Open-source решения
-
Fedot
Открытый репозиторий разработкиФреймворк 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.
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
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
Инициатор
Руководитель разработки:
к.т.н. Николай Никитин
nnikitin@itmo.ru -
FEDOT.Industrial: фреймворк автоматического машинного обучения для промышленных задач
Открытый репозиторий разработкиПредназначен 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.
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
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
Инициатор
Руководитель разработки:
к.т.н. Илья Ревин
ierevin@itmo.ru -
FEDOT.LLM: интеллектуальный ассистент на основе автоматического машинного обучения
Открытый репозиторий разработкиПредназначен 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.
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
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
Инициатор
Руководитель разработки:
к.т.н. Николай Никитин
nnikitin@itmo.ru -
ProtoLLM: фреймворк быстрого прототипирования приложений на основе БЯМ
Открытый репозиторий разработкиПредназначен для быстрого создания прототипов многофункциональных приложений на основе больших языковых моделей (БЯМ) с использованием технологии генерации с дополненной выборкой (RAG). Обеспечивает подключение внешних сервисов и моде- лей через систему плагинов, оптимизацию производительности БЯМ путем реализации ансамблевых методов и мультиагентных подходов, генерацию сложных синтетических данных для дальнейшего обучения и улучшения БЯМ, ускорение процесса разработки и внедрения систем, основанных на БЯМ, в различных прикладных областях.
Конкурентные преимущества:
- Типовые шаблоны БЯМ-агентов и мультиагентных систем
- Многофункциональный RAG: не только тексты, но базы данных и знаний, а также инженерное ПО
- Использование произвольных БЯМ, как напрямую, так и через API
Эффекты от внедрения:
- Ускорение разработки систем на базе БЯМ не менее, чем в 5 раз
- Оптимизация вычислительных ресурсов до 20%
УГТ-9
Прототип системы прошел демонстрацию в эксплуатационных условиях и отражает планируемую штатную систему
Инициатор
Руководитель разработки:
к.т.н. Анна Калюжная
anna.kalyuzhnaya@itmo.ru -
Soika: библиотека пространственно-семантического анализа текстовых данных
Открытый репозиторий разработкиПредназначена для обогащения цифровых моделей городов данными, получаемыми из текстовых данных цифрового следа горожан, а также за счет результатов вернакулярной оценки качества городской среды.
Конкурентные преимущества:
- Методы определения упоминаемых мест и их геокодирования, набор классификаторов и моделей NER для определения функционального содержания сообщений
- Извлечение и агрегация фактов из социальных медиа без дополнительного программного обеспечения
- Оценка субъективного качества городской среды на основе мнений горожан
Эффекты от внедрения:
- Быстрое выявление точек общественной активности и объектов городской среды
- Точное прогнозирования социальных рисков, связанных с этими объектами
УГТ-9
Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации
Инициатор
Руководитель разработки:
Александр Антонов
asantonov@itmo.ru -
Stalactite: фреймворк федеративного обучения на больших данных
Открытый репозиторий разработкиПредназначен 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.
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
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
Инициатор
Руководитель разработки:
к.т.н. Николай Бутаков
nabutakov@itmo.ru -
GEFEST: библиотека генеративного дизайна физических объектов
Открытый репозиторий разработкиПредназначена для создания программных систем ИИ для генеративного дизайна различных физических объектов в сплошных средах с помощью эволюционной оп- тимизации. Поддерживает многокритериальную постановку задачи, интеграцию с физическими симуляторами и моделями генеративного ИИ.
