Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Роль научно-образовательной платформы «Королев ИИ» в развитии цифровой кафедры технического университета // «Актуальные проблемы науки и образования в условиях современных вызовов», (2026, Москва) / Сборник материалов LV Международной научно-практической конференции – ООО «Издательство Академическая среда», 2026 – С. 294 – 305. DOI: 10.62994/4449.2026.79.89.020

***

Аннотация. В статье рассматривается роль ИИ-сервисов научно-образовательной платформы «Королев ИИ», в частности больших языковых моделей, в создании и развитии Цифровой кафедры МГТУ им. Н.Э. Баумана, как ключевого элемента стратегии формирования цифровых компетенций обучающихся. На основе анализа Программы развития университета обосновывается необходимость интеграции больших языковых моделей в процессы профессиональной переподготовки по ИТ-профилю, формирования цифровых компетенций у студентов не-ИТ-специальностей и повышения квалификации выпускников. Предложена концептуальная архитектурная модель интеллектуальной Цифровой кафедры, включающая сервисы адаптивного обучения, генерации учебного контента, интеллектуальной поддержки обучающихся, автоматизированной оценки компетенций и интеграции с индустриальными партнерами. Показан вклад предлагаемых решений в достижение целевых показателей: увеличение численности лиц, прошедших обучение по программам Цифровой кафедры, до 1500 человек ежегодно (с учетом перехода к устойчивому режиму) и обеспечение массовой подготовки специалистов в области больших данных, искусственного интеллекта, кибербезопасности и создания ИТ-продуктов.

Abstract. This article examines the role of AI services from the “Korolev AI” scientific and educational platform, particularly large-scale language models, in the creation and development of the Digital Department at Bauman Moscow State Technical University as a key element of the strategy for developing students’ digital competencies. Based on an analysis of the University Development Program, the need for integrating large-scale language models into professional retraining processes in IT, developing digital competencies in students majoring in non-IT fields, and continuing education for graduates is substantiated. A conceptual architectural model of an intelligent Digital Department is proposed, including adaptive learning services, educational content generation, intelligent student support, automated competency assessment, and integration with industrial partners. The proposed solutions’ contribution to achieving target indicators is demonstrated: increasing the number of people trained in the Digital Department’s programs to 1,500 annually (taking into account the transition to a sustainable mode) and ensuring mass training of specialists in big data, artificial intelligence, cybersecurity, and IT product development.

Введение

Формирование цифровых компетенций у обучающихся является одной из приоритетных задач образовательной политики МГТУ им. Н.Э. Баумана, зафиксированных в Программе развития университета на период до 2036 года. В структуре программы Цифровая кафедра определена как ключевой инструмент реализации этой задачи, обеспечивающий процесс обучения по дополнительным профессиональным программам профессиональной переподготовки (ДПП ПП) параллельно с освоением основной образовательной программы высшего образования [[1]].

Программа развития фиксирует амбициозные целевые показатели для Цифровой кафедры: численность лиц, завершивших обучение на бесплатной основе на цифровых кафедрах университета, должна составить 2000 человек в 2026 году и далее поддерживаться на уровне 1500 человек ежегодно. При этом Цифровая кафедра ориентирована на три ключевые целевые группы:

• обучающиеся по специальностям и направлениям подготовки, не отнесенным к ИТ-сфере, в части формирования цифровых компетенций в области создания алгоритмов и компьютерных программ;
• обучающиеся по специальностям и направлениям подготовки ИТ-сферы, в части формирования навыков использования и освоения цифровых компетенций в приоритетных областях: большие данные, искусственный интеллект, кибербезопасность и защита данных, программирование и создание ИТ-продуктов, управление, основанное на данных;
• лица, получившие высшее образование ранее, для освоения новых видов профессиональной деятельности.

