Искусственный интеллект и машинное обучение

Машинное обучение (Machine Learning, ML) — это сфера искусственного интеллекта, которая позволяет компьютерам самостоятельно находить решения задач через анализ данных. В отличие от традиционного программирования, где каждый шаг прописывается вручную, в машинном обучении создаются универсальные модели, которые “учатся” на примерах. Эта технология не просто автоматизирует процессы, но и создает новые подходы к решению сложных задач, делая их более эффективными и точными.

Open-source решения в области машинного обучения

  • Fedot

    Фреймворк автоматического машинного обучения, который позволяет создавать композитные пайплайны моделирования на данных. Фреймворк не ограничивается отдельными AutoML-задачами, такими как предобработка исходных данных, подбор признаков или оптимизация гиперпараметров моделей, а позволяет решать более общую задачу структурного обучения — для заданного набора данных строится решение в виде графа (DAG), узлы которого представлены моделями МО, процедурами предобработки и трансформации данных.

    Открытый репозиторий разработки

    Конкурентные преимущества:

    • Поддержка произвольных структур ансамблей ML-моделей
    • Работа с различными постановками задач и типами данных (в том числе в мульти-модальном режиме)
    • Возможность добавлять новые модели, методы предобработки, алгоритмы настройки гиперпараметров или другие типы данных
    Fedot
    Схема решения задач автоматического машинного обучения с помощью FEDOT: от запроса пользователя до ответа системы

    Эффекты от внедрения:

    • Ускорение разработки предиктивных моделей не менее, чем в 10 раз
    • В 75% случаев качество моделей превышает лучший аналог, созданный человеком

    УГТ-9

    Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации

    Руководитель разработки:

    к.т.н. Николай Никитин
    nnikitin@itmo.ru

  • FEDOT.Industrial: фреймворк автоматического машинного обучения для промышленных задач

    Предназначен для автоматизации процесса разработки предиктивных моделей на данных для технических систем полного цикла на основе методов эволюционной оптимизации. Поддерживаются задачи прогнозирования, классификации и выявления аномалий для одномерных и многомерных временных рядов, а также пространственно-временных полей различной природы.

    Открытый репозиторий разработки

    Конкурентные преимущества:

    • Универсальность: позволяет решать задачи классификации, регрессии и прогнозирования временных рядов на данных различной природы
    • Интегрируемость: легко объединяется с популярными ML-библиотеками (scikit-learn, keras, CatBoost и др.) и кастомными решениями
    FEDOT.Industrial: фреймворк автоматического машинного обучения для промышленных задач
    Схема процесса разработки предиктивных моделей на данных для технических систем полного цикла с помощью FEDOT.Industrial

    Эффекты от внедрения:

    • Сокращение времени создания и оптимизации композитных моделей в несколько раз
    • Автоматизированное построение пайплайнов позволяет достичь высоких показателей качества прогнозов
    • Оптимизация бизнес-процессов за счёт быстрой адаптации моделей под конкретные задачи

    УГТ-9

    Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации

    Руководитель разработки:

    к.т.н. Илья Ревин
    ierevin@itmo.ru 

  • FEDOT.LLM: интеллектуальный ассистент на основе автоматического машинного обучения

    Предназначен для end-to-end автоматизации создания предиктивных моделей на данных. FEDOT.LLM позволяет преобразовать запрос пользователя в свободной форме в структурированную постановку задачи, в соответствии с ней обработать входные данные, а затем решить задачу с помощью инструментария фреймворка FEDOT или FEDOT.Industrial. Могут быть решены задачи классификации, регрессии, прогнозирования временных рядов и выявления аномалий.