Конкурентные преимущества:
- Обеспечивает как структурный, так и функциональный дизайн на основе полигональных структур
- Быстрые алгоритмы эволюционной оптимизации с управляемой сходимостью
- Работа с внешними воздействиями стохастической природы
Эффекты от внедрения:
- Ускорение процессов концептуального проектирования до 60 раз
- Упрощение разработки кастомизированных решений в 2-4 раза
УГТ-9
Система используется для решения реальных задач конечных потребителей
Инициатор
Руководитель разработки:
к.т.н. Николай Никитин
nnikitin@itmo.ru -
Blocksnet: библиотека сетевого анализа и моделирования для урбанистов
Открытый репозиторий разработкиПредоставляет инструменты для создания квартально-сетевой модели города и генерации оптимальных требований к его развитию. Позволяет оценить метрики городской сети, такие как связность и центральность, рассчитать предоставление типов услуг на основе нормативных требований и получить оптимальные требования для генерального планирования территорий.
Конкурентные преимущества:
- Универсальная форма информационной модели города на основе открытых данных
- Учет конкуренции между жителями и услугами
- Оптимизация информационной модели города на основе алгоритма отжига
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
Инициатор
Руководитель разработки:
Татьяна Чурякова
сhuryakovat@itmo.ru -
SAMPO: фреймворк оптимизации производственных процессов в условиях неопределенности и неполноты данных
Открытый репозиторий разработкиПредназначен для автоматизации планирования производственных процессов с учетом специфики работы в сложных условиях, в том числе, комплексных проектов по обустройству месторождений нефти и газа. На основе данных об исполнителях и графе работ проекта с помощью метаэвристических алгоритмов строятся Паретооптимальные планы с учетом разных критериев: время, ресурсы, бюджет.
Конкурентные преимущества:
- Возможность адаптировать планы к изменяющимся внешним условиям и эффективно работать в условиях ограниченных ресурсов
- Контролируемость устойчивости планов при изменениях внешних условий
Эффекты от внедрения:
Сокращение времени разработки планов с месяцев до нескольких дней
УГТ-9
Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации
Инициатор
Руководитель разработки:
к.т.н. Денис Насонов
dnasonov@itmo.ru -
OceanAI: библиотека интеллектуальной оценки личностных качеств
Открытый репозиторий разработкиПредназначена для разработки прикладных систем ИИ, использующих алгоритмы интеллектуального анализа поведения человека на основе его мультимодальных данных для автоматического оценивания уровня отдельных персональных качеств личности. Оцениваются: открытость опыту (Openness), добросовестность (Conscientiousness), экстраверсия (Extraversion), доброжелательность (Agreeableness), эмоциональная стабильность (Non-Neuroticism).
Конкурентные преимущества:
- Использование мультимодальных данных (аудио, видео, текст)
- Возможность использования для учета аффективных состояний
- Алгоритмы могут быть адаптированы для различных профессиональных областей
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
Инициатор
Руководитель разработки:
д.т.н Алексей Карпов
karpov@itmo.ru -
iOpt
Открытый репозиторий разработкиФреймворк для автоматического поиска оптимальных значений гиперпараметров для сложных математических моделей на данных.
Конкурентные преимущества:
- Автоматический подбор параметров как для математических моделей, так и для методов AI и ML, используемых в промышленности
- Автоматизация предварительного анализа исследуемых моделей, например, путем выявления различных типов зависимостей модели от различных групп параметров
Эффекты от внедрения:
- Уменьшение погрешности методов ИИ в среднем в 1.5 - 2 раза
- Сокращение времени настройки гиперпараметров сложных моделей от 1.5 до 4 раз
УГТ-9
Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации
Инициатор
Руководитель разработки:
д.т.н. Константин Баркалов
barkalov@vmk.unn.ru -
BAMT
Открытый репозиторий разработкиБиблиотека моделирования и анализа данных на основе байесовских сетей, включая их применение для заполнения пропусков, генерации синтетических данных, оценки значимости ребер и т.д.
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
Эффекты от внедрения:
УГТ-9
Система проверена на работоспособность в своей конечной форме и в ожидаемых условиях эксплуатации
Инициатор
Руководитель разработки:
к.ф-м.н. Ирина Деева
ideeva@itmo.ru
