ИИ-разработки представили в ИТМО

«В ближайшие годы могут появиться системы сильного ИИ, в том числе профессионального. В отличие от существующих "узких" решений, они будут покрывать различные задачи внутри отраслей, обеспечивать свою релевантность за счет самообучения, а главное — выдавать решения на порядок быстрее, чем даже сильный эксперт, оснащенный всеми цифровыми инструментами. Разумная методика создания таких систем сильного ИИ — это использование мультиагентных подходов на основе больших фундаментальных моделей. Разработка методов и инструментов для их разработки и обучения решению разных прикладных задач в итоге и определила повестку центров ИТМО в сфере ИИ в 2024 году», — отметил директор мегафакультета трансляционных информационных технологий ИТМО Александр Бухановский.

ИИ-помощники

«Цифровой мэр» — интеллектуальный ассистент, который в пять раз ускоряет сбор и анализ информации для комплексной поддержки принятия решений по управлению городскими территориями, разработан командой директора Института дизайна и урбанистики ИТМО Сергея Митягина. По запросу пользователя инструмент собирает и анализирует разную информацию (например, нормативные и правовые документы, данные о географии, населении и социальной инфраструктуре города) и на ее основе помогает администрации  принимать решение по развитию городского пространства. Например, «Цифровой мэр» может показать на карте конкретного района школы, оценить, достаточно ли их и удобно ли до них добираться пешком, а также обобщить жалобы жителей по этому или другому вопросу. Помимо этого, ИИ-помощник может ответить на вопросы о реальных планах развития города, ссылаясь на официальные документы, а за счет прогнозных ИИ-моделей предположить, где построить новую школу и как ее появление изменит жизнь района.

Цифровые управленцы

Планировать промышленные бизнес-процессы в условиях неопределенности и неполноты данных помогает интеллектуальная мультиагентная система поддержки принятия решений STAIRS на основе большой языковой модели. Ученые ИТМО создали ее в партнерстве с компанией «Газпром». Инструмент помогает быстро и без ошибок составить несколько вариантов смет и планов работ для сложных задач, например капитального строительства или обустройства месторождений. По словам инженера национального центра когнитивных разработок ИТМО Юрия Каминского, в отличие от ручного планирования STAIRS может работать с 100 тысячами процессов и 1000 исполнителями в одном плане, предложить альтернативные варианты на выбор экспертов, до 20 раз сокращает время работы и повышает эффективность планирования до 30%.

Чтобы достичь такого эффекта, сначала система обрабатывает накопленные компанией данные — проектно-сметную документацию, целевые показатели, экспертные ведомости и нормативы. Затем она автоматизирует весь процесс планирования — от анализа сметной документации до построения, оптимизации и валидации сгенерированных план-графиков с требуемыми ресурсами и работниками, а также рекомендациями по выбору технологии проведения работ для разных реализаций проекта. Также ИИ-планировщик позволяет решить обратную задачу — проверить, корректно ли составил подрядчик смету, сравнив ее со своей.

Как помочь топ-менеджерам быстро принимать взвешенные решения, если нельзя делиться конфиденциальными данными с готовыми большими языковыми моделями, а ИИ-помощники общего пользования могут не понять специализированный запрос? По заказу компании «Татнефть» команда старшего научного сотрудника национального центра когнитивных разработок ИТМО Дениса Насонова создала интеллектуальную систему поддержки принятия решений «Акела». Она учитывает внутренние регламенты организации, принципы и особенности бизнес-процессов, а также накопленные знания в разных прикладных областях и отвечает на сложные запросы, которые требуют экспертизы в разных специалистов.

«Акела» — это мультиагентная среда, которая объединяет множество специализированных агентов на базе больших языковых моделей. Каждый из агентов отвечает за одну узкоспециализированную задачу в области добычи и переработки нефти — например, аналитику, операционную деятельность, научную работу или строительные расчеты. Координирует действия агентов, распределяет задачи по приоритету и следит за их выполнением метаагент под названием оркестратор. На практике работа «Акелы» выглядит так: сотрудник компании пишет вопрос чат-боту, например, как давно «Татнефть» применяет конкретный метод увеличения нефтеотдачи пластов или какие химические реагенты используются для этого. Метаагент определяет контекст запроса и организует выполнение цепочки ответов, вызывая с нужным запросом подходящего специализированного агента. Последний на базе используемой большой языковой модели готовит развернутый ответ, подкрепленный реальными документами. В перспективе на основе «Акелы» можно создать индивидуальный аватар сотрудника «Татнефть» в цифровом пространстве компании, который поможет реальному специалисту оптимизировать работу и освободиться от рутинных задач.

