Для цитирования: Литвинова Е.Е., Беляев П.В., Чесалов А.Ю. Большие языковые модели как инструмент реализации инициативы «Центр продвижения российского программного обеспечения» МГТУ им. Н.Э. Баумана // «Актуальные проблемы науки и образования в условиях современных вызовов», (2026, Москва) / Сборник материалов XLX Международной научно-практической конференции – ООО «Издательство Академическая среда», 2026 – С. 145 -153. DOI: 10.62994/6048.2026.11.53.012

УДК № 004, 001.51, 009, 338.984

Литвинова Елена Евгеньевна, директор по стратегии ФГАОУ ВО МГТУ им. Н.Э. Баумана

litvinova_ee@bmstu.ru

Россия, г. Москва

Беляев Петр Вадимович, проектный менеджер дирекции стратегического развития ФГАОУ ВО МГТУ им. Н.Э. Баумана

belyaev.p.v@bmstu.ru

Россия, г. Москва

Чесалов Александр Юрьевич, канд. техн. наук, руководитель проекта «Korolev AI» ФГАОУ ВО МГТУ им. Н.Э. Баумана

chesalov@bmstu.ru

Россия, г. Москва

Большие языковые модели как инструмент реализации инициативы «Центр продвижения российского программного обеспечения» МГТУ им. Н.Э. Баумана

Large language models as a tool for implementing the “Center for the Promotion of Russian Software” initiative at Bauman Moscow State Technical University

Аннотация. В статье рассматривается проблема обеспечения технологической независимости высшего образования в условиях импортозамещения программного обеспечения. На примере инициативы «Центр продвижения российского программного обеспечения», включенной в Программу развития МГТУ им. Н.Э. Баумана на период до 2036 года, анализируются ключевые барьеры внедрения отечественных программно-аппаратных комплексов в образовательную и научную деятельность. Обосновывается необходимость применения больших языковых моделей (LLM) для автоматизации процессов сбора и агрегации запросов вузов, разработки методических рекомендаций, генерации образовательного контента и создания интеллектуальных ассистентов, сопровождающих переход на российское ПО. Предложена архитектурная модель интеграции LLM в экосистему Центра, позволяющая кратно ускорить достижение целевых показателей цифровой зрелости университета.

Ключевые слова: большие языковые модели, цифровая трансформация образования, МГТУ им. Н.Э. Баумана.

Abstract. This article examines the problem of ensuring technological independence in higher education in the context of software import substitution. Using Initiative “Center for the Promotion of Russian Software,” included in the Bauman Moscow State Technical University Development Program through 2036, as an example, it analyzes key barriers to the implementation of domestic hardware and software systems in educational and research activities. The article substantiates the need to use large language models (LLMs) to automate the collection and aggregation of university requests, develop methodological recommendations, generate educational content, and create intelligent assistants to support the transition to Russian software. An architectural model for integrating LLMs into the Center’s ecosystem is proposed, enabling a significant acceleration in achieving the university’s digital maturity targets.

Keywords: large language models, digital transformation of education, Bauman Moscow State Technical University.

Введение

Стратегия научно-технологического развития Российской Федерации и национальные проекты технологического лидерства ставят перед системой высшего образования задачу кардинального повышения уровня цифровой независимости [[1]]. Программа развития МГТУ им. Н.Э. Баумана на период до 2036 года в качестве одной из стратегических целей определяет развитие цифровой инфраструктуры с увеличением доли используемых отечественных программно-аппаратных комплексов с 50 % в 2023 году до 90 % к 2030 году. Для достижения этого показателя в программу включена инициатива 4.2 «Центр продвижения российского программного обеспечения» (далее — Центр), призванная стать интегратором функциональных запросов вузов к российским вендорам, разработчиком методических рекомендаций по внедрению отечественного программного обеспечения (ПО) и площадкой для развития компетенций студентов в работе с российскими программными продуктами [[2]].

Однако реализация данной инициативы сталкивается с рядом системных вызовов: разрозненность и неструктурированность требований со множества факультетов, кафедр и подразделений, дефицит актуальной документации и учебно-методических материалов по отечественному ПО, необходимость массового обучения студентов и преподавателей работе в новой программной среде, а также потребность в оперативном разрешении технических инцидентов, возникающих при миграции. Решение этих задач традиционными методами (формирование рабочих групп, ручное написание инструкций, проведение очных курсов) потребует временных затрат, несовместимых с амбициозными сроками программы развития.

