплате авторских прав, но очевидно зря. Кстати Anthropic под присягой заявила, что не использовала книги для коммерческого датасета, но по решению суда должна все копии все равно уничтожить. Каждый заявивший писатель получил порядка $3300

Вторая практика — легальная закупка физических книг с последующим уничтожением бумажного носителя. Формально она называется «деструктивным сканированием»: книгу лишают переплёта, отрезают корешок, разрезают на листы, прогоняют через промышленный сканер, бумагу утилизируют, а в системе остаётся только цифровая копия. Судья Алсап разделил два потока принципиально: обучение модели на легально приобретённых и оцифрованных книгах он назвал «исключительно трансформативным» использованием и защитил доктриной добросовестного использования. Логика его решения: цифровая копия не добавляется к бумажному оригиналу, а замещает его — в обороте остаётся одна копия, а не две, следовательно, это не распространение, а законное изменение формата в рамках уже состоявшейся покупки. За скобками остался один момент, связанный с тем, что есть покупка, а есть изъятие, то есть скупка всего небольшого количества оставшихся экземпляров. Из материалов дела неясно, делала ли так компания, но точно известно, что они тратили миллионы долларов на все, не задавая вообще вопрос о цене.

Это решение стало юридическим фундаментом, на который дальше стала опираться вся индустрия — та часть, о которой пойдёт речь во втором посте.

В чьих руках проект

Чтобы понять масштаб операции, стоит посмотреть на того, кого наняла компания для решения этой задачи. В феврале 2024 года Anthropic взяла на работу Тома Тарви — человека, который до этого много лет возглавлял направление партнёрств Google Books, то есть буквально того же типа проект, только двадцатью годами раньше и с другой правовой базой (Google договаривался с издателями и библиотеками, а не покупал тиражи на вторичном рынке и все равно проект был скандальным все из-за тех же авторских прав).

Тарви закупал книги оптом у букинистических сервисов, включая американский Better World Books и британский World of Books – оба формируют товарный запас в значительной степени за счёт институциональных доноров: Better World Books получает книги от книжных сборов в более чем 1800 колледжей и от пожертвований свыше 3000 библиотечных систем. Это важная деталь для понимания всего пути:

значительная часть уничтоженных книг прошла путь:
библиотека списала → букинист получил в дар → Anthropic купила оптом → книга уничтожена после сканирования.

Ни Better World Books, ни World of Books не ответили на запросы Washington Post о комментарии по поводу этих закупок.

Предложение одного из подрядчиков, фигурирующее в материалах дела, описывало готовность конвертировать от 500 тысяч до 2 миллионов книг за полгода. По данным Washington Post, реконструировавшей события по более чем 4000 страницам документов, вся операция обошлась компании в десятки миллионов долларов.

Подрядчик из пригорода Чикаго

Крупные издания – включая сам Washington Post – писали об этом этапе обезличенно: «подрядчик», «вендор». Имя всплыло только благодаря независимым авторам, прицельно прошедшим по докет-листу дела на CourtListener/RECAP и нашедшим конкретные приложения (exhibits) с названием компании.

Это Datamation Imaging Services Corp. – частная фирма из Willowbrook, штат Иллинойс, основанная в 1995 году. И здесь стоит остановиться подробнее, потому что именно этот участок цепочки чаще всего интерпретируют неверно.

Datamation – не специализированная компания по оцифровке редких книг и не подставная структура, созданная под ИИ-контракты. Это рядовой региональный поставщик услуг документооборота (business process outsourcing) для Мидвеста: сканирование счетов, микрофильмов и микрофиш, широкоформатных чертежей, HR-автоматизация, интеграция с корпоративными системами. Среди клиентов, судя по открытому профилю компании, – финансовый сектор, здравоохранение, школьные округа, госучреждения и пенсионные фонды, подпадающие под комплаенс Taft-Hartley. «Book Conversion» (книжная конвертация) в списке специализаций компании – лишь одна строчка среди десятка других, наравне с обработкой счетов. При этом «document destruction» (уничтожение документов) уже давно значится у Datamation как стандартная услуга – обычно она нужна клиентам для комплаенса, когда истекает срок хранения бумажных архивов.