ИИ помогает ИИ

Интеллектуальный ассистент на основе автоматического машинного обучения FEDOT.LLM упрощает внедрение ИИ в бизнес-процессы компании. Это решение позволяет пользователям, которые не специализируются в автоматическом машинном обучении, в 10 раз быстрее создавать прогнозные модели. Причем разработанное машиной решение будет на 75% качественнее, чем аналог от человека, рассказал руководитель группы научно-технического развития исследовательского центра «Сильный искусственный интеллект в промышленности» ИТМО Николай Никитин.

Для работы с FEDOT.LLM достаточно в свободной форме написать запрос. Ассистент преобразует его в структурированную задачу, проанализирует входные данные с помощью фреймворков FEDOT или FEDOT.Industrial, сгенерирует код для модели и выдаст решение. С помощью FEDOT.LLM можно справиться с задачами классификации, регрессии, прогнозирования временных рядов и выявления аномалий, например, проанализировать кредитную историю и предсказать, сможет ли клиент выплатить кредит, или оценить режим работы скважин, чтобы спланировать их работу на полгода вперед.

Но как работает конкретная модель ИИ и какие результаты она выдает? Можно ли им доверять? И насколько изменится точность ответов, если скорректировать работу модели? Такие вопросы возникают у сотрудников компаний, которые не специализируются в ИИ-области, а пользуются готовыми решениями. А чтение официального ГОСТа по оценке качества систем искусственного интеллекта может еще больше запутать. Поэтому команда старшего научного сотрудника национального центра когнитивных разработок ИТМО Сергея Иванова создала более понятное для пользователей решение — цифровой полигон для испытаний и оценки качества разных систем ИИ. Разработка объясняет пользователю, как устроен определенный алгоритм ИИ, для чего он нужен, как взаимодействует с данными и приходит к конкретным результатам. Также с помощью цифрового полигона можно оценить точность, применимость, потенциал дообучения и ресурсные мощности систем ИИ и испытать их в экстремальных условиях. В итоге пользователь не только получает протокол оценки результатов модели ИИ, но и тратит в четыре раза меньше времени на организацию испытаний.

ИИ в науке и образовании

Цифровой ассистент химика, созданный командой старшего научного сотрудника исследовательского центра «Сильный искусственный интеллект в промышленности» ИТМО Анны Калюжной в партнерстве со Сбером, упростит и ускорит работу ученых-химиков, а также сотрудников фармацевтических компаний и химических производств. С помощью разработки можно генерировать новые и дорабатывать существующие химические соединения для новых лекарств и материалов, искать новые алгоритмы синтеза, предсказывать химические свойства и извлекать знания из научных статей по химии. За координацию работы, генерацию новых знаний и анализ статей отвечают отдельные агенты ChemCoScientist, но пользователю не нужно обращаться к каждому из них — достаточно написать вопрос чат-боту. Недавно разработка Анны Калюжной вошла в число победителей конкурса проектов «Приоритет 2030».

ИИ используется не только в научных исследованиях, но и образовательном процессе. Недавно ИТМО вместе с Альфа-Банком провел курс дополнительного профессионального образования по внедрению ИИ в образовательные программы высшей школы. В течение двух месяцев 155 преподавателей вузов из 52 городов России и стран СНГ учились собирать и подготавливать данные, обучать большие языковые модели, использовать готовые библиотеки и фреймворки, писать промпты и оценивать качество работы моделей ИИ. После защиты командных проектов участники курса получили удостоверения о повышении квалификации государственного образца.

Студенты и сотрудники ИТМО, которые интересуются открытым кодом и хотят создавать свои решения в сфере искусственного интеллекта или машинного обучения, могут присоединиться к крупнейшему в России академическому сообществу ITMO OpenSource. За два года существования более 1100 участников разработали и опубликовали в общем доступе более 30 фреймворков и библиотек, которыми пользуются NVIDIA, Uber, Google, JetBrains и другие крупные компании. В сообществе организуют митапы по созданию ИИ-решений, а недавно провели исследование по использованию ML/Data Open Source в России и назвали тройку лидеров среди российских разработчиков опенсорс-решений.