Достижение этих показателей требует масштабирования образовательных процессов, что в условиях ограниченных ресурсов (преподавательский состав, учебные площади) невозможно без внедрения интеллектуальных инструментов автоматизации. В этой связи особую актуальность приобретает использование ИИ-сервисов научно-образовательной платформы «Королев ИИ», и, в частности, больших языковых моделей (англ. Large Language Model, LLM), способных обеспечить адаптивное обучение, генерацию персонализированного контента, интеллектуальную поддержку и автоматизированную оценку компетенций, которые были подробно рассмотрены в работах [[2], [3], [4], [5], [6]].

Цель настоящей работы — обосновать роль больших языковых моделей, как интеллектуального ядра Цифровой кафедры, и предложить концептуальное архитектурное решение для их интеграции в процессы формирования цифровых компетенций.

Цифровая кафедра в процессе цифровой трансформации

Анализ Программы развития позволяет выделить ключевые задачи, инструменты и целевые группы Цифровой кафедры:

1. Задачи Цифровой кафедры. Программа развития определяет следующие задачи в сфере формирования цифровых компетенций [[7], [8]]:
   • формирование навыков использования цифровых технологий у обучающихся, в том числе у студентов ИТ-специальностей, через включение в основные образовательные программы необходимых дисциплин, разработанных с учетом рекомендаций опорного образовательного центра и компаний цифровой экономики;
   • профессиональная переподготовка обучающихся в целях получения дополнительной квалификации по ИТ-профилю для студентов не-ИТ-специальностей;
   • профессиональная переподготовка для студентов ИТ-сферы в части формирования навыков в приоритетных областях цифровых компетенций;
   • повышение квалификации и профессиональная переподготовка лиц, получивших высшее образование ранее, в том числе по непрофильным для ИТ-сферы направлениям.
2. Инструменты реализации. Программа развития университета выделяет следующие инструменты для решения поставленных задач:
   • реализация проекта «Цифровая кафедра», обеспечивающего обучение по ДПП ПП параллельно с освоением основной образовательной программы;
   • включение в самостоятельно устанавливаемые образовательные стандарты соответствующих цифровых компетенций;
   • включение в учебные планы и индивидуальные образовательные траектории дисциплин, необходимых для формирования цифровых компетенций;
   • реализация программ академической мобильности обучающихся в университетах-лидерах по формированию цифровых компетенций;
   • реализация стажировок и практик обучающихся в организациях приоритетных отраслей экономики;
   • проведение интенсивов, проектных сессий, модулей, хакатонов, соревнований по ускоренному формированию цифровых компетенций;
   • проведение независимой оценки цифровых компетенций обучающихся;
   • создание необходимой материальной базы — компьютерной техники и программ;
   • разработка цифровых сервисов с последующим масштабированием лучших практик.
3. Приоритетные области цифровых компетенций. Программа развития выделяет следующие приоритетные области, в которых Цифровая кафедра должна формировать компетенции: большие данные; искусственный интеллект; кибербезопасность и защита данных; программирование и создание ИТ-продуктов; управление, основанное на данных.

Ограничения традиционных подходов к реализации Цифровой кафедры

Традиционные подходы к организации массовой подготовки по программам Цифровой кафедры сталкиваются с рядом следующих фундаментальных ограничений:

1. Дефицит преподавательских ресурсов. Подготовка тысяч обучающихся по программам профессиональной переподготовки требует привлечения большого числа высококвалифицированных преподавателей, способных вести занятия по актуальным направлениям (большие данные, ИИ, кибербезопасность). Дефицит таких специалистов на рынке труда ограничивает масштабирование программ.
2. Сложность персонализации обучения. Обучающиеся на Цифровой кафедре имеют различный уровень базовой подготовки (от гуманитариев до студентов ИТ-специальностей). Унифицированные учебные материалы не учитывают этих различий, что снижает эффективность обучения для значительной части аудитории.
3. Высокая нагрузка на проверку и оценку. Программы профессиональной переподготовки предполагают выполнение практических заданий, проектов, лабораторных работ. Проверка этих работ вручную требует огромных временных затрат преподавателей, что становится критическим барьером при масштабировании.
4. Ограниченные возможности для практико-ориентированного обучения. Программы Цифровой кафедры должны быть ориентированы на формирование практических компетенций, востребованных в реальном секторе экономики. Однако создание достаточного количества актуальных практических кейсов для тысяч обучающихся является сложной задачей. Большие языковые модели могут преодолеть эти ограничения, обеспечивая: автоматическую генерацию учебных материалов, заданий и кейсов; персонализацию обучения на основе профиля и уровня подготовки обучающегося; интеллектуальную поддержку (тьюторство) 24/7; автоматизированную проверку практических заданий; анализ прогресса и выявление точек риска; генерацию рекомендаций по индивидуальной траектории обучения.

