🤖 AI в управлении БПЛА

Образовательная организация: [Наименование ОО]
Учитель: [ФИО учителя]
Дата проведения: [Дата]

Модуль: 💻 Программирование дронов
Тема урока: 🤖 AI в управлении БПЛА: Создатели цифрового разума

Цель урока: Сформировать понимание применения искусственного интеллекта в управлении БПЛА, освоить методы машинного обучения для автономных систем, развить навыки создания интеллектуальных алгоритмов принятия решений.

Личностные:

• Понимание этических аспектов создания автономных интеллектуальных систем
• Развитие критического мышления при оценке возможностей ИИ
• Формирование ответственного подхода к разработке ИИ-систем

Предметные:

• Понимание основных методов машинного обучения для дронов
• Навыки применения компьютерного зрения с ИИ для навигации
• Умение создавать системы принятия решений на основе ИИ
• Знание принципов обучения с подкреплением для управления полетом

Метапредметные (УУД):

• Познавательные: анализ данных, распознавание паттернов, прогнозирование
• Регулятивные: адаптивное управление, самообучающиеся системы
• Коммуникативные: взаимодействие человека с ИИ-системами

Задачи урока:

1. Освоить основные направления применения ИИ в управлении дронами
2. Изучить методы машинного обучения для автономной навигации
3. Создать системы компьютерного зрения с элементами ИИ
4. Разработать адаптивные алгоритмы управления на основе обучения

Тип урока: Лаборатория искусственного интеллекта для робототехники

Учебно-методическое и материально-техническое обеспечение:

• Фреймворки машинного обучения: TensorFlow Lite, PyTorch Mobile, OpenCV AI
• Инструменты компьютерного зрения: YOLO, MobileNet, Edge AI accelerators
• Симуляторы с ИИ: AirSim, Microsoft Flight Simulator с AI SDK
• Наборы данных: изображения для обучения, полетная телеметрия

Образовательные технологии:

• Проектное обучение с элементами ИИ
• Экспериментальное машинное обучение
• Этическое обсуждение ИИ-технологий

Межпредметные связи:

• Математика: статистика, теория вероятностей, линейная алгебра
• Информатика: алгоритмы, структуры данных, нейронные сети
• Физика: сенсоры, обработка сигналов
• Философия: этика ИИ, принятие автономных решений

Основные понятия:

• Машинное обучение, нейронные сети, глубокое обучение
• Компьютерное зрение, обнаружение объектов, семантическая сегментация
• Обучение с подкреплением, Q-learning, policy gradient
• Адаптивное управление, предиктивные модели, оптимизация

| “Создатели думающих машин” | Демонстрирует возможности ИИ в управлении дронами:

🧠 Демонстрация “умного” дрона:

• Дрон самостоятельно изучает новую среду
• Адаптируется к изменяющимся условиям полета
• Обучается на собственных ошибках
• Принимает решения в неожиданных ситуациях

🤖 Уровни интеллекта дронов:

• Уровень 0: Простое выполнение команд
• Уровень 1: Реакция на заданные условия
• Уровень 2: Обучение на опыте и адаптация
• Уровень 3: Творческое решение новых задач
• Уровень 4: Самостоятельная постановка целей

🎯 Отличие ИИ от обычного программирования:

1Обычное программирование:
2ЕСЛИ препятствие ТОГДА поворот_налево
3
4ИИ-подход:
5Анализ ситуации → Оценка вариантов → 
6Выбор оптимального → Обучение на результате

🌟 Области применения ИИ в дронах:

• Автономная навигация: полет без GPS в помещениях
• Распознавание объектов: поиск людей, анализ повреждений
• Предиктивное обслуживание: прогноз отказов оборудования
• Оптимизация маршрутов: динамическое планирование с учетом условий
• Роевое поведение: координация групп дронов

🔬 Этические вопросы ИИ-дронов:

• Кто несет ответственность за решения ИИ?
• Должен ли ИИ иметь право на жизнь и смерть?
• Как обеспечить прозрачность решений ИИ?
• Нужно ли ограничивать автономность ИИ-систем? | Анализируют возможности ИИ, понимают уровни автономности, обсуждают этические аспекты | Понимание роли ИИ в современных автономных системах | Познавательные: анализ сложных интеллектуальных систем
  Регулятивные: этическая оценка технологий |

| “Цифровые глаза с мозгом” | Изучает ИИ-подходы к компьютерному зрению:

