Существующие методы генеративного дизайна позволяют оптимизировать различные параметры деталей для производства, например массу ― многие из вас наверняка видели подобные рендеры в Autocad. В областях, где на деталь воздействует повышенная нагрузка, материала больше, в других ― меньше, и с помощью генеративного дизайна к удачной конструкции можно прийти за несколько часов, а не за недели.

Мы решили проверить, можно ли применить методы генеративного дизайна для динамических, а не статических систем, чтобы автоматизировать процесс создания роботизированных устройств захвата. Наш проект стал логичным продолжением исследовательской работы нашего коллеги, в которой рассматривалась оптимизация рычажных механизмов. Работа показала, что формализовать задачу вполне возможно. Мы проверили это, используя для выбора оптимальной имитационной модели алгоритм MCTS. Подробности ― под катом.

Привет, Хабр! Меня зовут Юлия Борисова, я младший научный сотрудник лаборатории композитного искусственного интеллекта и исследовательского центра «Сильный ИИ в промышленности». Одна из задач, которой я занимаюсь вместе с коллегами из ИТМО ― прогнозирование динамики морского льда в Арктике с помощью ИИ.

Чтобы успешно осваивать арктический шельф и развивать Северный морской путь, нужны данные о ледовом покрове акватории ― например, важно знать толщину и концентрацию льда и положение кромки. Без этого сложно определить, когда открывать навигацию, на сколько месяцев планировать работу и какой бюджет на нее заложить.

Сейчас характеристики ледового поля прогнозируют разными методами ― в том числе используют моделирование с использованием дифференциальных уравнений и глубокое машинное обучение. Но у каждого есть свои сложности. Вместе с командой мы разработали новый ― ансамблевый подход на основе сверточных нейросетей. Метод более легковесный, чем существующие подходы, и позволяет запускать прогнозирование в любое время года. А ещё ― экономить время и выполнять операции всего за сутки, а не недели или месяцы. В этой статье расскажу о процессе, результатах и перспективах разработки. 

Всем привет. Меня зовут Петр, я основатель клуба веб-разработки CodeX. Клуб зародился в ИТМО и сейчас состоит из выпускников и студентов разных университетов. Речь пойдет об одном из наших open source инструментов ― трекере ошибок Хоук. Его релиз состоялся в непростой момент — 22 февраля 2022 года. Вскоре платежная система оказалась недееспособна, и глобальная экспансия провалилась. Но в этом году Хоук снова расправил крылья — сервис пришел на замену мастодонтам, заблокировавшим всех российских пользователей. Расскажу, как мы его развиваем.

Каждый месяц появляются сотни и тысячи научных статей, которые описывают новые разработки в области ИИ. Однако проверить большую часть этих результатов собственными силами и использовать предложенные методы и модели в своем проекте часто очень трудно. К статьям не всегда прикладывается код, еще реже доступны данные, на которых проводили обучение моделей, а значит нельзя просто скачать данные из репозитория и попробовать повторить результат. Имеет место так называемый кризис воспроизводимости.

Один из способов преодолеть этот кризис ― открывать код исследований. Так какой-нибудь программной библиотеке, разработанной для решения научной задачи, можно дать вторую жизнь за пределами создавшей ее лаборатории. Поэтому мы в ИТМО сделали ставку на открытый исходный код. В этой статье расскажем, почему, на наш взгляд, ученым стоит выбирать опенсорс, что именно мы делаем и каких результатов достигли.

В магистратуре ИТМО мы стараемся погружать студентов в работу реальных компаний ― через решение актуальных для бизнеса задач. Чаще всего это можно сделать на хакатонах, стажировках и с помощью организации корпоративных магистерских программ. Число таких проектов в университете с годами становится больше. Один из примеров ― совместный образовательный интенсив команды магистратуры ИТМО «Проектирование и разработка систем искусственного интеллекта» и IT-компании Nexign. Его участники разработали сервис для автоматической разметки рекламы на фото, который позволяет мобильному оператору упростить и ускорить работу с партнерскими торговыми точками. Под катом ― о деталях решения.