Потенциал ИИ-сервисов в реализации базовых функций

ИИ-сервисы научно-образовательной платформы «Королев ИИ» могут применяться на всех этапах образовательного процесса Цифровой кафедры [[9], [10], [11]], а именно:

1. Адаптивное формирование индивидуальных траекторий. На основе диагностики уровня подготовки, профессиональных интересов и карьерных целей обучающегося LLM может:
   • определять оптимальный набор модулей для освоения в рамках программы профессиональной переподготовки;
   • рекомендовать последовательность изучения тем с учетом индивидуальных особенностей;
   • адаптировать глубину погружения в материал в зависимости от целей (формирование базовых навыков vs углубленная подготовка).
2. Генерация и адаптация учебного контента. LLM могут существенно ускорить создание и обновление учебных материалов:
   • Генерация теоретических материалов. Создание структурированных текстов лекций, конспектов, схем по заданной теме с учетом уровня сложности.
   • Генерация практических заданий. Создание разнообразных заданий, лабораторных работ, кейсов по теме, с возможностью автоматической генерации вариантов для разных студентов.
   • Адаптация существующих материалов. Переработка материалов для разных уровней подготовки, перевод на различные языки (для иностранных студентов), адаптация под различные контексты применения.
3. Интеллектуальная поддержка обучающихся (ИИ-ассистент или ИИ-ассистент). ИИ-ассистент, интегрированный в образовательную среду Цифровой кафедры, может:
   • отвечать на вопросы студентов по учебным материалам в любое время суток;
   • помогать в решении практических задач, объясняя алгоритмы и принципы;
   • направлять студента к дополнительным ресурсам при обнаружении пробелов в знаниях;
   • предоставлять обратную связь по выполненным заданиям, указывая на ошибки и предлагая пути их исправления.
4. Автоматизированная оценка компетенций. LLM могут выполнять предварительную проверку различных типов заданий:
   • Оценку разрабатываемого программного кода. Анализ программного кода на корректность, эффективность, соответствие стандартам, выявление типовых ошибок.
   • Оценку проектной документации. Анализ текстовых отчетов, спецификаций, архитектурных описаний на соответствие требованиям.
   • Оценку ответов на открытые вопросы. Анализ развернутых ответов, выявление ключевых элементов, формирование рекомендаций.
5. Интеграция с индустриальными партнерами. LLM могут обеспечивать связь образовательного процесса с потребностями рынка труда:
   • анализ требований индустриальных партнеров к компетенциям для актуализации образовательных программ;
   • генерация кейсов на основе реальных задач из практики индустриальных партнеров;
   • сопоставление профилей обучающихся с потребностями работодателей для организации стажировок и трудоустройства.

Концепция архитектурной модели

Для интеграции LLM в процессы Цифровой кафедры предлагается трехуровневая архитектура, обеспечивающая масштабируемость и адаптивность.

1. Уровень сбора и анализа данных. Данный уровень формирует цифровой профиль каждого обучающегося:
2. Данные о базовой подготовке. Результаты входного тестирования, уровень владения программированием, математической подготовкой.
3. Данные об образовательной активности. Прогресс в освоении материалов, результаты выполнения заданий, время изучения, успешность.
4. Данные о взаимодействии с ИИ-ассистентом. Вопросы, возникающие трудности, темы, требующие дополнительного объяснения.
5. Внешние данные. Требования работодателей, актуальные тренды в ИТ-отрасли, данные о востребованности компетенций.

