Школа преподавателей облачных технологий

Познакомитесь с облачными технологиями и принципами работы облачной инфраструктуры. Разберётесь, как облако устроено, как управлять ресурсами, данными, доступами и затратами. Научитесь применять облачные сервисы и ИИ-инструменты в образовательных курсах и инфраструктуре вуза. Блок обязателен для всех участников и даёт фундамент для дальнейшей специализации.

Продолжительность: 2 недели, 18 академических часов

После базового блока вы выбираете один из трёх практических треков в соответствии с профилем своих дисциплин.

Продолжительность: каждый трек — 4 недели, 22 академических часа

• Трек «Работа с данными и BI-аналитика»

В этом треке вы пройдёте весь путь работы с данными в DataLens: подготовите их к анализу, выберете способ хранения и подключите к сервису, построите визуализации и дашборды, добавите фильтры и другие интерактивные элементы. Научитесь рассчитывать новые показатели, настраивать обновление данных и выбирать подходящий источник — от простого файла или таблицы до более сложного, а также безопасно организовывать доступ к результатам и при необходимости делиться ими по публичной ссылке. Отдельное внимание — интерпретации: как отличать то, что действительно видно на графике, от гипотез и предположений, и как учить этому студентов. DataLens рассматривается с двух сторон: как инструмент самого преподавателя — анализировать ход курса, сравнивать группы, отслеживать результаты и активность, находить сложные темы, — и как среда для студентов, где они исследуют данные, строят визуализации, сравнивают показатели и формулируют выводы.

Кому будет особенно полезно: преподавателям, которые хотят использовать данные и для улучшения своего курса, и в обучении студентов. Особенно если в вашей дисциплине есть таблицы, показатели, опросы, результаты наблюдений, экспериментов или другие данные, которые можно анализировать и визуализировать.

Что нужно знать заранее: специальная техническая подготовка не нужна. Достаточно понимать, как устроена обычная таблица: строки, столбцы и значения. Знание языков программирования или навыки работы с базами данных для прохождения трека не требуются.

• Трек «Облачная инфраструктура и DevOps»

Разбираем, как устроена облачная инфраструктура и почему она устроена так: сети и группы безопасности, Terraform и подход «инфраструктура как код», контейнеры и Kubernetes^®, балансировка и автоскейлинг, метрики и логи. Параллельно — как превратить всё это в задания, которые студент выполнит без доступа к боевой инфраструктуре. Расскажем как работать с Yandex AI Studio.

Кому будет особенно полезно: преподавателям программной инженерии, системного администрирования, архитектуры информационных систем, сетевых технологий. А также руководителям практик и производственных проектов, где студенты собирают работающие приложения.

Что нужно знать заранее: базовое понимание клиент-серверной архитектуры и работы в командной строке. Опыт администрирования и своя инфраструктура не нужны — ресурсы предоставляются по гранту.

• Трек «Машинное обучение, искусственный интеллект и агенты»

Разбираем, из чего состоит ИИ-агент и чем он отличается от чат-бота: системный промпт, память, инструменты, агентский цикл. Собираем агента в Yandex AI Studio — сначала в интерфейсе, потом через API: настройка модели, температуры, формата ответа, подключение инструментов через Tool Calling и MCP, поиск по своим материалам через RAG. Отдельно — сервисы вокруг: распознавание рукописного текста, перевод, синтез и распознавание речи, Yandex DataSphere для исследовательских задач. Заканчиваем разговором об ответственности: какие задачи можно делегировать ИИ, как студент должен раскрывать его использование и почему результат ИИ-детектора ничего не доказывает.

Кому будет особенно полезно: преподавателям программирования, прикладной информатики, анализа данных — тем, кто хочет дать студентам работу с ИИ как с инструментом, а не как тему для обсуждения.

Что нужно знать заранее: Python^® на уровне чтения и правки чужого кода — значительная часть работы идёт через API.

Помогаем перевести изученные инструменты в конкретное учебное решение, готовое к внедрению или пилотированию в вашем вузе. Проектная работа строится на материале вашей собственной дисциплины, образовательной инфраструктуры или практического кейса.

Продолжительность: 4 недели, 20 академических часов