Через несколько минут начинаем семинар - подключайтесь https://meet.google.com/ecv-phki-fsk.

Для тех, кто пропустил - все материалы к семинару по генеративному дизайну выложены тут.

Немного пред-обеденного чтения:

На днях наш аспирант Илларион Иов написал пост на хабр по мотивам выступления на митапе "Научный опенсорс" (поддержанного компанией Selectel).

Он посвящен генерации синтетических данных временных рядов c учетом взаимосвязей между ними (пример визуализации связей - на рисунке). Алгоритм для генерации реализован в рамках новой открытой библиотеки.

Почитать можно тут - https://habr.com/ru/companies/selectel/articles/826266/. Научная статья с описанием результатов тоже скоро выйдет.

Про нас пишут в дайджете сообщества NoML (по мотивам недавнего выступления):

Про генеративный дизайн в NSS Lab ИТМО

Открытие инструменты для генеративного дизайна (ГД) от NSS Lab (Natural System Simulation) ИТМО:
▫️ GEFEST (Generative Evolution For Encoded STructures)
▫️ GOLEM (Graph Optimization and Learning by Evolutionary Methods)

Пост на Хабре про открытые библиотеки ИТМО, включая GEFEST и GOLEM:
▫️ Open-source библиотеки от команд ИТМО: оптимизация графовых структур, генеративный дизайн, оптимизация гиперпараметров, 2023 (~7 мин.)

Публикации NSS Lab про ГД:
▫️ N.O. Starodubcev et al. — Generative Design of Physical Objects using Modular Framework, 2023 (19 стр., ~60 мин.)
▫️ G.V. Solovev et al. — AI Framework for Generative Design of Computational Experiments with Structures in Physical Environment, 2023 (8 стр., ~20 мин.)
▫️ G.V. Grigorev et al. — Single Red Blood Cell Hydrodynamic Traps Via the Generative Design, 2022 (10 стр., ~25 мин.)
▫️ N.O. Starodubcev, N.O. Nikitin, A.V. Kalyuzhnaya — Surrogate-Assisted Evolutionary Generative Design Of Breakwaters Using Deep Convolutional Networks, 2022 (8 стр., ~20 мин.)
▫️ N.O. Nikitin, I.S. Polonskaia, A.V. Kalyuzhnaya, A.V. Boukhanovsky — The multi-objective optimisation of breakwaters using evolutionary approach, 2021 (13 стр., ~20 мин.)
▫️ N.O. Nikitin et al. — Generative design of microfluidic channel geometry using evolutionary approach, 2021 (2 стр. ~7 мин.)

Ресурсы NSS Lab:
▫️ Телеграм канал: @NSS_group
▫️ Страница про команду, проекты и публикации: NSSLab→

Телеграм-чат Open-source сообщества ИТМО:
▫️ @itmo_opensource

В лаборатории - одним научным проектом больше:

Выигран групповой грант РНФ под руководством Анны Калюжной, тема - "Алгоритмы направленной генерации синтетических многомерных данных в форме таблиц и временных рядов для повышения робастности моделей машинного обучения", на 3 года.

Это один из 12 групповых проектов, выигранных коллективами ИТМО в текущем конкурсе (что довольно много - больше только у МГУ) и единственный из них по тематике ИИ.

Результаты традиционно выложим в опенсорс в рамках нашего сообщества.

Тем временем, Иван Лобанов представляет лабораторию на Сахалине:

Команда ИТМО на «Архипелаге» — это не только про ИИ-образование. Представляю наших боевых урбанистов и иных ML-щиков – исполнителей проектов НТИ по Дорожной карте развития направления «Искусственный интеллект». А именно, Сергея Митягина, Кирилла Шамрицкого, Ивана Лобанова и Ивана Ходненко (фото). Ребята сегодня на «ИИ-лаборатории» показывали наши решения в области мастер-планирования сложных территорий, автоматизации построения моделей ИИ и инновационных средств их разработки. Ну а я параллельно «добивал» заключительные лекции – и уже завтра в СПб. А ребята останутся еще на два дня – там намечается групповая проектная работа и интересный нетворкинг.

Хочется отметить, что самыми активными на «Архипелаге» мне видятся не питерцы и москвичи, а как раз ребята с Сибири и Дальнего востока. А из них – госслужащие в сфере «цифры». Огромная благодарность представителям Правительства Сахалинской области, которые являлись реальными организаторами многих процессов на местах и потенциальными потребителями результатов. Как оказывается, уровень цифровизации здесь уже достаточно высок для того, чтобы системно внедрять современный ИИ. Потому – верю, что все не зря, все получится!

Вчера представители нашей лаборатории нанесли визит на R&D-день центров ИИ, организованный Сбером на площадке Сколтеха.

На постерной сессии выступали:

- Илья Ревин - "Унифицированный AutoML для временных рядов" (это про новые результаты по FEDOT.Industrial)
- Станислав Чумаков - "LLM – катализатор для AutoML" (это про идеи из нашего текущего проекта с Центром НТИ).
- Юрий Каминский - "LLM-агенты: оркестраторы мульти-инструментального ИИ" (это про наши исследования в области агентных LLM).
- Глеб Соловьев - "Генеративный ИИ для поиска химических соединений с заданными свойствами" (это про разработки по тематике AI4Science в химическом домене).

Сами постеры можно поразглядывать ниже:

Всем привет.

Не так давно представители нашей лаборатории выступали на DataFest-е. И вот сегодня выложили видео.

