DSA Faculty
API
← к списку преподавателей

Сластников Сергей Александрович

Институт робототехнических систем

Профиль на hse.ru ↗ тел.: +7 (495) 772-95-90 | 15102 | 15532
Публикаций
21
Языков
1
Наград
9
Конференций
3
Профиль Публикации (21) Курсы (13)

Профессиональные интересы

методы оптимизациидискретная математикапараллельные вычислениятехнологии программирования

Должности

  • Заместитель директора — Институт робототехнических систем
  • Доцент — Московский институт электроники и математики им. А.Н. Тихонова, Департамент прикладной математики
  • Начальник отдела — Московский институт электроники и математики им. А.Н. Тихонова, Отдел прикладного искусственного интеллекта
  • Академический руководитель образовательной программы — Прикладные модели искусственного интеллекта
  • Руководитель программы повышения квалификации — Искусственный интеллект: спектр решений для бизнеса
  • Руководитель программы повышения квалификации — Современные технологии искусственного интеллекта: внедрения и эффекты

Био

  • · Начал работать в НИУ ВШЭ в 2014 году.
  • · Научно-педагогический стаж: 14 лет.

Образование

  • 2015 · Кандидат наук
  • 2010 · Специалитет: Московский государственный институт электроники и математики, факультет: Прикладная математика, специальность «Прикладная математика», квалификация «Инженер-математик»

Опыт работы

  • · 2014 - н.в.: : Ст. преподаватель, доцент НИУ ВШЭ
  • · 2009 - 2014: : Инженер-программист ФГБОУ ВПО РГУФКСМиТ
  • · 2008 - 2009: : Инженер-программист ЗАО НТЦ "РУПКОР"

Награды и поощрения

  • · Благодарность проректора НИУ ВШЭ (ноябрь 2025)
  • · Благодарность проректора НИУ ВШЭ (октябрь 2024)
  • · Почетная грамота Московского института электроники и математики (февраль 2021)
  • · Лучший преподаватель — 2024, 2017
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Будущие профессора" (2018)Категория "Новые преподаватели до 30 лет" (2016–2017)
  • · Лучший академический руководитель в номинации «Цифровые навыки студентов» — 2024–2025
  • · Лучший академический руководитель в номинации «Прием иностранных студентов» — 2025
  • · Лучший академический руководитель в номинации «Удовлетворенность студентов качеством образовательной программы» — 2025
  • · Лучший академический руководитель в номинации «Лояльность студентов к продолжению образования в НИУ ВШЭ» — 2024

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Конференции (3)

Показать все
  • · 2017: International Conference on Computer Simulation in Physics and beyond (Москва). Доклад: Method for detecting data synchronization errors in distributed information systems
  • · 2016: Cуперкомпьютерное моделирование в естественных и инженерных науках (Supercomputer Simulations in Science and Engineering) (Москва). Доклад: Modeling of multi depot vehicle routing problem for petroleum products
  • · 2014: 2nd International Conference on Information Technology and Quantitative Management (ITQM 2014) (Москва). Доклад: A metaheuristic approach for the problem of motor fuel distribution

Идентификаторы исследователя

Публикации (21)

Проектирование архитектуры программного обеспечения для анализа цифрового следа в образовательных системах

2025 · ARTICLE · ru

Современные образовательные системы аккумулируют большие объемы данных о цифровой активности студентов в различных информационных системах, однако эффективное использование этих данных для персонализации образования остается нерешенной задачей. Формирование цифрового профиля обучающегося позволяет систематизировать разрозненные данные и использовать их для поддержки педагогических решений. В статье представлена модель формирования цифрового профиля на основе системного подхода к анализу данных цифрового следа студентов. Исследование опирается на количественные методы обработки образовательных данных из различных источников (LMS, корпоративные чаты, системы управления проектами) с применением статистического анализа, кластеризации и регрессионного моделирования. Эмпирической базой послужили данные МИЭМ НИУ ВШЭ за период 2019–2025 гг. Разработанная структура цифрового профиля включает академический, поведенческий, социальный и компетентностный компоненты. Предложены шесть математически обоснованных метрик цифрового следа (TD, ZTD, G, ZG, FD, SK), позволяющих объективно оценивать образовательную активность. Выявлена статистически значимая корреляция между показателями цифрового профиля и академической успеваемостью. Разработанная методика позволяет образовательным учреждениям эффективно интегрировать данные из различных цифровых систем для мониторинга образовательного процесса, раннего выявления рисков академической неуспеваемости и персонализации обучения. Технические решения для формирования цифрового профиля могут быть внедрены как элементы цифровой образовательной экосистемы в различных учебных заведениях. Новизна исследования заключается в системном подходе к интеграции разнородных источников цифрового следа и разработке унифицированных метрик его оценки.

DOI ↗ PDF ↗

Software and hardware solution for the problem of searching for lost people based on UAV data

2025 · CHAPTER · en

An algorithmic and architectural solution is presented for the Search And Rescue (SAR) problem in open areas using image data from UAVs in real time. The solution is an original software and hardware complex that includes a UAV, on-board deployed machine vision application with a novel object detection model and a transmitter to send coordinates of found people to a ground station for further management of a SAR operation.