👁️ От простых фильтров к нейронным сетям:

• Классический подход: цветовые фильтры, поиск контуров
• ИИ-подход: обучение на тысячах примеров
• Преимущества ИИ: работа в любых условиях освещения
• Недостатки: требует много данных для обучения

🧠 Архитектуры нейронных сетей для дронов:

 1Сверточная нейронная сеть для дронов:
 2Вход: изображение 640x480
 3↓
 4Слой свертки: выделение признаков
 5↓
 6Слой объединения: уменьшение размера
 7↓
 8Полносвязный слой: принятие решения
 9↓
10Выход: координаты объекта, уверенность

🎯 Обнаружение объектов в реальном времени:

• YOLO (You Only Look Once): быстрое обнаружение множества объектов
• MobileNet: легкие сети для мобильных устройств
• Детекция людей: поисково-спасательные операции
• Обнаружение препятствий: безопасная навигация

📊 Семантическая сегментация для дронов:

• Разделение неба и земли: определение горизонта
• Классификация поверхностей: вода, лес, поле, дорога
• Обнаружение посадочных площадок: безопасные зоны
• Анализ повреждений: трещины, коррозия, деформации

🔄 Обучение на лету:

1адаптивное_зрение():
2    ПОКА летим:
3        захватить_кадр()
4        применить_текущую_модель()
5        ЕСЛИ уверенность < порог:
6            запросить_подтверждение_оператора()
7            дообучить_модель_на_новом_примере()
8        сохранить_опыт_для_будущего_обучения()

⚡ Оптимизация для бортовых систем:

• Квантизация моделей: уменьшение размера в 4-8 раз
• Pruning (обрезка): удаление неважных связей
• Аппаратное ускорение: специальные чипы для ИИ
• Кэширование результатов: повторное использование вычислений | Изучают нейронные сети для компьютерного зрения, понимают архитектуры и оптимизацию | Навыки применения ИИ для обработки изображений |

Познавательные: понимание архитектур нейронных сетей
Регулятивные: оптимизация ИИ-алгоритмов |

| “Навигация как у птиц и насекомых” | Создает системы визуальной навигации:

🐝 Биоинспирированные подходы:

• Оптический поток: как насекомые определяют движение
• Ориентиры в памяти: как птицы запоминают маршруты
• Коллективное поведение: как стаи координируются
• Адаптация к среде: как животные изучают территорию

🗺️ SLAM с нейронными сетями:

 1ИИ_SLAM():
 2    захватить_кадр_и_IMU_данные()
 3    
 4    # Извлечение визуальных признаков нейросетью
 5    признаки = feature_extraction_network(кадр)
 6    
 7    # Сопоставление с картой в памяти
 8    соответствия = match_features(признаки, карта_памяти)
 9    
10    # Обновление позиции и карты
11    новая_позиция = estimate_pose(соответствия)
12    обновить_карту(новая_позиция, признаки)

🎯 Обучение навигации по демонстрации:

• Имитационное обучение: дрон учится у пилота-человека
• Запись траекторий: сохранение успешных маневров
• Воспроизведение поведения: повторение в похожих ситуациях
• Обобщение на новые условия: адаптация к измененной среде

🌍 Адаптация к различным средам:

 1адаптивная_навигация():
 2    определить_тип_среды(кадр)  # лес, город, поле
 3    
 4    ЕСЛИ среда == "лес":
 5        использовать_модель_для_леса()
 6        приоритет_стволам_деревьев()
 7    ИНАЧЕ ЕСЛИ среда == "город":
 8        использовать_модель_для_города()
 9        избегать_окон_и_зеркал()
10    ИНАЧЕ:
11        использовать_универсальную_модель()

🔄 Непрерывное обучение:

• Online learning: обучение во время полета
• Инкрементальное обучение: добавление новых знаний без забывания старых
• Активное обучение: запрос помощи в сложных ситуациях
• Федеративное обучение: обмен опытом между дронами

📡 Совместная навигация роя:

• Обмен картами: дроны делятся визуальной информацией
• Коллективное SLAM: создание общей карты
• Распределенная обработка: каждый дрон специализируется на своей области
• Консенсус по решениям: голосование по спорным вопросам | Создают системы визуальной навигации на основе ИИ, изучают биоинспирированные подходы | Навыки создания интеллектуальных навигационных систем | Познавательные: биоинспирированные алгоритмы и SLAM
  Регулятивные: адаптивные алгоритмы навигации |

| “Дрон учится летать как ребенок” | Изучает принципы обучения через пробы и ошибки:

