Универсальные инструменты

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.

Предназначен для end-to-end автоматизации создания предиктивных моделей на данных. Позволяет преобразовать запрос пользователя в свободной форме в структурированное задание и в соответствии с ним обработать входные данные, а затем решить задачу с помощью фреймворков FEDOT или FEDOT.Industrial. Решает задачи классификации, регрессии, прогнозирования временных рядов и выявления аномалий.

Предназначен для быстрого создания прототипов многофункциональных приложений на основе БЯМ методом генерации с дополненной выборкой (RAG). Обеспечивает подключение внешних сервисов и моделей через систему плагинов, оптимизацию производительности БЯМ, генерацию сложных синтетических данных для дальнейшего обучения БЯМ, ускорение процесса разработки и внедрения основанных на БЯМ систем.

Предназначен для быстрого прототипирования систем вертикального федеративного обучения, ориентирован на исполнение и мониторинг моделей МО, 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.

Обеспечивает автоматический выбор моделей глубокого обучения и формирование конвейеров машинного обучения под конкретную задачу распознавания объектов. Предоставляет не только рекомендации по выбору моделей распознавания объектов, но и позволяет обучать предложенные модели непосредственно внутри фреймворка через удобное API.

Предназначена 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).

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

DocuMentor позволяет с высокой точностью распознавать и извлекать иерархическую структуру документов, идентифицируя различные элементы внутри: заголовки, таблицы, изображения, формулы.

Библиотека упрощает и ускоряет написание запросов ИИ и дает возможность специалистам без глубоких технических знаний получать конкретные результаты запросов.