Кто учит учителей

Облачные платформы, инструменты генеративного ИИ и даже способы разработки могут заметно измениться в течение одного учебного года. А значит, университету недостаточно просто добавить новую тему в программу. Преподавателю нужно освоить технологию, понять ее место в дисциплине и подготовить задания, на которых студенты смогут разобрать реальные сценарии применения.

Эта работа требует доступа к инфраструктуре, отраслевой практике и методической поддержки. Поэтому качество подготовки ИТ-специалистов все сильнее зависит от того, как в вузах организовано обучение самих преподавателей.

Как выстроить системную переподготовку преподавателей, адаптировать программы под стремительно меняющиеся технологии и вовлечь в этот процесс отраслевых партнеров, «Ъ-Науке» рассказала Марина Кошелева, руководитель проектов в сфере образования, науки и культуры Yandex Cloud.

Выйти из полноэкранного режима

Развернуть на весь экран

— Почему вузам нужно обновлять программы обучения чаще?

— Безусловно, базовые знания в ИТ сохраняют значение на протяжении многих лет. Алгоритмы, архитектура информационных систем, математика и принципы работы с данными остаются основой для профессиональной подготовки. При этом инструменты, которыми пользуются разработчики, аналитики и ML-инженеры, обновляются гораздо чаще университетских программ. Например, в современном курсе по инфраструктуре уже недостаточно описать устройство серверов и сетей. Студенту предстоит понять, как развертывать приложения в облаке, работать с контейнерами и управлять вычислительными ресурсами. В аналитике к основам статистики и баз данных добавляются BI-платформы и инструменты обработки больших массивов информации, внутри которых все чаще и активнее развиваются различные нейропомощники. В дисциплинах, связанных с искусственным интеллектом, появляются генеративные модели и ИИ-агенты, которые выполняют задачи с помощью внешних систем.

Для включения этих тем в программу преподавателю нужно оценить, какие именно технологии уже используются в индустрии и какие из них стоит разбирать со студентами. Затем нужно выбрать уровень сложности, подготовить практические задания и определить критерии оценки. Простое знакомство с интерфейсом облачного сервиса или ИИ-инструмента этой задачи не решает. Многие преподаватели профильных дисциплин получали образование и профессиональный опыт до широкого распространения облачных платформ и генеративного ИИ. Их фундаментальная экспертиза остается основой курса, однако для работы с современным технологическим стеком требуется регулярное повышение квалификации. Самостоятельное обучение часто проходит методом проб и ошибок. И преподавателю порой сложно проверить выбранный подход и обсудить с коллегами, как именно встроить новый инструмент в учебный процесс.

— Что меняется в работе преподавателя?

— Сегодня студент уже умеет использовать генеративную модель для объяснения термина, написания фрагмента кода, а также других задач. Преподавателю приходится учитывать это при разработке заданий. Упражнение, которое раньше проверяло знание синтаксиса, модель способна выполнить за несколько секунд. Такое задание уже мало говорит о том, понимает ли студент логику решения и способен ли найти ошибку.

Преподаватель должен проектировать задачи, в которых студент сравнивает несколько вариантов, проверяет результат и объясняет свой выбор. Например, недостаточно получить от ИИ готовый код для обработки данных. Нужно оценить его корректность, выявить ограничения и понять, как решение поведет себя на другом наборе данных. При работе с облачной инфраструктурой студенту важно обосновать выбор архитектуры, рассчитать ресурсы и учесть требования безопасности.

Поэтому в преподавательской работе растет значение проектирования образовательной среды. Педагог связывает теорию с практическими сценариями, помогает разобрать последствия технических решений и сопровождает студенческие проекты. Для этого ему самому нужен опыт работы с инструментами, которые используются в этих заданиях.

— Как передавать преподавателям актуальную практику рынка?

— Крупные технологические компании могут дать вузам доступ к инфраструктуре и показать, как она применяется в рабочих проектах. Однако, чтобы новая тема закрепилась в программе, ее нужно перевести на язык учебных целей, заданий и критериев оценки.