🎮 Концепция обучения с подкреплением:

• Агент: дрон, который принимает решения
• Среда: воздушное пространство и условия полета
• Действия: изменение скорости моторов, направления
• Состояния: положение, скорость, ориентация дрона
• Награды: положительные за успех, отрицательные за ошибки

🧠 Как дрон учится летать:

 1обучение_полету():
 2    ПОВТОРЯТЬ много_раз:
 3        наблюдать_текущее_состояние()
 4        выбрать_действие(исследование_vs_использование)
 5        выполнить_действие()
 6        получить_награду_от_среды()
 7        обновить_знания_о_ценности_действий()
 8        
 9        ЕСЛИ эпизод_завершен:
10            проанализировать_весь_эпизод()
11            улучшить_стратегию()

🏆 Система наград для дрона:

• Положительные награды:

  • Удержание заданной высоты: +10 баллов/секунду
  • Достижение целевой точки: +100 баллов
  • Плавное управление: +5 баллов за отсутствие рывков
  • Экономия энергии: +1 балл за эффективность

• Отрицательные награды:

  • Отклонение от курса: -1 балл/метр
  • Столкновение с препятствием: -1000 баллов
  • Грубое управление: -10 баллов за резкие маневры
  • Потеря стабильности: -50 баллов

🎯 Q-learning для автопилота:

1Q_обучение():
2    # Q-таблица: состояние → ценность каждого действия
3    Q[состояние][действие] = текущая_оценка +
4        скорость_обучения * (
5            награда + 
6            коэффициент_будущего * max(Q[новое_состояние]) -
7            текущая_оценка
8        )

🔄 Баланс исследования и использования:

• Исследование (exploration): пробовать новые действия
• Использование (exploitation): применять проверенные решения
• Epsilon-greedy стратегия: иногда случайные действия для обучения
• Постепенное снижение исследования: больше опыта = меньше экспериментов | Изучают принципы обучения с подкреплением, понимают системы наград и Q-learning | Понимание адаптивного обучения автономных систем | Познавательные: алгоритмы машинного обучения
  Регулятивные: адаптивное поведение систем |

| “Интеллектуальный автопилот нового поколения” | Создает современные ИИ-системы управления:

🎭 Actor-Critic методы:

 1актер_критик():
 2    # Актер решает что делать
 3    действие = актер.предсказать(состояние)
 4    
 5    # Критик оценивает насколько это хорошо
 6    ценность = критик.оценить(состояние)
 7    
 8    выполнить(действие)
 9    получить(награда, новое_состояние)
10    
11    # Обучение на основе результата
12    актер.обучиться(действие, преимущество)
13    критик.обучиться(состояние, награда)

🎯 Обучение сложным маневрам:

• Фигуры высшего пилотажа: петли, бочки, иммельманы
• Посадка в сложных условиях: ветер, ограниченное пространство
• Уклонение от препятствий: динамические помехи
• Энергоэффективный полет: оптимальное использование батареи

🌪️ Адаптация к возмущениям:

 1адаптивное_управление():
 2    базовая_стратегия = обученная_политика(состояние)
 3    
 4    ЕСЛИ обнаружены_внешние_возмущения:
 5        # Ветер, турбулентность, отказы
 6        возмущение = оценить_возмущение()
 7        коррекция = адаптивный_контроллер(возмущение)
 8        финальное_действие = базовая_стратегия + коррекция
 9    ИНАЧЕ:
10        финальное_действие = базовая_стратегия

🤝 Multi-agent обучение:

• Совместное обучение роя: дроны учатся координироваться
• Конкурентное обучение: гонки между дронами
• Кооперативные задачи: совместная переноска грузов
• Распределенные решения: каждый дрон специализируется

🔬 Sim-to-real transfer:

 1перенос_из_симуляции():
 2    # Обучение в симуляторе
 3    обучить_в_симуляции(миллионы_эпизодов)
 4    
 5    # Адаптация к реальности
 6    собрать_реальные_данные(ограниченное_количество)
 7    донастроить_модель(реальные_данные)
 8    
 9    # Постепенный переход
10    начать_с_простых_условий()
11    постепенно_усложнять_задачи()