Иначе говоря: Anthropic не строила уникальную инфраструктуру уничтожения книг с нуля. Она нашла заурядного вендора, чьи две обычные, ничем не примечательные услуги – книжная оцифровка и уничтожение бумаги – случайно идеально подошли под задачу, и залила в этот канал контракт индустриального масштаба. Расхождение в оценках штата компании между разными открытыми источниками (от 20–25 до 51–200 человек) само по себе показательно: похоже на резкое временное раздувание штата небольшой региональной конторы под один непропорционально крупный заказ.

Судебные приложения фиксируют это документально: предложение Datamation с описанием процесса резки и сканирования (гидравлический пресс для снятия переплёта, затем промышленное сканирование), фотографии книг на складе в Иллинойсе, показания о процедуре передачи оцифрованных книг обратно в Anthropic, и платёжные записи. Часть этих документов – постраничные сканы без OCR-слоя, что само по себе типично для материалов, прошедших через PACER: доступны для просмотра и скачивания, но не для полнотекстового поиска без дополнительной обработки.

Почему Anthropic и другие компании так хотят именно книги?

Рынок и журналисты предполагают следующее – качество модели, обучающейся на данных после 2022 года сильно падает, потому что змея начинает есть свой же хвост и поглощать нейросетевые данные изначально невысокого качества. Чтобы эта штука могла “эволюционировать”, ее надо обучать на качественном, ценном контенте. И один из источников этого контента – книги до 2022 года. Кто первый успеет забрать все ценные экземпляры и залить в модель – тот и выиграл гонку за качество. Важно, что это лишь догадки со стороны, сам Anthropic это не подтверждает.

Что уже понятно, а что ещё нет

Точно подтверждено первичными источниками: существование Project Panama; наём Тарви; закупка через Better World Books и World of Books; контракт с Datamation; правовая квалификация судом Алсапа; итоговая сумма мирового соглашения по пиратской части.

Не подтверждено и, вероятно, никогда не будет подтверждено в деталях: точное число уничтоженных экземпляров (цифра остаётся под грифом «redacted» даже в рассекреченных материалах), полный список названий и физическая судьба каждого конкретного тиража – включая, по анонимным свидетельствам букинистов, приведённым Washington Post, редкие малотиражные издания, у которых могло не остаться других экземпляров в обороте.

Источники

• https://artlab.club/p/8449/

• https://annas-archive.gl/blog/physical-destruction.html

• https://www.washingtonpost.com/technology/2026/01/27/anthropic-ai-scan-destroy-books/

Факультет информационных технологий — отправная точка для тех, кто хочет заниматься программированием, разработкой ИИ и созданием цифровых продуктов. Профилей подготовки много: от программной инженерии до анализа данных и информационной безопасности. Рассказываем про ведущие вузы столицы и области, в которых можно изучать IT-направления. В подборке — программы, стоимость обучения, проходные баллы, бюджетные места и возможности для студентов.

🔝В подборке:

1. Московский физико-технический институт (МФТИ);

2. Университет «Синергия»;

3. Государственный университет «Дубна»;

4. Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ);

5. Московский государственный технический университет имени Н. Э. Баумана (МГТУ им. Баумана);

6. Национальный исследовательский университет «МИЭТ» (НИУ «МИЭТ»);

7. МИРЭА — Российский технологический университет (РТУ МИРЭА);

8. Национальный исследовательский технологический университет «МИСИС» (НИТУ «МИСИС»);

9. Московский авиационный институт (МАИ);

10. Технологический университет имени А. А. Леонова (МГОТУ).

Московский физико-технический институт (МФТИ)

В МФТИ студент может попасть в команды, где работают над задачами «Яндекса», Сбера или VK: такая возможность появилась благодаря системе базовых кафедр.