    Открытый репозиторий разработки

    Конкурентные преимущества:

    • Задача формулируется на естественном языке (не требуется знание программирования)
    • Автоматизация подбора решения по системе метрик качества
    • Объяснимость решения и генерация кода решения задачи на Python
    FEDOT.LLM: интеллектуальный ассистент на основе автоматического машинного обучения
    Схема процесса автоматизации создания предикативных моделей с помощью FEDOT.LLM

    Эффекты от внедрения:

    • Ускорение разработки предиктивных моделей не менее, чем в 10 раз
    • В 75% случаев качество моделей превышает лучший аналог, созданный человеком

    УГТ-9

    Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации

    Руководитель разработки:

    к.т.н. Николай Никитин
    nnikitin@itmo.ru

  • Stalactite: фреймворк федеративного обучения на больших данных

    Предназначен для быстрого прототипирования систем вертикального федеративного обучения, ориентирован на исполнение и мониторинг моделей машинного обучения, работающих с распределенными данными. Обеспечивает поддержку обмена данными между сторонами с помощью гомоморфного шифрования и gRPC, оснащен встроенными инструментами для мониторинга (Prometheus, Grafana) и репортинга (MLFlow), а также CLI-интерфейсом для удобного обучения и отслеживания вычислительных процессов.

    Открытый репозиторий разработки

    Конкурентные преимущества:

    • Массивы данных: до 100 млн. записей, до 10 тыс. признаков
    • Набор моделей для работы с таблицами (linreg, logreg, MLP, табличный ResNet) и изображениями (ResNet, EfficientNet)
    • CLI-интерфейс для удобного обучения, инференса, отслеживания статуса
    Stalactite: фреймворк федеративного обучения на больших данных
    Схема процесса прототипирования систем вертикального федеративного обучения с помощью Stalactite

    Эффекты от внедрения:

    • На 10% выше качество предиктивных моделей
    • На 15-30% выше утилизация корпоративных данных

    УГТ-9

    Система используется для решения реальных задач конечных потребителей

    Руководитель разработки:

    к.т.н. Николай Бутаков
    nabutakov@itmo.ru

  • BAMT

    Библиотека моделирования и анализа данных на основе байесовских сетей, включая их применение для заполнения пропусков, генерации синтетических данных, оценки значимости ребер и т.д.

    Открытый репозиторий разработки

    Конкурентные преимущества:

    • Задача формулируется на естественном языке (не требуется знание программирования)
    • Автоматизация подбора решения по системе метрик качества
    • Объяснимость решения и генерация кода решения задачи на Python
    • Алгоритмы работают в том числе со смешанными данными (непрерывные и категориальные значения) 
    • Поддерживаются функции оценки для смешанных данных
    • Для параметрического обучения реализовано использование смеси гауссовых распределений для аппроксимации непрерывных распределений
    • Обеспечено непараметрическое обучение распределений с использованием различных пользовательских моделей регрессии и классификации
    • Доступен алгоритм структурного обучения больших байесовских сетей
    BAMT
    Схема решения различных задач моделирования с помощью BAMT

    Эффекты от внедрения:

    УГТ-9

    Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации

    Руководитель разработки:

    к.ф-м.н. Ирина Деева
    ideeva@itmo.ru 

Ведущие разработки в области машинного обучения

  • Smile.Cloud: платформа для быстрого прототипирования, разработки и обучения моделей на данных

    Предназначена для быстрой разработки и обучения моделей ИИ отраслевыми (предметными) специалистами, не имеющими навыков программирования и работы с базами данных. Обеспечивает подготовку и первичный анализ датасетов, автоматизацию конструирования моделей ИИ в рамках подходов Low/No-Code, возможность создания сложных композитных моделей ИИ из различных компонентов, использования синтетических данных.

    Конкурентные преимущества:

    • Визуальное конструирование модели ИИ на основе графа задач и данных
    • Автоматическое построение графа композитного приложения с помощью AutoML
    • Использование технологии докеров для расчетов композитного приложения на удаленных вычислительных ресурсах
    • Портирование построенной модели в программный код на Python
    Smile.Cloud: платформа для быстрого прототипирования, разработки и обучения моделей на данных
    Основная страница платформы Smile.Cloud с проектами пользователя

    Эффекты от внедрения:

    • Ускорение разработки систем ИИ в 5-14 раз
    • Ускорение обучения использованию ИИ в 2-4 раза

    УГТ-9

    Система используется для решения реальных задач конечных потребителей

    Руководитель разработки:

    к.т.н. Сергей Иванов
    svivanov@itmo.ru

  • Цифровой полигон оценки качества систем ИИ

    Предназначен для экспериментальной оценки качества разработанных систем ИИ по набору метрик в ходе сертификационных испытаний. Обеспечивает объективную оценку и контроль качества (точности), а также границ применимости создаваемых систем ИИ, создание объясняющих процедур к существующим системам ИИ, испытания систем ИИ в экстремальных условиях эксплуатации, а также оценку потенциала развития систем ИИ, определение ресурсной стоимости дальнейших улучшений.