⚡ Обучение в реальном времени:

• Онлайн обучение: адаптация во время полета
• Мета-обучение: быстрая адаптация к новым задачам
• Трансферное обучение: применение опыта из других областей
• Инкрементальное обучение: добавление навыков без забывания старых | Создают продвинутые системы обучения с подкреплением, изучают современные методы ИИ | Навыки создания адаптивных ИИ-систем управления | Познавательные: современные методы машинного обучения
  Регулятивные: создание самообучающихся систем |

| “Цифровой доктор для дронов” | Создает системы предиктивного обслуживания:

🔍 Мониторинг состояния здоровья дрона:

 1диагностика_здоровья():
 2    собрать_телеметрию():
 3        вибрации_моторов = акселерометр.данные()
 4        температуры_компонентов = термодатчики.данные()
 5        токи_потребления = амперметр.данные()
 6        время_отклика_сервоприводов = измерить()
 7    
 8    проанализировать_нейросетью(телеметрия)
 9    
10    ЕСЛИ аномалия_обнаружена:
11        спрогнозировать_время_до_отказа()
12        рекомендовать_профилактику()
13        адаптировать_полетное_задание()

📊 Анализ деградации компонентов:

• Износ пропеллеров: анализ вибраций и аэродинамической эффективности
• Деградация батареи: прогноз емкости и внутреннего сопротивления
• Износ подшипников моторов: анализ звуковых и вибрационных паттернов
• Усталость материалов рамы: мониторинг микротрещин и деформаций

🎯 Машинное обучение для прогнозов:

 1модель_прогноза_отказов():
 2    # Обучение на исторических данных
 3    входные_признаки = [вибрации, температура, ток, время_работы]
 4    целевая_переменная = время_до_отказа
 5    
 6    модель = обучить_регрессор(входные_признаки, целевая_переменная)
 7    
 8    # Использование в реальном времени
 9    текущие_показатели = собрать_телеметрию()
10    прогноз = модель.предсказать(текущие_показатели)
11    
12    ЕСЛИ прогноз < критический_порог:
13        запланировать_обслуживание()

⚡ Адаптивные стратегии обслуживания:

• По календарю: регулярное ТО независимо от состояния
• По состоянию: обслуживание при достижении пороговых значений
• Предиктивное: обслуживание по прогнозу ИИ
• Прескриптивное: ИИ не только прогнозирует, но и рекомендует действия

🔄 Самолечащиеся системы:

• Автокалибровка датчиков: компенсация дрейфа и смещений
• Адаптивное управление: компенсация изменений характеристик
• Реконфигурация системы: отключение неисправных компонентов
• Самодиагностика и самовосстановление: автономное решение проблем | Создают системы предиктивной диагностики, изучают прогнозирование отказов | Навыки создания интеллектуальных систем мониторинга | Познавательные: предиктивная аналитика и прогнозирование
  Регулятивные: превентивное управление техническими системами |

| “Мастер эффективности” | Применяет ИИ для оптимизации операций:

📈 Динамическая оптимизация маршрутов:

 1умная_оптимизация():
 2    учесть_факторы = [
 3        погодные_условия,
 4        воздушный_трафик,
 5        состояние_батареи,
 6        приоритеты_миссии,
 7        ограничения_воздушного_пространства
 8    ]
 9    
10    # ИИ находит оптимальный баланс
11    оптимальный_план = нейросеть_оптимизатор(
12        текущая_ситуация,
13        цели_миссии,
14        ограничения
15    )
16    
17    адаптировать_план_в_реальном_времени()

🌤️ Прогнозирование погодных условий:

• Микропрогнозы: погода в конкретной точке маршрута
• Турбулентность: прогноз зон повышенной опасности
• Видимость: предсказание тумана и осадков
• Ветровые потоки: использование попутных ветров

⚡ Энергетическая оптимизация:

 1умное_энергопотребление():
 2    текущее_состояние = [заряд, расход, условия_полета]
 3    остаток_миссии = оценить_сложность_задач()
 4    
 5    оптимальная_стратегия = ИИ_оптимизатор(
 6        текущее_состояние,
 7        остаток_миссии
 8    )
 9    
10    # Рекомендации по скорости, высоте, маневрам
11    применить_энергосберегающий_режим(оптимальная_стратегия)