DOI ↗ PDF ↗

ПРИЛОЖЕНИЕ ПОИСКА, АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ДАННЫХ В СОЦИАЛЬНЫХ СЕТЯХ

2024 · ARTICLE · ru

В статье описывается веб-сервис, предназначенный для поиска, выгрузки и анализа данных из социальных сетей и мессенджеров, а также демонстрируется его применение для исследования сообществ социальной сети «Вконтакте». Веб-сервис позволяет выявлять типичные профили пользователей сообществ, оценивать эмоциональную окраску постов и комментариев, а также прогнозировать вектор развития сообществ. Описанный в работе веб-сервис обладает обширными функциональными возможностями и оригинальной нейросетевой моделью классификации текстов произвольной длины по эмоциональной окраске. Представлены примеры работы инструмента для анализа развития сообществ автомобильных брендов. Анализ охватывает миллионные аудитории подписчиков, десятки тысяч постов и сотни тысяч комментариев, что подтверждает релевантность выборок и достоверность результатов.

DOI ↗ PDF ↗

Some Features of Sentiment Analysis for Russian Language Posts and Comments from Social Networks

2021 · ARTICLE · en

Sentiment analysis of different language texts is one of the very popular machine learning tasks. The complexity of its solution depends both on the characteristics of a particular language, and on the length of the evaluated texts. In our work, we consider the task of creating a sentiment analysis software tool for Russian posts and comments from the most popular social networks without any domain restriction. The features of constructing both the algorithmic and the software parts of the problem are described, some quality and performance metrics of the suggested neural network system are presented.

DOI ↗

Predictive models for metrological data of engineering systems

2021 · ARTICLE · en

Paper is devoted to the predictive models for metrological indicators on the real estate engineering infrastructure. The solution is in demand among many enterprises both in terms of security and economic considerations. The key task is to build a mathematical model performing predictions on the real data samples. We study both classical predictive models (ARIMA, SARIMA) and modern machine learning based approaches (RBF, LSTM), and compare them.

DOI ↗

Blockchain Technology to Manage the Energy Supply of Real Estate

2021 · CHAPTER · en

In the framework of creating a digital ecosystem of commercial real estate objects, the main problem is the formation of a digital environment for managing all components of engineering systems that ensure the vital activity of the real estate object. The aim of this work is to develop a system for accounting for mutual settlements for electricity consumed on the basis of a distributed ledger using blockchain technology. To assess the effectiveness of the system a simulation model was built using AnyLogic system. Based on the model the system architecture was designed and a software application of the distributed ledger was developed.

DOI ↗

BUILDING THE RUSSIAN ACADEMIC PHRASE BANK: A DEEP LEARNING APPROACH.

2021 · PREPRINT · en

This study contributes to pedagogically-oriented linguistic research aimed at building academic phrase banks, which lists formulaic expressions and meaningful lexical units aligned with their communicative functions. We explore how deep learning techniques can be applied to pragmatic annotation of academic discourse. The study reports the results of the corpus-based experiment on combining a rule-based annotation and a deep learning model. We developed an annotation scheme, connecting classes, derived from the previous research, with their linguistic realizations, recommended in the literature and extended by the means of similar words in SketchEngine. Having a delineated view, supported by the key word lists, annotators collected a corpus of textbook on political science, containing 850, 000 tokens after automatic preprocessing, and then prepared two datasets for training and testing a deep learning model. This approach allowed to achieve the general kappa of inter-annotator agreement of 0.82 and F1-score of 0.87 for the LSTM model with lemmatized ELMo embeddings. The error-analysis and linguistic examination of results demonstrated that the proposed model operates well enough on recognizing key phrases and correct predictions of key words in extended context. However, the model is sensitive to words with multiple derivates, such as действовать and определять, frequent in Russian academic discourse and causing wrong predictions. The paper discussed the ways to eliminate the observed noise for ELMo embeddings by adding more fine-graded techniques to the annotation procedure.

PDF ↗

ОСОБЕННОСТИ ПОСТРОЕНИЯ ИНТЕГРИРОВАННОЙ ЦИФРОВОЙ ОБРАЗОВАТЕЛЬНОЙ СРЕДЫ ДЛЯ ИНЖЕНЕРНОГО ОБРАЗОВАНИЯ

2020 · CHAPTER · ru

Описаны подходы и технологии, применяемые для построения цифровой образовательной среды при обучении студентов инженерных специальностей в МИЭМ НИУ ВШЭ. Данная среда призвана охватить все аспекты образовательного процесса для инженеров с учетом современных тенденций высшего образования, в частности, академическую и проектную составляющие, онлайн- и офлайн-компоненты образовательного процесса.

The Features of Building Integrated Digital Educational Environment for Engineering Education

2020 · CHAPTER · en

The work describes the approaches and technologies applied in building the digital educational environment for training students of engineering courses in MIEM HSE. Such an environment intended to cover all aspects of the educational process for engineers, considering modern tendentiousness of higher education: particularly, academic and project parts, online and offline components of the educational process.

DOI ↗ PDF ↗

Construction of computing balancing model in the Internet of Things devices system

2019 · ARTICLE · en

This article is dedicated to our work in field of research and development of a math model for load balancing in the Internet of things (IoT). Here, we perform analysis and classification of tasks in the IoT devices system. We split subprograms in following systems on balancing and non-balancing. Next, we classify balancing subprograms by different parameters. Then, based on those classifications, we construct model for load balancing in IoT. With that model, in future we can perform modeling IoT devices systems and found pros and contras of each balancing algorithm

DOI ↗

Курсы (13)