    Конкурентные преимущества:

    • Построение эталонного SOTA-решения с помощью AutoML
    • Имитация различных условий эксплуатации модели на синтетических данных
    • Объективное сравнение нескольких версий одной системы или нескольких систем ИИ на разных принципах
    Цифровой полигон оценки качества систем ИИ
    Проверка качества модели машинного обучения в интерфейсе полигона

    Эффекты от внедрения:

    • Увеличение полноты тестов сертификационных испытаний не менее, чем в 6 раз
    • Снижение трудозатрат на организацию испытаний не менее, чем в 4 раза

    УГТ-9

    Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации

    Руководитель разработки:

    к.т.н. Иван Ходненко
    ivan.khodnenko@itmo.ru

  • Цифровой полигон суррогатного моделирования и реинжиниринга отраслевого ПО в промышленности

    Предназначен для автоматизации построения низкоресурсных суррогатных моделей и цифровых двойников на их основе для различных промышленных объектов и систем. На основе инженерного ПО позволяет создавать базу данных физического моделирования различных состояний объекта, по которой методами автоматического машинного обучения строит и валидирует суррогатные модели. На одной базе данных обеспечивает комплексирование суррогатных моделей разных параметров в форме цифрового двойника на данных, допускающего использование без запуска инженерного ПО.

    Конкурентные преимущества:

    • Автоматическое формирование базы данных путем запуска инженерного ПО на удаленном суперкомпьютере
    • Автоматическое согласование состава базы данных и структуры моделей для достижения требуемой точности
    • Визуальный интерфейс, не требующий знания программирования
    Цифровой полигон суррогатного моделирования и реинжиниринга отраслевого ПО в промышленности
    Интерфейс взаимодействия с цифровым полигоном суррогатного моделирования

    Эффекты от внедрения:

    • Ускорение создания суррогатных моделей – в 2-4 раза
    • Ускорение расчетов по сравнению с физическим моделированием – в 5-50 раз

    УГТ-9

    Прототип системы прошел демонстрацию в эксплуатационных условиях и отражает планируемую штатную систему

    Руководитель разработки:

    д.т.н. Ирина Болодурина
    prmat@mail.osu.ru

Новости в области машинного обучения

  • 16.05.2025

    В ИТМО создали ИИ-инструмент, который упростит обработку горных пород

    Студенты лаборатории компьютерных технологий ИТМО предложили ИИ-модели для обработки изображения с плотно сгруппированными объектами.

  • 17.03.2025

    В ИТМО разработали цифровой полигон для тестирования новых систем ИИ в экстремальных условиях

    Цифровой полигон «Полиокс» позволяет анализировать потенциал системы ИИ, прогнозировать ресурсную стоимость ее дообучения и объективно оценить качество работы в том числе в экстремальных условиях эксплуатации.

  • 25.02.2025

    В ИТМО создали цифрового ассистента химика

    ИИ-ассистент может сгенерировать новые и доработать существующие химические соединения, а также алгоритмы синтеза, предсказать химические свойства и извлечь знания из статей по химии. При этом химикам не нужно уметь программировать — достаточно отправить запрос в чат ассистента.

  • 19.12.2024

    Цифровой мэр, химик и совет компании: какие ИИ-разработки представили в ИТМО

    Ежегодно на встрече «AIMission: погружение в мир интеллектуальных технологий с ИТМО» исследователи ИТМО подводят итоги года и представляют индустриальным партнерам университета свои новинки в области ИИ. Об основных проектах, созданных в исследовательском центре «Сильный искусственный интеллект в промышленности» и Национальном центре когнитивных разработок ИТМО, — в нашем материале.