В этой связи представляется перспективным использование технологий искусственного интеллекта, и в особенности больших языковых моделей (англ. Large Language Model, LLM), способных к пониманию и генерации естественного языка, анализу больших массивов текстовой информации и интеллектуальной поддержке пользователей. Цель настоящей работы — обосновать роль LLM как ключевого технологического компонента реализации инициативы 4.2 и предложить архитектурные решения для их интеграции в экосистему Центра продвижения российского ПО [[3]].

Инициатива 4.2 в структуре стратегии цифровой трансформации университета

Инициатива 4.2 «Центр продвижения российского программного обеспечения» занимает особое место в стратегии развития МГТУ им. Н.Э. Баумана. В отличие от инициативы 4.1 «Масштабируемая ИИ-платформы «Путь инженера», ориентированной на внешних пользователей (школьники, абитуриенты) и создание ИИ-платформы «Путь инженера», инициатива 4.2 направлена внутрь университетской экосистемы и призвана обеспечить технологическую независимость всех контуров деятельности: образовательного, научно-исследовательского и административно-управленческого.

В соответствии с текстом программы развития, инициатива 4.2 включает несколько функциональных областей:

• интеграция функциональных запросов вузов к российским вендорам;
• разработка и апробация методических рекомендаций по внедрению отечественного ПО совместно с его производителями, в том числе стандартов по внедрению;
• развитие практики академических лицензий совместно с производителями российского ПО;
• разработка совместно с производителями дополнительных образовательных программ для формирования компетенций студентов по работе с российским ПО (от пользовательской работы до внедрения и развития решений с учетом конкретных практических задач организаций).

Фактически, Центр должен выполнять роль «моста» между потребностями университетского сообщества и возможностями отечественной ИТ-индустрии. При этом целевые показатели цифровой зрелости требуют не просто закупки лицензий, а полноценного встраивания российского ПО в образовательные и научные процессы, что подразумевает:

1. Аналитическую функцию. Сбор, классификацию и определение приоритетов потребностей различных подразделений (от кафедр до лабораторий).
2. Методическую функцию. Создание актуальной документации, инструкций, видеоуроков, адаптированных под конкретные версии ПО и профили подготовки.
3. Образовательную функцию. Интеграцию знаний о российском ПО в учебные планы, разработку модулей дополнительного профессионального образования (ДПО), проведение тренингов.
4. Сервисную функцию. Поддержку пользователей в процессе миграции и эксплуатации.

Традиционный подход к выполнению этих функций предполагает формирование штата высококвалифицированных методистов, аналитиков и преподавателей, что сопряжено с высокими временными и финансовыми затратами. Альтернативой выступает создание и использование «интеллектуального» решения – программной подсистемы (в рамках реализации проекта «Korolev AI») для Центра с интегрированными LLM-сервисами, способными автоматизировать рутинные интеллектуальные операции.

Вызовы при внедрении российского ПО и потенциал LLM

Анализ практики перехода образовательных организаций на отечественное программное обеспечение позволяет выделить следующие ключевые проблемные области, в которых применение больших языковых моделей может дать максимальный эффект:

1. Проблема сбора и формализации требований. Вузы представляют собой сложные распределенные структуры с множеством автономных подразделений, использующих специализированное ПО (САПР, математические пакеты, среды разработки, системы управления проектами и др.). Сбор потребностей в разрезе каждой кафедры и лаборатории традиционно проводится через анкетирование и личные встречи, что занимает месяцы и дает неполную картину. LLM могут быть использованы для автоматического анализа текстов обращений, заявок на закупку, отчетов о НИР, учебных планов и рабочих программ дисциплин. Модель, обученная на корпусе внутренних документов университета, способна выявлять неявные потребности в ПО, классифицировать их по типам (офисное, инженерное, научное и другое) и приоритетам, а также генерировать структурированные технические задания для вендоров. Это соответствует принципу целостности цифровых данных и снижает информационную избыточность.
2. Дефицит качественной документации и методических материалов. Одним из главных барьеров перехода на российское ПО является отсутствие или низкое качество пользовательской и технической документации, а также учебно-методических материалов, адаптированных под задачи конкретных специальностей. Вендоры часто предоставляют лишь базовые руководства, не учитывающие специфику инженерного образования. LLM могут решить эту проблему путем:
   • генерации адаптированных инструкций на основе официальной документации вендора и запросов пользователей;
   • создания пошаговых руководств для выполнения типовых учебных заданий;
   • перевода документации (при необходимости) с сохранением терминологической точности;
   • автоматического обновления методических пособий при выходе новых версий ПО.