Ключевой центр IT-подготовки вуза — Физтех-школа прикладной математики и информатики (ФПМИ), где изучают программирование, алгоритмы, анализ данных и искусственный интеллект.

Среди проектов МФТИ в области искусственного интеллекта — работа лаборатории нейронных систем и глубокого обучения. Ее специалисты занимаются обработкой естественного языка, компьютерным зрением и нейросетевыми технологиями. Именно здесь создали библиотеку DeepPavlov для разработки диалоговых ИИ-систем.

МФТИ подходит тем, кто хочет заниматься разработкой алгоритмов, машинным обучением, исследовательскими проектами и технологиями, где требуется глубокая техническая подготовка. Поступление требует высоких результатов по ЕГЭ и уверенных знаний математики.

▹Программы и направления: «Прикладная математика и информатика», «AI360: Передовые методы искусственного интеллекта», «Компьютерные технологии и вычислительная техника», «Математическое моделирование и теория управления», «Программная инженерия» и другие

▹Стоимость учебы за семестр: от 507 000 руб.

▹Свободных мест на бюджет: 419

▹Свободных мест на платное: 219

▹Проходной балл на бюджет: 282

▹Проходной балл на платное: 240

▹Как поступить: ЕГЭ по математике, русскому языку, физике или информатике; учитываются результаты олимпиад

Университет «Синергия»

«Синергия» отличается от классических технических вузов тем, что для разных IT-профилей созданы отдельные подразделения: факультет программирования отвечает за подготовку разработчиков, факультет информационных технологий — за прикладные цифровые профессии, а университет искусственного интеллекта — за машинное обучение и интеллектуальные системы.

Абитуриент может выбрать профиль при поступлении: разработку программного обеспечения, искусственный интеллект, кибербезопасность, анализ данных или игровую индустрию. В учебных программах используют Python, SQL, TensorFlow и PyTorch, а результатом проектной работы становятся собственные приложения и цифровые проекты.

Практическая подготовка проходит совместно партнерами из разных IT-сфер. Среди компаний-партнеров — VK, «МойОфис», «Киберпротект», Loginom, РОББО, GEOSCAN, «СПУТНИКС» и KUKA.

Отдельные проекты студенты выполняют при участии Московского инновационного кластера, Технопарка «Сколково» и площадки «Техноград».

«Синергия» подойдет тем, кто выбирает между разработкой ПО, информационной безопасностью, искусственным интеллектом, робототехникой и разработкой игр.

▹Программы и направления: «Инженер искусственного интеллекта (AI инженер)», «Разработка программного обеспечения (Full-stack разработка)», «Разработка, сопровождение и обеспечение безопасности информационных систем», «ИТ-менеджмент в бизнесе» и другие

▹Стоимость учебы за семестр: от 50 000 руб.

▹Свободных мест на бюджет: 12

▹Свободных мест на платное: от 2000

▹Проходной балл на бюджет: 250

▹Проходной балл на платное: 100

▹Как поступить: ЕГЭ по математике, русскому языку и информатике или физике; для колледжа — по аттестату, без ЕГЭ

Государственный университет «Дубна»

Вуз находится в наукограде, где рядом работают Объединенный институт ядерных исследований (ОИЯИ) и особая экономическая зона «Дубна» с технологическими компаниями-резидентами.

Это влияет и на IT-подготовку: Институт системного анализа и управления готовит специалистов для задач, связанных с вычислениями, обработкой данных и разработкой программных систем.

Акцент сделан на направлениях, которые нужны в науке и промышленности: распределенные вычисления, большие массивы данных и создание программ для исследовательских проектов. В задачах используются C++, Java и технологии обработки данных, которые применяются при работе с вычислительными системами ОИЯИ.

Практику студенты проходят в организациях Дубны, включая компании-резиденты ОЭЗ и подразделения, связанные с научными проектами.

Университет подойдет тем, кому интересны системное программирование, анализ данных, вычислительные технологии и IT на стыке с наукой.