  • 27.11.2024

    ИТМО получит 162 миллиона рублей на разработку ИИ-системы компьютерного зрения для БПЛА

    Национальный центр когнитивных разработок ИТМО, ГосНИИАС и АО «КТ-Беспилотные Системы» вошли в число победителей конкурсного отбора Фонда НТИ и получили субсидию в размере 162 миллионов на создание системы компьютерного зрения с ИИ для БПЛА.

  • 15.10.2024

    Российские разработчики получили возможность безопасно обучать AI в различных доменах

    Специалисты Сбера и ИТМО создали один из первых отечественных инструментов для федеративного обучения моделей искусственного интеллекта. 15 октября 2024 года, Москва

  • 03.10.2024

    Ученые ИТМО автоматизировали разработку отраслевых систем ИИ с помощью больших языковых моделей

    В Национальном центре когнитивных разработок ИТМО создали новую гибридную систему искусственного интеллекта, которая объединила автоматическое машинное обучение и большие языковые модели.

  • 16.07.2024

    ИТМО получил аккредитацию магистерской программы по GenAI от Альянса в сфере ИИ

    Альянс в сфере искусственного интеллекта* аккредитовал магистерскую программу ИТМО «Глубокое обучение и генеративный искусственный интеллект».

  • 19.06.2024

    SciTalks Meetup: Bayes

    "Лето в самом разгаре, а мы анонсируем новый митап! 29 июня в 12:00 предлагаем встретиться онлайн и обсудить такое перспективное и важное направление, как байесовские методы в машинном обучении."

  • 19.06.2024

    Ученые ИТМО представили новый веб-сервис для оценки соискателей с помощью искусственного интеллекта

    В исследовательском центре «Сильный ИИ в промышленности» ИТМО создали новую гибридную систему искусственного интеллекта, которая объединила автоматическое машинное обучение и большие языковые модели.

  • 29.05.2024

    Ученые ИТМО представили обновленную модель ИИ для улучшения свойств лекарств

    22 мая в университете ИТМО прошел митап, организованный командой ученых из исследовательского центра «Сильный ИИ в промышленности» и центра “ИИ в химии” химико-биологического кластера. На мероприятии была представлена обновленная гибридная модель искусственного интеллекта, которая позволяет быстрее и точнее генерировать формулы твердых лекарственных форм. Ученые доработали первоначальную версию решения, заменив одиночную генеративную модель ансамблем более сложных. Предложенный подход объединил эволюционную оптимизацию и автоматическое машинное обучение.

  • 16.04.2024

    В ИТМО выбрали лучших молодых исследователей в области искусственного интеллекта

    Талантливые студенты и школьники из 60 городов России представили свои доклады на Конгрессе молодых ученых, который проходил в Петербурге в Университете ИТМО с 8 по 11 апреля. Без малого 2000 заявок было подано для участия в мероприятии, 1854 из них прошли отбор и были одобрены модераторами.

  • 15.03.2024

    Праздник ИИ на ВДНХ

    Как прошел День ИИ на крупнейшей выставке страны

  • 14.03.2024

    UPD: Online Scientific Open Source Meetup №7

    10 апреля прошел первый весенний open source митап в этом году, в этот раз – онлайн.

  • 17.12.2023

    AIMission: погружение в мир интеллектуальных технологий с ИТМО

    15 декабря Университет ИТМО пригласил гостей в совместное путешествие в мир интеллектуальных технологий AIMission.

  • 09.11.2023

    Фронтиры прикладного искусственного интеллекта: промышленность, экономика, образование

    Предлагаем провести последнюю неделю ноября с пользой – в Школе молодых ученых ИТМО! Всего за неделю вы успеете расширить свои знания о перспективных технологиях искусственного интеллекта, формирующих методические и алгоритмические основы сильного ИИ, а также познакомитесь с двумя десятками актуальных решений от наших разработчиков.

  • 20.10.2023

    Завершился YSC-2023 в Объединенных Арабских Эмиратах

    "Международная конференция молодых ученых YSC-2023 (Young Scientists Conference for young researchers and professionals in computational science, Artificial Intelligence, Big Data and ML) вернулась на зарубежные площадки! Рассказываем, как это было."

