• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

На факультете компьютерных наук открываются новые лаборатории

На факультете компьютерных наук открываются новые лаборатории

© iStock

По итогам конкурса проектов на факультете компьютерных наук НИУ ВШЭ открываются две новые лаборатории. Лабораторию матричных и тензорных методов в машинном обучении возглавит Максим Рахуба, доцент департамента больших данных и информационного поиска. Лабораторией облачных и мобильных технологий будет руководить профессор департамента программной инженерии Дмитрий Александров.

Научно-учебная лаборатория матричных и тензорных методов расширяет набор представленных на факультете направлений в области теоретических основ машинного обучения. Она будет развивать методы математического моделирования и применять их для решения прикладных задач, например для создания рекомендательных систем.

В свою очередь, Научно-учебная лаборатория облачных и мобильных технологий будет проводить исследования по созданию и развитию ИТ-инфраструктуры компаний, в том числе высоконагруженных систем. Направления мобильной и облачной разработки существовали на факультете с самого его основания, но раньше они были представлены в большей степени учебными дисциплинами и прикладными проектами.

Теперь исследования в этих областях получат дополнительную поддержку факультета и университета, а у научных коллективов появится дополнительная степень ответственности за результат.

Заместитель декана ФКН по научной работе и международному сотрудничеству Алексей Мицюк выразил надежду, что новые лаборатории будут активно привлекать студентов и аспирантов факультета к научной работе, расширяться, вести как фундаментальные исследования, так и прикладные проекты.

Алексей Мицюк

«Обе создаваемые лаборатории будут работать в крайне актуальных направлениях: теория машинного обучения, облачные и мобильные технологии. Мне кажется важным, что область исследований обеих лабораторий не сугубо теоретическая, а предполагает возможность внедрения результатов исследовательской работы на практике. Надеюсь, что будущее обеих лабораторий будет успешным», — отметил Алексей Мицюк.

Руководители новых лабораторий подробно рассказали о текущих задачах и планах.

Максим Рахуба

— Основная тематика работы Лаборатории матричных и тензорных методов в машинном обучении связана с разработкой новых вычислительных алгоритмов линейной и мультилинейной алгебры и их приложениями.

Расскажу кратко о матрицах и их многомерных аналогах (тензорах), которые  фигурируют в названии лаборатории. С их помощью могут быть представлены и входные данные — цифровые изображения в задачах компьютерного зрения или пользовательские оценки фильмов в рекомендательных системах, а также сами модели машинного обучения, например обучаемые параметры нейронных сетей. Несмотря на такие разные по своей природе контексты, с этими матрицами обычно нужно выполнять схожие операции, которые включают в себя элементарные операции (сложение, умножение) или их разложение на более простые компоненты.

Важно понимать, что в современных приложениях эти матрицы могут быть очень большого размера в силу бурного роста объема данных и моделей, которые эти данные обрабатывают. Поэтому часто требуется ускорить обучение и работу высокоточных моделей или уменьшить их размеры, чтобы они могли запускаться, скажем, на смартфонах и других устройствах с ограниченными ресурсами. При этом не стоит ждать несколько лет, пока железо станет достаточно мощным, ведь наиболее эффективные алгоритмы сами по себе дают значительный прирост в производительности. В свою очередь, более эффективные вычисления открывают доступ к более сложным задачам, и в этом смысле кажется, что на разработку алгоритмов для повышения эффективности вычислений всегда будет спрос.

На текущий момент мы фокусируемся на развитии и внедрении методов римановой оптимизации, а также рандомизированных алгоритмов линейной алгебры. Оба этих направления сейчас активно развиваются. Для разрабатываемых алгоритмов мы планируем писать код, который можно будет запускать на графических ускорителях и использовать для различных прикладных задач. Например, сейчас мы заканчиваем работу над алгоритмами, использующими структуру многообразия малоранговых тензоров для поиска связей в базах знаний.

Разрабатываемые нами методы имеют широкий спектр применимости, поэтому для нас представляет значительный интерес взаимодействие с другими лабораториями в Вышке и других университетах, занимающимися конкретными приложениями или обладающими экспертизой по смежной тематике. Например, с Международной лабораторией стохастических алгоритмов и анализа многомерных данных мы уже ведем активное сотрудничество в области разработки рандомизированных алгоритмов линейной алгебры, где очень ценна их экспертиза в теории вероятностей и статистике.

Я занимаюсь вычислительной математикой уже более десяти лет. Сейчас я бы хотел объединить опыт, полученный в МФТИ, Сколтехе и Швейцарской высшей технической школе Цюриха, чтобы результатом исследований был работающий алгоритм, которым было бы удобно пользоваться. При этом нам хочется понимать границы его применимости и возможные подводные камни.

Мы заинтересованы в привлечении в лабораторию студентов, которые в первую очередь интересуются приложениями линейной алгебры. В лаборатории можно как получить знания в направлении теоретического анализа, так и заниматься разработкой алгоритмов и эффективного кода или использовать матричные техники в понравившемся приложении.

Дмитрий Александров

— Лаборатория облачных и мобильных технологий создается в составе департамента программной инженерии ФКН. Основное внимание планируется уделить выявлению лучших практик для сокращения сроков разработки клиент-серверных решений, улучшения тестируемости программ, а также в целях повышения их производительности.

Лаборатория сфокусирует свою деятельность на трех основных направлениях:

 реализация облачных серверных программных систем с базами данных, способных выдерживать высокую нагрузку со стороны клиентских приложений;

 нативная и кросс-платформенная разработка мобильных приложений;

технологии создания веб-приложений.

ИТ-отрасль очень бурно развивается, постоянно появляются новые инструменты разработки, особенно в области создания мобильных приложений. Результаты исследований лаборатории позволят существенно повысить качество преподаваемых на ФКН учебных дисциплин.