▹Программы и направления: «Разработка программно-информационных систем», «Безопасность информационных систем», «Инженерия систем искусственного интеллекта», «Системы обработки данных и машинное обучение» и другие

▹Стоимость учебы за семестр: от 37 000 руб. (заочно)

▹Свободных мест на бюджет: 115

▹Свободных мест на платное: 165

▹Проходной балл на бюджет: 140

▹Проходной балл на платное: 121

▹Как поступить: ЕГЭ по математике, информатике или физике, русскому языку

Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ)

МИФИ готовит специалистов в области искусственного интеллекта, машинного обучения, анализа данных и разработки интеллектуальных систем.

Подготовкой специалистов занимается Институт интеллектуальных кибернетических систем (ИИКС). Здесь изучают разработку интеллектуальных систем, математическое моделирование, компьютерные методы анализа данных и технологии информационной безопасности.

Среди направлений подготовки — машинное обучение, науки о данных и применение искусственного интеллекта в системном анализе и управлении.

Особенность — связь ИИ с инженерными и научными задачами. Студенты работают с моделированием процессов, высокопроизводительными вычислениями, обработкой данных и технологиями защиты информации. Часть проектов связана с предприятиями атомной отрасли и задачами «Росатома».

МИФИ подойдет тем, кому интересны не только разработка приложений, но и алгоритмы, анализ данных, нейросети и цифровые технологии для промышленности. Поступление требует хорошей подготовки по математике и техническим дисциплинам.

▹Программы и направления: «Безопасность компьютерных систем», «Цифровые технологии для системного анализа и управления», «Прикладной искусственный интеллект для системного анализа и управления», «Программная инженерия искусственного интеллекта», «Искусственный интеллект и моделирование когнитивных процессов в проектировании и разработке информационных систем» и другие

▹Стоимость учебы за семестр: от 245 000 руб.

▹Свободных мест на бюджет: 308

▹Свободных мест на платное: 204

▹Проходной балл на бюджет: 270

▹Проходной балл на платное: 210

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

Московский государственный технический университет имени Н. Э. Баумана (МГТУ им. Баумана)

В Бауманке IT-направления преподают на факультете «Информатика, искусственный интеллект и системы управления» (ИУ).

Здесь готовят специалистов по разработке программного обеспечения, искусственному интеллекту, компьютерным системам, управлению и информационной безопасности.

Студенты могут выбрать профиль в зависимости от интересов: заниматься созданием программных систем, работать с сетями и защитой информации или изучать технологии управления техническими объектами.

Инженерный уклон Бауманки определяет и IT-подготовку: в центре внимания — программные решения для систем управления, робототехники и автоматизированных комплексов.

▹Программы и направления: «Программное и алгоритмическое обеспечение систем управления», «Разработка программно-информационных систем», «Интеллектуальные инструментальные системы и технологии в машиностроении», «Проектирование и интеллектуальное управление робототехническими и мехатронными системами», «Киберфизические системы и технологии искусственного интеллекта» и другие

▹Стоимость учебы за семестр: от 214 000 руб.

▹Свободных мест на бюджет: 1245

▹Свободных мест на платное: 1130

▹Проходной балл на бюджет: 271

▹Проходной балл на платное: 138

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

Национальный исследовательский университет «МИЭТ» (НИУ «МИЭТ»)

МИЭТ находится в Зеленограде — центре российской микроэлектроники, поэтому IT здесь связано с разработкой устройств, микросхем и встроенного программного обеспечения.

В университете изучают системное программирование, встраиваемые системы, проектирование цифровых устройств и технологии работы с аппаратной частью.

На учебные проекты влияет окружение Зеленограда: рядом работают предприятия микроэлектронной отрасли, включая «Микрон» и «Ангстрем». Это дает возможность изучать IT в связке с производством электронных компонентов и инженерными технологиями.

МИЭТ подойдет тем, кому интересны низкоуровневое программирование, микроконтроллеры, встраиваемое ПО и разработка цифровых устройств.