В этом году в научном сообществе прогремела статья MIT про архитектуру Колмогорова-Арнольда. С тех пор выходили различные теоретические разборы идеи. В ИТМО также попробовали применить модель KAN к своим вычислениям и пришли к довольно оптимистичным выводам, по крайней мере в ракурсе задач восстановления табличных данных. Архитектура KAN выглядит перспективной в задачах с большим количеством параметров. На фоне перцептрона KAN нужно меньше данных для обучения, а оптимизированные пакеты для расчета позволяют выполнять вычисления со скоростью, сравнимой с MLP. Рассказываем подробнее, что у нас получилось.

Новые инструменты в области ML/Data меняют правила в опенсорсе ― позволяют создавать решения быстрее и дешевле и это трансформирует существующие практики. Мы в центре «Сильный ИИ в промышленности» ИТМО задались вопросом: куда мы уже пришли и как эта отрасль изменится в ближайшие годы. А чтобы на него ответить, провели масштабное аналитическое исследование open source ― посмотрели как разработки крупных компаний, так и университетов, поговорили с экспертами рынка и проанализировали выложенный на GitHub код. На Хабре уже выходила новость с перечнем основных игроков и некоторыми результатами.

В этой статье ― более подробные выводы и инсайты от экспертов ― как тех, что уже участвовали в исходном исследовании, так и тех, кто решил прокомментировать результаты уже после публикации.

Привет, Хабр! Меня зовут Полина Шнайдер, я ML-инженер в лаборатории LISA в ИТМО. Сейчас я разрабатываю систему, которая помогает нашим преподавателям создавать программы учебных курсов. Разработка учебной программы ― творческая работа, во многом завязанная на опыт преподавателя. Но в ней есть большая доля рутины, например, глубокий анализ и проработка тематического плана, которую я и хотела бы автоматизировать с помощью больших языковых моделей, дополненных данными из нашей университетской базы знаний. Надо отметить, что я не просто решаю практическую задачу, а занимаюсь исследованиями. Не все большие языковые модели (особенно облегчённые версии) обладают глубокими знаниями по университетским дисциплинам. Поэтому одной из целей моей работы было выяснить, могут ли модели меньшего размера давать адекватные ответы с дополнительным контекстом из университетской базы.

В этой статье расскажу, что у нас получилось.

Наши коллеги из Центра «Сильный искусственный интеллект в промышленности» и Лаборатории композитного ИИ ИТМО разрабатывают открытый фреймворк для разностороннего анализа данных при помощи байесовских сетей. Он пригодится прикладным специалистам, которые сталкиваются с задачами анализа и нуждаются в интерпретируемости используемых моделей. В этой статье рассказываем об идее и о том, кто занимается ее реализацией.

rupersonaagent ― это небольшая библиотека для Python с функциями и классами для разработки русскоязычного персонифицированного диалогового агента с динамической долговременной памятью. Плюс в том, что каждый алгоритм можно переиспользовать отдельно для других задач — например, представленные в ней методы оптимизации можно применить для различных генеративных и ранжирующих моделей. Сегодня мы расскажем о нескольких новых модулях из обновления rupersonaagent и посмотрим, как их можно использовать для персонификации и повышения эмоциональности ответов диалогового агента.

Mecanum колеса обеспечивают высокую маневренность, при этом позволяют отказаться от использования сложных и дорогих рулевых механизмов. В теории звучит отлично, но на практике широкое распространение они пока не получили. Причина ― в довольно большом количестве недостатков подобных систем. На факультете систем управления и робототехники ИТМО пытаются преодолеть эти проблемы. Аспирант Дмитрий Захаров построил всенаправленную Mecanum платформу оригинальной конструкции и исследует особенности ее эксплуатации, чтобы сделать идею более применимой в самых разных областях ― от складской логистики и промышленности до помощи маломобильному населению.

Корпоративная магистратура Яндекса работает в ИТМО уже второй год. Конечная цель программы ― еще на этапе обучения дать практический опыт, необходимый для работы в коммерческой разработке. Магистранты программы решают не абстрактные задания из учебника, а реализуют проекты, которые потом попадают на прод в проектах Яндекса ― в том числе в Open Source. В статье рассказываем, как всё устроено и над чем работают студенты.

Всем привет! Меня зовут Ксения Анисимова, я студентка ИТМО. Весной этого года наша команда ― Rangers of Accessibility ― победила в хакатоне МТС True Tech Hack в треке «Улучшение клиентского опыта витрины МТС Live для пользователей с особыми потребностями». В рамках конкурсного проекта мы придумали новый способ отображения карты зала, а также переработали пользовательский путь для скринридеров, чтобы незрячие и слабовидящие люди тоже могли покупать билеты. А еще добавили фильтрацию мероприятий (и площадок) по опциям доступности (наличию тифлокомментирования, маршрутов для маломобильных граждан и сопровождения на русском жестовом языке). В финале хакатона мы представили свой проект в рамках конференции True Tech Day.