Генеративный потенциал LLM позволяет в короткие сроки создать библиотеку учебных материалов, покрывающую потребности всех кафедр.

• Подготовка кадров и повышение квалификации. Инициатива 4.2 прямо предусматривает разработку образовательных программ для формирования компетенций студентов. Однако обучение работе с российским ПО должно быть интегрировано в десятки различных курсов — от «Информатики» на младших курсах до специализированных дисциплин на старших. Разработка каждого такого модуля вручную требует участия профильного преподавателя и методиста. LLM могут выступить в роли ассистента преподавателя:
  • генерировать проекты лабораторных работ и практических заданий с использованием конкретного ПО;
  • создавать тестовые вопросы для проверки усвоения материала;
  • формировать индивидуальные задания для студентов с учетом их траектории обучения;
  • предоставлять студентам возможность задавать вопросы в чат-боте, обученном на документации по ПО, получая мгновенные ответы 24/7.
  • Техническая поддержка и сопровождение. В период массового перехода на новое ПО резко возрастает нагрузка на службы технической поддержки. Типовые вопросы пользователей часто повторяются, но требуют оперативных и точных ответов. Внедрение LLM-ассистента в интерфейс корпоративного портала позволит:
  • автоматически отвечать на часто задаваемые вопросы по работе с российским ПО;
  • помогать пользователям формулировать запросы в техподдержку, заполняя необходимые поля и прикладывая системную информацию;
  • анализировать поступающие инциденты, выявлять системные проблемы и предлагать вендорам направления для доработки ПО;
  • вести диалог на естественном языке, снижая порог входа для пользователей, не имеющих глубоких технических знаний.

Архитектурная модель интеграции LLM в экосистему Центра

Предлагаемая архитектура строится на принципах модульности, масштабируемости и совместимости с существующей ИТ-инфраструктурой университета и научно-образовательной платформой «Korolev AI».

Ключевым требованием к «интеллектуальному» решению – программной подсистемы является размещение ее программных компонент и цифровых сервисов на собственных серверах для обеспечения безопасности персональных данных и конфиденциальности внутренней информации.

Концептуальная архитектура решения, с учетом использования LLM, включает следующие уровни:

1. Уровень сбора и структурирования данных. На этом уровне осуществляется сбор неструктурированной и структурированной информации из различных источников:
   • внутренние документы (учебные планы, рабочие программы, отчеты кафедр);
   • внешние источники (официальная документация вендоров, форумы, базы знаний);
   • обращения пользователей (заявки в техподдержку, вопросы на портале).

На этом уровне LLM выполняет функции:

• – распознавания сущностей (названия ПО, версии, типы задач);
• – классификации запросов и документов по тематическим рубрикам;
• – аннотирования и реферирования длинных текстов.

Результатом работы LLM является структурированная база знаний Центра, содержащая связанные между собой требования, методики, инструкции и вопросы пользователей [[4]].

• Уровень анализа и генерации контента. Данный уровень включает набор LLM-сервисов, решающих прикладные задачи:
  • Аналитический сервис. Формирует сводные отчеты о потребностях подразделений, выявляет тренды, предлагает приоритетные направления для закупок и разработки методик.
  • Методический сервис. Генерирует черновики инструкций, руководств и стандартов на основе официальной документации вендора и утвержденных шаблонов университета.
  • Образовательный сервис. Создает проекты лабораторных работ, тестов, кейсов для включения в учебные курсы, а также интегрируется с системой управления обучением (англ. Learning Management System, LMS) для автоматического наполнения курсов.
  • Сервис поддержки. Питает знаниями чат-бота «Korolev AI» и систему автоматических ответов.
• Уровень взаимодействия. Этот уровень обеспечивает интерфейсы для всех категорий пользователей:
  • Портал Центра с поиском по базе знаний, возможностью задать вопрос LLM-ассистенту «Korolev AI», получить персональные рекомендации по освоению ПО.
  • Интеграционные модули с LMS, корпоративным порталом и службой технической поддержки ИТ, позволяющие вызывать LLM-сервисы из привычных пользовательских интерфейсов.
  • API для вендоров, через который они могут получать агрегированные запросы и предложения по улучшению своих продуктов.

Критически важным компонентом является система контроля качества и безопасности. Все генерируемые LLM материалы (инструкции, ответы) должны проходить проверку модераторами (экспертами Центра) перед публикацией. Механизмы обратной связи позволяют пользователям оценивать качество ответов, что формирует данные для дообучения моделей.

