---

За прохождение этой активности можно получить до 10 баллов
Итоговая аттестация
Длительность выполнения: 4 академических часа

Уровень сложности: Комплексный.

Цель кейса: Продемонстрировать способность студента спроектировать, разработать и концептуально развернуть полноценное программное средство с ИИ, охватывающее весь цикл от сбора и обработки разнородных данных до построения продвинутых моделей ИИ, их оптимизации, применения специализированных техник и интеграции в рабочую среду для автоматизированного принятия решений.

Проблема: Современные организации сталкиваются с постоянно растущим числом и изощренностью кибератак. Ручная обработка логов, сетевого трафика и уведомлений систем безопасности является трудоемкой, медленной и подвержена ошибкам, что приводит к задержкам в обнаружении и реагировании на инциденты. Отсутствие автоматизированных систем, способных в реальном времени анализировать данные, прогнозировать угрозы и предлагать или даже инициировать меры реагирования, ставит под угрозу конфиденциальность, целостность и доступность информации.

Направление решения: Разработка концепции и реализация прототипов ключевых компонентов интеллектуальной системы поддержки принятия решений и автоматизированного реагирования для мониторинга и предотвращения инцидентов информационной безопасности. Система должна использовать передовые методы ИИ для анализа больших объемов разнородных данных (системные логи, сетевой трафик, данные об уязвимостях), выявления аномалий и угроз, а также предоставления рекомендаций или автоматического выполнения действий по нейтрализации инцидентов.

Требования к реализации:

В рамках данного итогового кейса вам необходимо представить комплексное решение, включающее:

1.     Архитектура системы (Модуль 1):

Спроектируйте масштабируемую и отказоустойчивую архитектуру системы, способную обрабатывать высокообъемные потоки данных безопасности в реальном времени.

Опишите конвейеры данных (Data Pipelines) для сбора, нормализации и загрузки логов и других источников.

Обоснуйте выбор хранилищ данных (Data Lakehouse / Data Warehouse) для различных типов информации (сырые логи, агрегированные данные, метаданные угроз).

Предложите механизмы интеграции через API для взаимодействия с существующими системами безопасности.

Кратко рассмотрите аспекты кибербезопасности самой информационной системы и её компонентов.

2.     Продвинутые модели ИИ и методы оптимизации (Модуль 2):

Моделирование данных: Определите структуру и тип данных, необходимых для обучения моделей (последовательности событий, числовые признаки сетевого трафика, текстовые описания угроз).

Разработка и обучение моделей: Предложите и обоснуйте выбор как минимум двух продвинутых моделей машинного/глубокого обучения для конкретных задач:

Обнаружение аномалий/вредоносной активности.

Классификация типа атаки/инцидента.

Опишите, как будут применяться методы автоматизированной настройки гиперпараметров и интерпретируемости модели для повышения эффективности и объяснимости решений.

3.     Применение специализированных направлений ИИ (Модуль 3):

Обработка естественного языка (NLP/LLM): Опишите, как могут быть использованы большие языковые модели (LLM) для анализа текстовых отчетов об инцидентах, данных из баз знаний об угрозах, или для генерации текстовых сводок и рекомендаций для аналитиков.

Интеллектуальные агенты: Предложите концепцию использования интеллектуальных агентов для автоматического выполнения типовых действий по реагированию на основе решений модели ИИ.

4.     Разработка и развертывание решения (Модуль 4. Продвинутый):

Прототип сервиса: Представьте, как обученные модели могут быть упакованы и развернуты в виде микросервисов с REST API.

Оркестрация и масштабирование: Опишите концепцию оркестрации контейнеров для обеспечения высокой доступности и масштабируемости системы.

Мониторинг и логирование: Предложите, как будет осуществляться мониторинг производительности моделей в продакшене и логирование всех операций для аудита и отладки.

Кратко опишите, как аналитики смогут взаимодействовать с системой через дашборды или инструменты визуализации.

Формат представления:

Итоговый кейс должен быть представлен в виде:

Детального технического предложения/концепции (до 10 страниц), включающего:

Диаграммы архитектуры системы.

Детальное описание каждого из четырех вышеуказанных пунктов с обоснованием выбора технологий и методов.

Примеры фрагментов кода (псевдокода) для демонстрации ключевых алгоритмов или взаимодействия с API (не требуется полная реализация).

Раздел «Выводы и дальнейшее развитие», где будут обобщены преимущества предложенного решения и намечены пути его совершенствования.

Критерии оценивания:

1-3 балла: Отсутствие или поверхностное понимание большинства аспектов. Архитектура не проработана. Выбор моделей и технологий не обоснован. Отсутствие понимания развертывания.

4-6 баллов: Представлена базовая концепция, но с существенными пробелами в каждом из разделов. Демонстрируется частичное понимание тем модулей, но интеграция концепций слабая. Обоснование выбора технологий недостаточно глубокое.

7-8 баллов: Проект демонстрирует хорошее понимание всех ключевых аспектов. Архитектура логична и функциональна, конвейеры данных описаны. Применены и обоснованы продвинутые модели ИИ. Учтены аспекты развертывания и использования специализированных технологий. Работа сбалансирована по всем модулям курса.

9-10 баллов: Представлен всеобъемлющий, глубоко проработанный и практически ориентированный проект. Архитектура оптимальна, масштабируема и отказоустойчива. Выбор и обоснование продвинутых моделей ИИ (включая специализированные направления) выполнены на экспертном уровне. Детально проработаны аспекты развертывания, мониторинга и интеграции. Продемонстрировано системное мышление, способность к комплексному анализу и синтезу знаний всех модулей для решения сложной реальной задачи.