ИИ-сервисы на этом уровне выполняют анализ текстов, выявление латентных проблем, формирование векторных представлений профиля.

• Уровень образовательных сервисов. На этом уровне развертываются специализированные ИИ-сервисы:
  • Сервис формирования персонализированных траекторий обучения на основе профиля студента и требований программы.
  • Сервис генерации учебных материалов, заданий, кейсов по запросу, с возможностью адаптации под уровень и контекст.
  • Сервис интеллектуальной поддержки, обеспечивающий круглосуточное консультирование, помощь в решении задач, объяснение сложных концепций.
  • Сервис автоматизированной оценки, проверяющий программный код, документацию, ответы на открытые вопросы, формирующий обратную связь.
  • Сервис сопоставления компетенций с требованиями рынка, рекомендаций по дальнейшему развитию и трудоустройству.
• Уровень взаимодействия. Этот уровень обеспечивает доступ к сервисам для различных категорий пользователей:
  • Портал Цифровой кафедры. Единая точка доступа для обучающихся, с персонализированным интерфейсом, включающим ИИ-ассистента, рекомендации, прогресс, материалы.
  • Рабочее место преподавателя. Интерфейс для управления курсами, мониторинга прогресса студентов, проверки сложных заданий, взаимодействия с ИИ-ассистентом.
  • Личный кабинет тьютора/методиста. Инструменты для анализа эффективности образовательных программ, актуализации материалов, управления контентом.
• API для интеграции. Программные интерфейсы для встраивания LLM-сервисов в существующую платформу обучения (англ. Learning Management System, LMS) и корпоративные системы университета.

Вклад ИИ-моделей в достижение целевых показателей

Интеграция LLM позволяет существенно увеличить масштаб и качество подготовки на Цифровой кафедре, а именно:

1. Увеличить численность обучающихся. Автоматизация проверки заданий, генерации контента и интеллектуальной поддержки позволяет одному преподавателю сопровождать значительно большее количество студентов. ИИ-ассистент берет на себя рутинные консультации, освобождая время преподавателя для содержательного взаимодействия. Это создает возможности для масштабирования программ Цифровой кафедры до запланированных показателей (1500 человек ежегодно).
2. Повысить качество подготовки. Персонализация обучения на основе анализа профиля студента обеспечивает более эффективное освоение материала. Адаптивные траектории позволяют студентам с разным уровнем подготовки двигаться в комфортном темпе. Немедленная обратная связь от ИИ-ассистента и автоматизированной оценки ускоряет обучение и снижает риск закрепления ошибок.
3. Обеспечить актуальность программ. ИИ-сервисы, анализирующие требования рынка труда и публикации по приоритетным направлениям (большие данные, ИИ, кибербезопасность), позволяют оперативно актуализировать содержание программ, включая новые знания и технологии. Это особенно важно для областей, развивающихся экспоненциально.
4. Реализовать интеграцию с практико-ориентированным обучением. Генерация кейсов на основе реальных задач индустриальных партнеров, а также автоматизированная проверка проектов, приближенных к реальным, повышают практическую ценность обучения. Сервис сопоставления компетенций с требованиями рынка, рекомендаций по дальнейшему развитию и трудоустройству помогает студентам увидеть связь между освоенными компетенциями и возможностями трудоустройства.