  • 20.10.2023

    Презентация ИИ-решений для представителей государственной власти

    12 октября в Университете ИТМО состоялась презентация ИИ-решений для представителей органов государственной власти. Мероприятие проходило в рамках программы ДПО «Школа подготовки квалифицированного заказчика решений на основе технологий искусственного интеллекта для задач государственного управления», третий год подряд реализуемой Корпоративным университетом Санкт-Петербурга совместно с Ассоциацией «Искусственный интеллект в промышленности», Центром стратегических разработок «Северо-Запад» и вузами: ИТМО и ЛЭТИ.

  • 19.10.2023

    ML для Java-разработчиков

    Рассказываем о нашем участии в Joker 2023 – крупнейшей российской конференции для опытных джавистов

  • 16.10.2023

    ИИ-разработки в области урбанистики представили на форуме 100+ TechnoBuild в Екатеринбурге

    Проверенные и совершенно новые решения для помощи архитекторам и проектировщикам

  • 26.04.2023

    Scientific Open-Source Meetup №3

    Приглашаем к участию в третьем open-source митапе, в этот раз проведем его в более масштабном формате - как часть DataFest 2023

  • 10.04.2023

    Хакатон на миллион

    С 28 по 30 апреля пройдет первый совместный хакатон центра инфохимии ИТМО х Синтелли x Medtech.Moscow – «Цифровая фармакология: предсказательное моделирование». Технологический партнер мероприятия – Selectel.

  • 07.02.2023

    Scientific Open-Source Meetup №2: открытый код для ИИ

    Продолжаем разговор об Open-Source решениях, в этот раз поговорим о реализации методов и моделей ИИ в рамках библиотек с открытым исходным кодом.

  • 14.12.2022

    Презентация разработок в области ИИ и смежных цифровых технологий

    14 декабря 2022 года в Петербурге состоялась публичная презентация семейства технологий и инструментов для быстрой разработки, обучения и оценки качества ИИ-систем на основе больших данных, сформировавшегося в ИТМО за 5 лет работы в рамках реализации государственной программы Национальной технологической инициативы и федерального проекта «Искусственный интеллект».

  • 03.10.2022

    Международная. Научная. Своя. Как прошла конференция молодых ученых YSC-2022

    17 сентября завершилась 11-ая международная конференция молодых ученых – Young Scientists Conference in Computational Science (YSC-2022), организованная Национальным центром когнитивных разработок Университета ИТМО (НЦКР) совместно со Студенческим научным сообществом, при поддержке центра «Сильный ИИ в промышленности», Университета Иннополис, Центра искусственного интеллекта НИУ ВШЭ и Института системного программирования им. В.П. Иванникова РАН.

  • 12.09.2022

    11 международная конференция YSC-2022 – можно online!

    YSC-2022 идет полным ходом. Почти 100 молодых исследователей в области computational science собрались в Университете ИТМО на Стрелке Васильевского острова в Санкт-Петербурге.

  • 05.09.2022

    Приглашаем на стажировку в Национальный центр когнитивных разработок Университета ИТМО

    "Научно-исследовательская лаборатория «Когнитивная невербалика» Национального центра когнитивных разработок Университета ИТМО ищет талантливых кандидатов, готовых влиться в команду. Ребята занимаются разработкой и поддержкой приложений для конечных пользователей в областях интеллектуальных телекоммуникационных технологий, визуализации данных, прикладного искусственного интеллекта на основе машинного обучения и когнитивных технологий. Создают системы поддержки принятия решений и персональных помощников."

  • 03.08.2022

    "Вооружить самурая огнестрельным оружием": эксперты в области промышленного ИИ выделили 5 основных вопросов развития суверенных технологий в России

    29 июля Университет ИТМО совместно с ассоциацией “Искусственный интеллект в промышленности” провели круглый стол по теме “Будущее искусственного интеллекта (ИИ) в России: западный, восточный или свой путь”. Мероприятие проводилось на базе исследовательского центра “Сильный ИИ в промышленности”, гостями стали 50 представителей компаний нефтегазового и IT-секторов (Газпром Нефть, Татнефть, Сургутнефтегаз, Шлюмберже, Яндекс, Huawei и др.). Основной темой для обсуждения было применение ИИ в промышленности: какие функции он может взять на себя, какую роль в импортозамещении может сыграть?