Мы приглашаем в лабораторию студентов-старшекурсников бакалавриата «Программная инженерия», а также магистратуры «Системная и программная инженерия». Им будут предложены исследовательские задачи, связанные с изучением особенностей различных языков программирования, отдельных элементов их синтаксиса, их сравнительного анализа на предмет удобства и эффективности применения для решения типовых прикладных задач по созданию экосистем компаний.

Кроме того, в рамках лаборатории ребятам будет предложено исследовать широко применяемые промышленные технологии создания ПО в целях формирования лучших практик его разработки в части автоматизации процессов командной работы и применения паттернов проектирования.

Мы бы хотели найти высокотехнологичные ИТ-компании, которые будут заинтересованы в долговременном сотрудничестве — в частности, в проведении совместных поисковых исследований, подготовке высококвалифицированных специалистов, создании совместной виртуальной площадки для прототипирования и решения интересных исследовательских и прикладных задач. Также мы открыты к сотрудничеству и с другими подразделениями Вышки, в том числе к участию в интересных совместных проектах, где наши компетенции в области создания ПО будут востребованы.

Вам также может быть интересно:

Вышка и «Авито» запускают магистратуру по машинному обучению в цифровом продукте

Факультет компьютерных наук ВШЭ совместно с российской ИТ-компанией «Авито» объявляет о запуске новой магистерской программы по машинному обучению (ML) в цифровом продукте. Программа направлена на подготовку специалистов, которые смогут применять передовые технологии машинного обучения для решения реальных бизнес-задач и создания продуктов, используемых миллионами пользователей. Всего пройти обучение в первой волне смогут 35 человек, обучение 30 из них целиком профинансирует «Авито».

Анализ генетической информации поможет избежать осложнений после инфаркта

Исследователи из НИУ ВШЭ разработали модель машинного обучения, которая предсказывает риск развития осложнений у пациентов, перенесших инфаркт миокарда. В модели впервые учли генетические данные, что позволило точнее оценить риск долгосрочных осложнений. Исследование опубликовано в журнале Frontiers in Medicine.

Fall into ML 2024: взгляд в будущее машинного обучения

25–26 октября в Москве состоялась конференция Fall into ML, организованная Институтом искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ совместно с Центром ИИ при поддержке титульного партнера — Сбера. На протяжении двух дней ведущие специалисты в области искусственного интеллекта обсуждали перспективы развития фундаментальных технологий ИИ.

«Наша система позволяет предотвращать сбои в работе центров обработки данных»

Студент первого курса магистерской программы «Продуктовый подход и аналитика данных в HR-менеджменте» Константин Балцат с командой единомышленников разработали систему прогнозирования отказов жестких дисков на основе машинного обучения. С этим проектом они второй год подряд входят в число лучших на хакатоне «Цифровой прорыв». «Вышка.Главное» побеседовала с Константином о разработках инноваций и учебе в университете.

НИУ ВШЭ и ПСБ провели хакатон по ИИ для студентов ведущих вузов страны

В конце сентября онлайн-кампус НИУ ВШЭ и ПСБ организовали хакатон для студентов, которые увлекаются анализом данных, визуализацией и машинным обучением, а также студентов креативных индустрий. На хакатон зарегистрировалось 620 человек, приняло участие 428 человек из разных регионов РФ. За первое место боролись студенты лучших российских университетов, а также учащиеся из других государств. Победителями турнира стала команда из Вышки.

«В третий раз соберем на площадке ВШЭ лучших ученых и исследователей ИИ в России»

Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Центр ИИ 25–26 октября в Москве организуют конференцию Fall into ML 2024. Главной темой ежегодного мероприятия станут перспективы развития фундаментального искусственного интеллекта. Титульным партнером конференции выступит Сбер.

Школа по ML в биоинформатике: «отличная возможность для нетворкинга и изучения нового материала»

Факультет компьютерных наук НИУ ВШЭ провел ежегодную летнюю школу по машинному обучению в биоинформатике, слушателями которой стали более 300 человек из разных университетов, институтов и организаций. Всего на событие зарегистрировались более 800 человек. Трехдневная программа включала в себя лекции и семинары.

Ученые НИУ ВШЭ показали эффективность машинного обучения при прогнозировании инфляции

Инфляция — один из ключевых показателей экономической стабильности, и точное прогнозирование ее уровня в различных регионах имеет большое значение для государства, бизнеса и домохозяйств. Татьяна Букина и Дмитрий Кашин из НИУ ВШЭ в Перми выяснили, что машинное обучение для прогнозирования инфляции превосходит классические эконометрические модели в долгосрочных прогнозах. Исследование проводилось на примере субъектов Приволжья. Результаты опубликованы в журнале HSE Economic Journal.

Ученые НИУ ВШЭ предложили модель, лучше других определяющую тематику текстов

Тематические модели — алгоритмы машинного обучения, способные сортировать большие объемы текстов по темам. Исследователи из НИУ ВШЭ в Санкт-Петербурге сравнили пять тематических моделей и определили, какие из них работают лучше. Наименьшее число ошибок показали две модели, одна из которых, GLDAW, — разработка Лаборатории социальной и когнитивной информатики НИУ ВШЭ в Санкт-Петербурге. Статья опубликована в журнале PeerJ Computer Science.

«Цель школы Spring into ML — объединить молодых ученых, занимающихся математикой ИИ»

Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Университет Иннополис провели для студентов, аспирантов и молодых ученых недельную школу, посвященную применению математики в машинном обучении и искусственном интеллекте. 50 участников Spring into ML прослушали 24 доклада о машинном обучении, участвовали в тематических питч-сессиях и прошли два мини-курса по диффузионным моделям — развивающейся области ИИ для генерации данных.