Реализация приоритетных областей через ИИ-сервисы

Для каждой из приоритетных областей, выделенных программой развития университета, LLM и ИИ-сервисы, разрабатываемой в университете научно-образовательной платформы «Королев ИИ», могут выполнять следующие специфические функции:

1. Большие данные:
   • Генерация датасетов для учебных проектов с заданными характеристиками;
   • Помощь в написании запросов, например, на SQL, PySpark, синтаксисе распределенных вычислений и других;
   • Объяснение принципов работы распределенных систем обработки данных;
   • Визуализация и интерпретация результатов анализа данных.
   • Искусственный интеллект:
   • Генерация кода для нейросетевых архитектур;
   • Объяснение принципов работы различных алгоритмов машинного обучения;
   • Помощь в отладке моделей и интерпретации результатов обучения;
   • Генерация заданий по разработке LLM-приложений (промпт-инжиниринг, кастомизация и другие).
2. Кибербезопасность и защита данных:
   • Анализ учебного кода на наличие уязвимостей (OWASP Top 10);
   • Генерация сценариев для учебных киберполигонов;
   • Объяснение принципов криптографических алгоритмов и протоколов;
   • Формирование заданий по анализу логов и выявлению инцидентов.
   • Программирование и создание ИТ-продуктов:
   • Генерация кода на различных языках программирования;
   • Рефакторинг и оптимизация учебного кода;
   • Создание шаблонов проектной документации;
   • Помощь в освоении систем контроля версий и CI/CD (англ. Continuous Integration / Continuous Delivery/Deployment).
3. Управление, основанное на данных:
   • Формирование аналитических отчетов по запросу на естественном языке;
   • Генерация дашбордов и визуализаций для учебных проектов;
   • Объяснение методов статистического анализа и прогнозирования;
   • Создание кейсов по принятию управленческих решений на основе данных.

Направления дальнейших исследований

Внедрение LLM в Цифровую кафедру сопряжено с рядом вызовов, требующих системного решения.

1. Обеспечение академической честности. Использование LLM студентами для выполнения заданий создает риски недобросовестного поведения. Необходима разработка:
   • методов, позволяющих отличать работу, выполненную с помощью LLM как инструмента, от работы, где LLM полностью подменяет студента;
   • педагогических подходов, интегрирующих LLM в учебный процесс как «со-обучающегося», где взаимодействие с моделью является частью задания;
   • систем прокторинга и верификации, учитывающих специфику работы с генеративными моделями.
2. Качество и достоверность ответов ИИ-ассистента. LLM могут генерировать неверные объяснения, особенно в сложных или неоднозначных темах [[12], [13], [14]]. Необходимо:
   • внедрение механизмов верификации ответов, включая ссылки на авторитетные источники;
   • создание системы контроля качества ответов с участием преподавателей;
   • разработка гибридных архитектур, где LLM дополняется формальными базами знаний.
3. Интеграция с существующими образовательными процессами. Для полноценной реализации потенциала LLM необходимо:
   • обеспечить совместимость LLM-сервисов с LMS и корпоративной информационной системой университета;
   • разработать методики использования LLM в различных форматах обучения (синхронном, асинхронном);
   • создать программы повышения квалификации для преподавателей по работе с интеллектуальными инструментами.
4. Техническая инфраструктура. Масштабирование LLM-сервисов на тысячи обучающихся требует:
   • развертывания вычислительной инфраструктуры (GPU-кластеров) на серверах университета;
   • оптимизации моделей для обеспечения приемлемой скорости инференса;
   • разработки системы кэширования и управления очередями запросов.

Заключение

Цифровая кафедра МГТУ им. Н.Э. Баумана является ключевым инструментом формирования цифровых компетенций обучающихся в рамках стратегии опережающей подготовки кадров. Достижение целевых показателей (ежегодная подготовка до 1500 специалистов по программам профессиональной переподготовки к 2028 году) в условиях ограниченных преподавательских ресурсов невозможно без внедрения интеллектуальных инструментов автоматизации.

Большие языковые модели предоставляют технологическую основу для создания интеллектуальной образовательной среды Цифровой кафедры, способной обеспечить персонализированное обучение, автоматическую генерацию контента, круглосуточную интеллектуальную поддержку и автоматизированную оценку компетенций. Предложенная в статье концептуальная трехуровневая архитектура позволяет интегрировать ИИ-сервисы в ключевые процессы Цифровой кафедры, обеспечивая масштабируемость, адаптивность и качество подготовки.