Один из таких форматов — Школа преподавателей облачных технологий Yandex Cloud. Бесплатная программа рассчитана на 65 академических часов и включает три направления: BI-аналитику, DevOps-инфраструктуру и ИИ-агентов. Технические специалисты разбирают практику работы с технологиями, а методисты помогают участникам спроектировать образовательное решение. Облачные сервисы в программе используются как рабочая среда. При этом преподаватели изучают общие принципы, которые можно применять при работе с разными платформами. Такой подход позволяет связать конкретный инструмент с устройством технологии и избежать зависимости курса от одного интерфейса. Участник программы готовит модуль, практическое задание или другой методический продукт для своей дисциплины. Результатом становится материал, готовый к включению в университетский курс.

При этом дистанционный формат и записи вебинаров позволяют участвовать в программе преподавателям даже региональных вузов, которым чаще сложнее получить доступ к опыту крупных техногигантов и профессиональным сообществам.

За рубежом также распространены подобные практики. Например, NVIDIA в рамках Deep Learning Institute обучает и сертифицирует преподавателей университетов как University Ambassadors, после чего они могут самостоятельно проводить занятия и практические воркшопы для студентов. Компания также предоставляет преподавателям готовые учебные материалы с лекциями, лабораторными работами, Jupyter-ноутбуки и доступ к GPU-инфраструктуре (в России подобные программы есть и у Yandex Cloud).

Аналогично AWS Academy сначала обучает преподавателей вузов работе с актуальными облачными технологиями по собственным материалам, а уже затем преподаватели интегрируют эти материалы в занятия со студентами. Таким образом, бигтех выступает не заменой университетскому преподавателю, а своего рода технологическим партнером, который помогает регулярно обновлять компетенции и переносить новые индустриальные практики в учебный процесс.

Другой пример — компания Microsoft, которая бесплатно дает преподавателям обучение и сертификацию по AI, Azure, data, security и другим технологиям, готовые педагогические материалы и лабораторные среды. Отдельно есть Faculty AI Bootcamps, где преподаватели сначала сами осваивают AI, а затем вместе с экспертами разбирают, как встроить его в свои дисциплины.

— Почему обучение влияет на несколько потоков студентов?

— Эффект программы повышения квалификации зависит от того, как преподаватель использует знания после ее завершения. Если разработанный модуль входит в учебный план, с ним работают несколько групп в течение года. Затем преподаватель может корректировать задания по результатам занятий и использовать их со следующим набором студентов. Так обновление одной дисциплины распространяется на несколько учебных потоков. Университет получает собственную методическую разработку, а преподаватель сохраняет возможность адаптировать ее под уровень студентов и содержание курса. Знания остаются внутри образовательной программы и могут использоваться дольше, чем отдельная лекция или краткосрочный интенсив.

Оценивать такой формат стоит по конкретным изменениям: появился ли в дисциплине новый модуль, провели ли студенты лабораторную работу, научились ли они применять технологию для решения профильной задачи. Количество участников программы само по себе не показывает, изменилась ли подготовка студентов.

— Как выйти на регулярность и системный подход в обновлении курсов?

— Конечно, актуальность ИТ-дисциплины не должна зависеть от того, успевает ли конкретный преподаватель самостоятельно следить за новыми инструментами. Кафедра может регулярно пересматривать содержание курсов, распределять новые темы между преподавателями и обсуждать опыт их использования на занятиях. Это снижает нагрузку на отдельных специалистов и помогает сохранять удачные методические решения внутри университета.

Для такой работы полезна обратная связь от выпускников, работодателей и преподавателей смежных дисциплин. Она показывает, с какими технологиями студенты сталкиваются на стажировках и какие пробелы обнаруживаются при переходе к рабочим задачам. На основании этих данных кафедра может определить, какие темы требуют обновления в следующем учебном цикле.

Таким образом, следующий этап развития российского ИТ-образования — уже не только массовое обучение студентов, а системная переподготовка преподавателей. Именно она позволит университетам быстрее адаптировать программы под изменения технологий и готовить специалистов, востребованных не вчерашним, а завтрашним рынком.

Подготовлено при поддержке «Яндекса»