▹Программы и направления: «Аппаратно-программное обеспечение информационно-управляющих систем», «Программная инженерия искусственного интеллекта», «Программно-аппаратное обеспечение вычислительных систем», «Компьютерная математика и анализ данных» и другие

▹Стоимость учебы за семестр: от 103 000 руб.

▹Свободных мест на бюджет: 384

▹Свободных мест на платное: 223

▹Проходной балл на бюджет: 218

▹Проходной балл на платное: 135

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

МИРЭА — Российский технологический университет (РТУ МИРЭА)

В РТУ МИРЭА IT-направления собраны в нескольких профильных институтах: разработку программного обеспечения и информационные системы ведет Институт информационных технологий, ИИ — Институт искусственного интеллекта, а защиту данных — Институт кибербезопасности и цифровых технологий.

Кибербезопасность — отдельный крупный профиль: в университете работают 19 лабораторий и учебно-научных центров, включая учебно-тренировочный центр «ГосСОПКА».

Практика связана с предприятий промышленного сектора, включая организации «Ростеха», Роскосмоса, Росатома и IT-компании.

Вуз подойдет тем, кто хочет развиваться в прикладном IT: разрабатывать программные системы, работать с искусственным интеллектом, данными или информационной безопасностью.

▹Программы и направления: «Системное программирование и компьютерные технологии», «Технологии информационно-аналитического мониторинга», «Интеллектуальные системы управления и обработки информации», «Искусственный интеллект и машинное обучение», «Системная и программная инженерия» и другие

▹Стоимость учебы за семестр: от 189 000 руб.

▹Свободных мест на бюджет: 1467

▹Свободных мест на платное: 4596

▹Проходной балл на бюджет: 225

▹Проходной балл на платное: 121

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

Национальный исследовательский технологический университет «МИСИС» (НИТУ «МИСИС»)

В МИСИС программирование связано с задачами материаловедения, инженерии и промышленности.

Университет, известный исследованиями в области новых материалов и технологий, использует IT-инструменты для анализа данных, компьютерного моделирования и разработки решений на основе искусственного интеллекта.

IT-подготовка сосредоточена в Институте компьютерных наук: здесь изучают машинное обучение, анализ больших данных, математическое моделирование и разработку программных систем. Среди профильных направлений — науки о данных, методы искусственного интеллекта, обработка информации и создание ML-моделей.

МИСИС подойдет тем, кому интересны искусственный интеллект, Data Science и программирование в инженерных областях — например, создание моделей для промышленности, анализ данных и цифровое моделирование материалов.

▹Программы и направления: «Искусственный интеллект и робототехника», «Системная и программная инженерия», «Разработка мобильных и веб-приложений», «Цифровой инжиниринг оборудования и технологий», «Инженерия интеллектуальных систем», «Data engineering и интеллектуальные производственные системы» и другие

▹Стоимость учебы за семестр: от 195 000 руб.

▹Свободных мест на бюджет: 168

▹Свободных мест на платное: 265

▹Проходной балл на бюджет: 270

▹Проходной балл на платное: 165

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

Московский авиационный институт (МАИ)

Самолеты, космические аппараты и системы управления требуют не только конструкторов, но и разработчиков, которые создают для них программное обеспечение.

В МАИ IT-направления связаны с авиацией и ракетно-космической отраслью: здесь изучают разработку ПО, системы управления, моделирование и обработку данных.

Подготовка в области информационных технологий проходит в Институте информационных технологий и прикладной математики.

В процессе обучения используются инструменты автоматизированного проектирования, моделирования и анализа данных. Часть исследований связана с цифровыми двойниками, расчетами инженерных конструкций и разработкой программных решений для авиационных и космических систем.

Среди партнеров МАИ — предприятия авиационной и ракетно-космической отрасли, включая организации Госкорпорации «Роскосмос» и Объединенной авиастроительной корпорации.

МАИ подойдет тем, кому интересны программирование, искусственный интеллект и вычислительные технологии в сфере авиации, космоса и машиностроения.