Посмотреть записи выступлений, оставить в комментарии поддержать в голосовании за лучшие доклады и секции (путем простановки эмодзи под видео) можно тут:

1) https://ods.ai/tracks/df24-opensource (тут выступал Николай Никитин, и сам трек тоже "наш")
2) https://ods.ai/tracks/df24-geoml (тут выступала Юлия Борисова)
3) https://ods.ai/tracks/df24-ml-in-physics (а тут - Александр Хватов и Глеб Соловьев).

Секцию "Random DS/ML" пока не выложили - объявим отдельно.

Подъехало ещё несколько записей недавних докладов:

- Александр Хватов про обучение многообразий - в секции Random ML/DS на DataFest - https://ods.ai/tracks/df24-randomdsml (можно поддержать, поставив эмодзи).

- Николай Никитин про опенсорс в ML на Highload++ - https://www.youtube.com/watch?v=byexwNb37sQ

Сообщают, что на новую конференцию AIConf-2024 (спин-офф Highload++, проводится впервые) принято сразу три выступления от нашей лаборатории:

- Физически-обоснованное машинное обучение - что можно и что нужно - Александр Хватов

"В докладе поговорим о текущем состоянии области физически-обоснованного машинного обучения. Затронем два больших острова - поиск уравнений по данным и решение с помощью PINN, а так же мелкие вроде нейронных операторов Фурье. Поговорим, какие задачи уже решены, что можно сделать уже сейчас, а что требует исследования, о том как мы применяем физически-обоснованные модели и методы в приложениях. Обсудим основные современные направления, почему где-то развитие остановилось, а где-то всё цветёт и пахнет. Наметим куда можно двинуться дальше и почему это может быть интересно на практике."

- Обеспечат ли LLM прорыв в эффективности AutoML? - Николай Никитин

Несмотря на множества интересных исследований и реализующих их open-source проектов в области автоматического машинного обучения (AutoML), их практическое внедрение в бизнес-процессы всё ещё далеко от массового. Тому есть множество причин - от сложности использования не-специалистами до высоких вычислительных затрат. Изменит ли ситуацию внедрение больших языковых моделей? Что они смогут взять на себя, а что нет? И нужны ли вообще будет специализированные AutoML-фреймворки через пару лет? Эти и другие вопросы - обсудим в докладе, затронув как обзор state-of-the-art решений, так и наш собственный опыт в рамках open-source фреймворка FEDOT.

- Фреймворк прикладных инструментов для анализа данных на основе каузальных моделей и байесовских сетей - Ирина Деева

"Фреймворк прикладных инструментов анализа данных на основе каузальных моделей представляет собой открытую библиотеку алгоритмов для решения прикладных задач анализа данных (поиск аномалий в данных, генерация синтетических данных, отбор и генерация признаков для предиктивных задач, объяснение результатов работы моделей машинного обучения) с помощью инструментов вероятностного искусственного интеллекта (ИИ), а именно на основе каузальных графических моделей. Фреймворк создан на базе проектов по разработке инструментов вероятностного ИИ и является помощником как для предметных специалистов, так и для учёных в области ИИ в задачах, подразумевающих анализ данных в условиях неопределённости."

Все доклады - в категории "академические исследования". Один даже идет с пометкой "уровень сложности - сложный".

Программа выглядит интересно, в конце сентября поделимся впечатениями)

P.S. Промокод для тех, кто хочет купить билет - datascience.

Тем временем, вышла наша статья "GOLEM: Flexible Evolutionary Design of Graph Representations of Physical and Digital Objects" с конференции GECCO, посвященная, как следует из названия, функциональности фреймворка GOLEM - https://dl.acm.org/doi/10.1145/3638530.3664141

Она была представлена на интересном профильном воркшопе Evolutionary Open Source Software (EvoOSS). Выступали онлайн, но все равно была содержательная дискуссия после доклада. Там что воркшоп можно рекомендовать к участию.

Сам код фреймворка - в https://github.com/aimclub/GOLEM.

Про нас пишут:

Кто из вас не играл в тетрис? При всей простоте он может сожрать сколь угодно вашего времени, что и должна делать игра. А как быть, если время становится определяющим фактором?
Выход один – начать жульничать и по своему желанию менять контуры фигур, чтобы быстро-быстро сложить идеальную картину. Вот как раз об этом вышла заметка про наш инструмент генеративного ИИ – библиотеку GEFEST. В отличие от классики гендизайна, когда идет работа с геометрией самого объекта, в GEFEST можно добавлять модель внешней среды. Только подумайте, как бы усложнился тетрис, если фигуры опускались бы… в воду, в которое турбулентные течения и злые рыбы ломали бы все ваши построения… В общем, наслаждайтесь – инструмент открыт и всем доступен здесь.

P.S. Кстати, греческий бог Гефест (с которым созвучно название библиотеки) характеризуется тем, что:
- управлял огнем и вообще был кузнецом для других богов Олимпийского пантеона;
- был хромым;
- был женат на богине любви Афродите.
Все точно как про наш GEFEST: может проектировать детальки и конструкции, слегка хромает (как открытое ПО), зато ему везет в любви (53 звезды) 😀

Всем привет. Ещё немного нового по нашим делам:

1) Мы пишем - на днях вышла ещё одна крупная статья с большим коллективом авторов - "Integration of evolutionary automated machine learning with structural sensitivity analysis for composite pipelines" в Q1-журнале Knowledge-Based Systems.

Написали про то, как можно сделать сходимость эволюционной оптимизации в AutoML и NAS немного более устойчивой, избежать переусложнения решения и других проблем, а также предложили вариант применения мета-обучения. Как тестовый стенд использовали FEDOT, но идеи масштабируются и на другие AutoML-решения.

2) Про нас пишут - выложили доклад Андрея Гетманова про сообщество ITMO.OpenSource - видео + описание. Для тех, кто пропустил прямую трансляцию)