Вклад LLM в достижение целевых показателей программы развития

Интеграция больших языковых моделей в работу Центра продвижения российского ПО позволяет существенно ускорить достижение целевых показателей, зафиксированных в программе развития университета.

Во-первых, автоматизация сбора и анализа требований сокращает время формирования консолидированной позиции университета перед вендорами, что напрямую влияет на скорость перехода на отечественное ПО.

Во-вторых, генерация методических материалов с помощью LLM позволяет масштабировать процесс обучения: вместо разработки одного курса за несколько месяцев, Центр может создавать десятки модулей параллельно.

В-третьих, LLM-ассистент снимает нагрузку с преподавателей и сотрудников техподдержки, отвечая на типовые вопросы и высвобождая время для решения сложных задач.

Согласно программе развития, к 2030 году доля используемых отечественных программно-аппаратных комплексов должна достичь 90 %, а доля оцифрованных бизнес-процессов — 95 %. Без внедрения интеллектуальных инструментов, подобных LLM, достижение этих показателей в сжатые сроки представляется маловероятным. Предлагаемая концептуальная архитектура позволяет создать самообучающуюся экосистему, где каждый запрос пользователя, каждый новый документ вендора и каждый разработанный методический материал становятся частью базы знаний университета, постоянно повышая качество и полноту технической и информационной поддержки.

Заключение

Инициатива 4.2 «Центр продвижения российского программного обеспечения» является ключевым элементом стратегии МГТУ им. Н.Э. Баумана по обеспечению технологической независимости и достижению целевых показателей цифровой зрелости. Реализация этой инициативы сталкивается с вызовами, связанными с масштабом и разнообразием потребностей университетского сообщества, дефицитом качественной документации и необходимостью массового обучения.

Большие языковые модели предоставляют инструментарий для эффективного преодоления этих вызовов. Их применение в задачах анализа требований, генерации методических материалов, создания образовательного контента и интеллектуальной поддержки пользователей позволяет на порядок увеличить производительность Центра и обеспечить плавный и быстрый переход на отечественное программное обеспечение. Предложенная концептуальная архитектурная модель, основанная на размещении LLM-сервисов на собственных серверах университета, соответствует требованиям информационной безопасности и позволяет создать устойчивую, развивающуюся экосистему продвижения российского ПО.

Дальнейшие исследования должны быть направлены на выбор конкретных архитектур LLM (с учетом требований к вычислительным ресурсам, качеству генерации, критериям доверия и вопросам этики), разработку методик дообучения и тонкой настройки работы модели на основе специализированных текстов (инженерная документация, учебные пособия и другое) и создание системы оценки качества генерируемых материалов [[5], [6]]. Успешная реализация данного подхода в МГТУ им. Н.Э. Баумана может стать модельным решением для тиражирования в других вузах России в рамках выполнения задач национальной программы импортозамещения в образовании.

Литература

---

[1] . Указ Президента Российской Федерации от 28.02.2024 г. № 145. О Стратегии научно-технологического развития Российской Федерации [Электронный ресурс] 2024 URL: http://www.kremlin.ru/acts/bank/50358 (дата обращения: 16.03.2026). – Текст: электронный.

[2] . Программа развития Федерального государственного автономного образовательного учреждения высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» на 2025–2036 годы [Электронный ресурс] 2025 URL: https://bmstu.ru/sveden/priority-2030 (дата обращения: 01.03.2026). – Текст: электронный.

[3] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Интеграция больших языковых моделей в образовательную экосистему МГТУ им. Н.Э. Баумана: кейс платформы «Korolev AI» // Science and technology research – 2026: сборник статей Международной научно-практической конференции (5 февраля 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 34-41. DOI: 10.46916/09022026-1-978-5-00276-001-5

[4] . Кхант, К. З. Модель анализа больших данных для внедрения умных университетов / К. З. Кхант, С. Е. Сосенушкин // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2021. – № 8. – С. 72-75. – DOI 10.37882/2223-2966.2021.08.17. – EDN OWCPHX.

[5] . Чесалов А.Ю. Актуальные вопросы этики применения искусственного интеллекта в промышленности // «Научный поиск: фундаментальные и прикладные аспекты»: сборник статей III Международной научно-практической конференции (29 января 2026 г., г. Петрозаводск). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 11-17. DOI 10.46916/02022026-6-978-5-00215-995-6

[6] . Чесалов А.Ю. Этические аспекты использования искусственного интеллекта в промышленности // Автоматизация в промышленности. – 2025. – №10. – С. 33 – 39.