▹Программы и направления: «Прикладная информатика в технических системах», «Программная инженерия систем машинного обучения», «Математическое и программное обеспечение систем обработки информации и управления», «Программирование и технология разработки программных систем» и другие

▹Стоимость учебы за семестр: от 195 000 руб.

▹Свободных мест на бюджет: 596

▹Свободных мест на платное: 557

▹Проходной балл на бюджет: 228

▹Проходной балл на платное: 143

▹Как поступить: ЕГЭ по математике, физике или информатике, русскому языку

Технологический университет имени А. А. Леонова (МГОТУ)

МГОТУ находится в Королеве — одном из центров российской космической отрасли. Поэтому IT-направления университета связаны не только с разработкой программ, но и с информационными системами, автоматизацией и инженерными расчетами.

Подготовка ведется по направлениям прикладной информатики и информационных систем. Студенты изучают разработку программного обеспечения, базы данных, цифровые технологии управления и создание решений для предприятий.

Университет работает в окружении предприятий космической отрасли: в Королеве расположены РКК «Энергия», ЦНИИмаш и Центр управления полетами. Это отражается на тематике проектов вуза— в обучении используются задачи из промышленности.

МГОТУ подойдет тем, кому интересен IT в связке с инженерией, промышленностью и космической отраслью.

▹Программы и направления: «Прикладная информатика», «Информатика и вычислительная техника», «Информационные системы и технологии»

▹Стоимость учебы за семестр: нет данных

▹Свободных мест на бюджет: нет данных

▹Свободных мест на платное: нет данных

▹Проходной балл на бюджет: нет данных

▹Проходной балл на платное: нет данных

▹Как поступить: ЕГЭ по математике, информатике или физике, русскому языку

💡FAQ: часто задаваемые вопросы

• Какие ЕГЭ нужны для поступления на IT-направления?

Базовый набор — профильная математика и русский язык, третьим предметом идет информатика или физика. Конкретную комбинацию вуз указывает в правилах приема на текущий год, и на разных программах одного университета она может отличаться.

• Где в Москве изучают искусственный интеллект?

В Москве программы по искусственному интеллекту представлены в технических университетах и вузах с IT-направлениями. Студенты изучают машинное обучение, анализ данных, разработку интеллектуальных систем и технологии обработки информации. Среди вузов с такими программами — МГУ им. М. В. Ломоносова, НИУ ВШЭ, НИЯУ МИФИ, МФТИ и Университет «Синергия».

• Можно ли попасть в IT-профессию через колледж, без ЕГЭ?

Да, часть вузов, включая «Синергию», принимает в колледж по аттестату без результатов ЕГЭ, а после колледжа студент продолжает обучение на бакалавриате.

• Нужна ли сильная математика для обучения на программиста?

Математика является частью подготовки специалистов в IT, особенно на направлениях, связанных с алгоритмами, анализом данных и искусственным интеллектом. Однако уровень нагрузки зависит от программы: одни направления больше ориентированы на разработку программного обеспечения, другие — на математические методы и исследования.

• Чем отличается обучение на программиста от обучения искусственному интеллекту?

Программы по программированию направлены на создание программного обеспечения, изучение языков программирования, алгоритмов, баз данных и архитектуры систем. Подготовка в области искусственного интеллекта дополнительно включает машинное обучение, анализ данных, математические модели и разработку интеллектуальных решений.

• Можно ли получить образование в сфере IT дистанционно?

Да, некоторые вузы предлагают дистанционные и очно-заочные программы по IT-направлениям. Например, в Университете «Синергия» доступны форматы обучения, позволяющие совмещать получение образования с работой.

• Можно ли стать программистом после другого образования?

Да. Получить профессию в IT можно через второе высшее образование, профессиональную переподготовку или дополнительные образовательные программы. При этом многие специалисты переходят в разработку после обучения в другой сфере.

• Есть ли бюджетные места на IT-направлениях в московских вузах?

Да, многие технические университеты предлагают бюджетные места по IT-специальностям. Количество мест и проходные баллы меняются каждый год в зависимости от конкурса и условий приема.