В этой статье расскажу о деталях решения ― какие проблемы мы выявили и как их решали.

В одной из лабораторий факультета систем управления и робототехники ИТМО разрабатывают экзоскелет из титана, который можно будет производить серийно. Пока проект на стадии 3D-печатного макета, но уже сейчас он выделяется на фоне аналогичных разработок своей подвижностью ― почти не сковывает движения. А будущий прототип из титана не потеряет в подвижности, зато ― по прочностному расчету ― поможет работать с весом до 80 кг. В этой статье рассказываем, откуда появился и как развивается проект.

Привет, Хабр!

Это исследователи из NSS Lab ИТМО и создатели сообщества ITMO.OpenSource. Мы считаем, что важно делать не просто науку, а открытую науку, результатами которой можно легко воспользоваться. Поэтому пишем об открытом коде, проводим митапы «Scientific Open Source» и разрабатываем научные решения с открытым кодом. Эта статья написана на материале исследования, которое мы презентовали на последнем митапе. В ней поговорим об открытом научном коде, посмотрим, как с ним обстоят дела в разных организациях, и поделимся подборкой репозиториев, которые могут решать различные научные задачи.

Периодически на Хабре появляются новости о новых голографических устройствах. Одна из таких разработок, на которую мы обратили внимание, ― «голографический» дисплей, представленный на CES. Любопытно, что к голографии в научном понимании такие разработки имеют очень косвенное отношение. Holobox ― просто прозрачный жидкокристаллический экран, на который выводится плоская картинка ― проекция трехмерного объекта. Воспринять объем с помощью такого дисплея действительно можно, но только если смотреть прямо и избавиться от бликов.

Но голография как научное направление активно развивается. Возможно, новости этого сегмента не на хайпе, но здесь есть о чем рассказать. Разрабатываются новые материалы для записи полноцветных голограмм, фиксируется терминология, прорабатываются подходы и методы. В этой статье на примере работы Лаборатории цифровой и изобразительной голографии ИТМО поговорим о том, чем на самом деле живет научная голография (дисклеймер: речь пойдет о статических голограммах ― сферу динамических трогать не будем).

Совместно с компанией YADRO мы на Новом физтехе ИТМО открываем специальный трек, где будем обучать будущих разработчиков телекоммуникационного оборудования. В этой статье рассказываем, что это за трек и зачем он нужен.

В серии статей по теме DevOps мы вместе с Lead DevOps инженером департамента информационных систем ИТМО Михаилом Рыбкиным рассказываем о проверенных инструментах выстраивания инфраструктуры, которыми с недавнего времени пользуемся сами. В предыдущих статьях мы уже рассмотрели предпосылки перехода на новую инфраструктуру, познакомились с азами Kubernetes и обсудили методы доставки кода. В рамках последней темы мы пришли к методологии GitOps, при которой конфигурация кластера описана декларативно и есть ровно один источник правды ― git с его историей версий и т. д. Но git не является достаточно доверенной средой для хранения секретов ― с его помощью мы не смогли бы обеспечить разделение доступов и т. п. Так что в следующей статье цикла мы рассказываем о том, как можно реализовать отдельное хранилище секретов, без которого полноценно перейти на GitOps невозможно.

В статье рассказываем про разработку решения, которое помогает руководителям, продуктовым менеджерам и аналитикам искать точки роста и скрытые закономерности в продукте. Сервис принимает на вход описание продукта, бизнес-процесса или системы в табличном виде, а на выходе отдает набор гипотез — утверждений о данных, выраженных в виде текста и графиков. Конечная цель — создать полноценный помощник бизнесу.

В конце ноября Google DeepMind сообщила об открытии сотен тысяч новых стабильных материалов с помощью нейросети Graph Networks for Materials Exploration (GNoME) ― сервиса для предсказания неорганических кристаллических структур. Сами разработчики в статье в Nature говорят об экономии 800 лет научных исследований.

В этой статье разберем, что эта новость означает с точки зрения химика и как может быть полезна научным группам ИТМО.