Дальнейшие исследования должны быть направлены на разработку конкретных LLM-сервисов для каждой из приоритетных областей (большие данные, ИИ, кибербезопасность), создание методик оценки эффективности их применения, обеспечение академической честности при использовании ИИ в образовании, а также на интеграцию с отечественными программно-аппаратными платформами. Успешная реализация данного подхода позволит университету не только достичь целевых показателей программы развития, но и создать образовательную модель, тиражируемую для других вузов России в рамках задачи массовой подготовки кадров для цифровой экономики.

Литература

---

[1] . 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.

[2] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Искусственный интеллект и большие языковые модели как сквозная технология реализации стратегии развития МГТУ им. Н.Э. Баумана // New science award 2026: сборник статей Международного научно-исследовательского конкурса (30 марта 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — C. 51-60. DOI 10.46916/01042026-3-978-5-00276-044-2

[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] . Литвинова Е.Е., Витер Д.А., Чесалов А.Ю. Цифровая платформа «Путь Инженера» как системообразующий элемент стратегии развития МГТУ им. Н.Э. Баумана: аспект применения больших языковых моделей // Достижения в образовательной деятельности – 2026: сборник статей Международного научно-исследовательского конкурса (16 марта 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С.53-62. DOI 10.46916/18032026-1-978-5-00276-032-9

[5] . 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

[6] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Технологии искусственного интеллекта как архитектурный базис форсированного научно-технологического развития // «Современные тенденции развития науки, общества и образования», (2026, Москва) / Сборник материалов XXVI Международной научнопрактической конференции – ООО «Издательство Академическая среда», 2026 – С. 249 – 260. DOI: 10.62994/2290.2026.24.17.009

[7] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как инструмент персонализации и адаптации образования в стратегии развития технического университета // Journal of Monetary Economics and Management. 2026. № 6. С. 96–102. DOI: 10.26118/2782-4586-2026-96-102

[8] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как инструмент цифровой трансформации и развития кадрового потенциала МГТУ им. Н.Э. Баумана // Journal of Monetary Economics and Management. 2026. № 7. С. 455–463. DOI: 10.26118/2782-4586-2026-7-455-463

[9] . Свидетельство о государственной регистрации программ для ЭВМ № 2026667576 Российская Федерация. Программный модуль «Korolev AI.audio.bot» для научно-образовательной платформы «Korolev AI» / Е.Е. Литвинова, М.С. Французов, А.Ю. Чесалов, и др. (RU); правообладатель Федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» (RU). – № 202666719: заявлено 03.06.2026: опубликовано 09.06.2026. Бюл. № 6. – 1 с.

[10] . Свидетельство о государственной регистрации программ для ЭВМ № 2026680138 Российская Федерация. Программный модуль «Korolev AI.text.bot» для научно-образовательной платформы «Korolev AI» / Е.Е. Литвинова, М.С. Французов, А.Ю. Чесалов, и др. (RU); правообладатель Федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» (RU). – № 2026667200: заявлено 03.06.2026: опубликовано 10.07.2026. Бюл. № 7. – 1 с.

[11] . Свидетельство о государственной регистрации программ для ЭВМ № 2026680800 Российская Федерация. Программный модуль «Korolev AI.video.bot» для научно-образовательной платформы «Korolev AI» / Е.Е. Литвинова, М.С. Французов, А.Ю. Чесалов, и др. (RU); правообладатель Федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» (RU). – № 2 2026667232: заявлено 03.06.2026: опубликовано 13.07.2026. Бюл. № 7. – 1 с.

[12] . Чесалов А.Ю. Этика и искусственный интеллект // Современные информационные системы – 2022. – № 1 (19). – С. 52 – 59.

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

[14] . 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