🎯 Адаптивное планирование миссий:

• Обучение на опыте: ИИ запоминает успешные стратегии
• Контекстная адаптация: учет специфики каждой миссии
• Многокритериальная оптимизация: баланс скорости, качества, безопасности
• Прогнозирование успеха: оценка вероятности выполнения задач

🤖 Автономная логистика:

 1умная_логистика():
 2    проанализировать_потребности()
 3    спрогнозировать_спрос()
 4    оптимизировать_загрузку_дронов()
 5    скоординировать_флот()
 6    
 7    # Динамическое перераспределение задач
 8    ЕСЛИ возникли_изменения:
 9        пересчитать_приоритеты()
10        перераспределить_ресурсы()
11        уведомить_операторов()

🔮 Будущие возможности:

• Квантовая оптимизация: решение сверхсложных логистических задач
• Предсказательная аналитика: прогноз потребностей за недели вперед
• Автономные экосистемы: самоорганизующиеся сети дронов | Применяют ИИ для оптимизации операций, создают адаптивные системы планирования | Навыки применения ИИ для оптимизации сложных процессов | Познавательные: оптимизационные алгоритмы и прогнозирование
  Регулятивные: интеллектуальное управление ресурсами |

| “Ответственные создатели цифрового разума” | Обсуждает этические аспекты ИИ в дронах:

⚖️ Этические дилеммы автономных систем:

• Проблема трамвая для дронов: кого спасать при неизбежной аварии?
• Прозрачность решений: как объяснить действия ИИ?
• Ответственность за ошибки: кто виноват - программист, оператор, ИИ?
• Границы автономности: что дрон может решать сам?

🛡️ Безопасность ИИ-систем:

 1безопасный_ИИ():
 2    # Множественные уровни контроля
 3    ИИ_решение = нейросеть.предсказать(ситуация)
 4    
 5    проверка_безопасности(ИИ_решение):
 6        ЕСЛИ нарушает_физические_ограничения:
 7            ОТКЛОНИТЬ решение
 8        ЕСЛИ превышает_риски:
 9            ОТКЛОНИТЬ решение
10        ЕСЛИ противоречит_этике:
11            ЗАПРОСИТЬ решение_человека
12    
13    # Логирование всех решений для анализа
14    записать_в_журнал(ситуация, решение, результат)

🎯 Объяснимый ИИ (XAI) для дронов:

• Визуализация решений: почему ИИ выбрал именно это действие
• Трассировка логики: пошаговое объяснение рассуждений
• Оценка уверенности: насколько ИИ уверен в своем решении
• Альтернативные варианты: какие еще действия рассматривались

🔐 Защита от злоумышленников:

• Адверсальные атаки: как обмануть ИИ специально подготовленными данными
• Защитные механизмы: обнаружение попыток взлома
• Резервные системы: переключение на безопасные алгоритмы
• Криптографическая защита: шифрование моделей ИИ

🌐 Социальные аспекты:

• Замещение рабочих мест: влияние автоматизации на занятость
• Цифровое неравенство: доступность ИИ-технологий
• Конфиденциальность данных: защита личной информации
• Международное регулирование: общие стандарты безопасности

📊 Методы обеспечения надежности:

 1надежный_ИИ():
 2    # Разнообразие в обучающих данных
 3    обучить_на_широком_спектре_сценариев()
 4    
 5    # Тестирование в экстремальных условиях
 6    проверить_граничные_случаи()
 7    
 8    # Постоянный мониторинг
 9    отслеживать_производительность_в_реальном_времени()
10    
11    # Возможность вмешательства человека
12    предусмотреть_переключение_на_ручное_управление()

🏠 Этический кодекс разработчика ИИ:

• Всегда ставить безопасность людей на первое место
• Обеспечивать прозрачность и объяснимость решений
• Тестировать системы в разнообразных условиях
• Предусматривать возможность вмешательства человека
• Нести ответственность за последствия применения ИИ | Обсуждают этические аспекты ИИ, изучают вопросы безопасности и ответственности | Понимание этических и социальных аспектов ИИ-технологий | Регулятивные: этическая ответственность при создании ИИ
  Коммуникативные: обсуждение социальных аспектов технологий |

| “Заглядывая в будущее” | Обсуждает перспективы развития:

🔮 Технологии будущего:

• Квантовые нейронные сети: экспоненциальное ускорение обучения
• Нейроморфные чипы: процессоры, имитирующие работу мозга
• Общий искусственный интеллект: ИИ уровня человеческого разума
• Биогибридные системы: интеграция с живыми нейронами

🌟 Революционные применения:

• Умные города: дроны как часть городской инфраструктуры
• Космические миссии: автономные исследователи других планет
• Медицина будущего: нанодроны для лечения внутри организма
• Экологический мониторинг: глобальные сети мониторинга планеты

🎓 Подготовка к будущему:

• Изучение основ машинного обучения и ИИ
• Развитие этического мышления
• Междисциплинарный подход к образованию
• Готовность к постоянному обучению

🚀 Ваша роль в будущем: станете ли вы создателями следующего поколения интеллектуальных систем? | Осознают перспективы развития ИИ, планируют свое образование и карьеру в области ИИ | Понимание перспектив развития ИИ-технологий | Познавательные: прогнозирование технологического развития
Регулятивные: планирование образовательной и карьерной траектории |

• Классификация объектов: распознавание людей, транспорта, зданий
• Регрессия траекторий: предсказание оптимальных путей
• Детекция аномалий: обнаружение неисправностей и угроз
• Временные ряды: прогнозирование поведения системы

• Кластеризация данных: группировка похожих полетных режимов
• Снижение размерности: сжатие сенсорных данных
• Обнаружение паттернов: автоматический поиск закономерностей
• Самоорганизующиеся карты: адаптивное картографирование

• Q-learning: изучение ценности действий в каждом состоянии
• Policy Gradient: прямая оптимизация стратегии поведения
• Actor-Critic: комбинация оценки и принятия решений
• Multi-Agent RL: координация нескольких дронов

• Сверточные сети: обработка изображений и видео
• Рекуррентные сети: анализ последовательностей и временных рядов
• Трансформеры: внимание к важным частям данных
• Генеративные модели: создание синтетических данных для обучения

• Обнаружение и слежение за объектами
• Семантическая сегментация сцены
• Оценка глубины и построение 3D карт
• Распознавание жестов и команд

• Визуальная одометрия и SLAM
• Планирование пути в динамической среде
• Избегание препятствий в реальном времени
• Адаптивная навигация в GPS-denied средах

• Адаптивные контроллеры с самонастройкой
• Компенсация ветра и возмущений
• Энергоэффективное управление
• Отказоустойчивое управление при повреждениях

• Предиктивное обслуживание оборудования
• Оптимизация логистических операций
• Анализ эффективности миссий
• Автоматическая генерация отчетов

• TensorFlow Lite: оптимизированные модели для мобильных устройств
• PyTorch Mobile: гибкая разработка и развертывание
• OpenVINO: оптимизация для процессоров Intel
• TensorRT: ускорение на GPU NVIDIA

• OpenCV AI Kit: компьютерное зрение с ИИ-ускорением
• ROS AI: интеграция ИИ с робототехническими системами
• AirSim: реалистичная симуляция для обучения ИИ
• Gym-PyBullet-Drones: среда для обучения с подкреплением

• Google Coral: специализированные процессоры для ИИ
• Intel Movidius: нейропроцессоры для дронов
• NVIDIA Jetson: мощные платформы для edge AI
• Qualcomm Snapdragon: мобильные платформы с ИИ

Инженер машинного обучения для дронов (₽300-900k):

• Разработка ИИ-алгоритмов для автономных систем
• Обучение нейронных сетей для компьютерного зрения
• Оптимизация моделей для бортовых систем
• Исследования в области робототехнического ИИ

Специалист по этике ИИ (₽200-600k):

• Разработка этических стандартов для автономных систем
• Аудит ИИ-систем на соответствие этическим нормам
• Консультирование по вопросам ответственного ИИ
• Участие в создании законодательных норм

Архитектор интеллектуальных систем (₽400-1200k):

• Проектирование комплексных ИИ-решений
• Интеграция различных ИИ-технологий
• Руководство командами разработчиков
• Стратегическое планирование ИИ-проектов

• Машинное обучение и глубокое обучение
• Компьютерное зрение и обработка изображений
• Робототехника и автономные системы
• Этика технологий и философия ИИ

• Квантовое машинное обучение
• Нейроморфные вычисления
• Федеративное обучение для роботов
• Объяснимый ИИ для критических применений