В сентябре 2025 году VK и МФТИ запустят магистратуру «Искусственный интеллект и социальные медиа» для подготовки специалистов по разработке интеллектуальных систем. В частности, программа будет говорить ИИ-исследователей, ML- и NLP-инженеров, Data-аналитиков, разработчиков ПО и разработчиков рекомендательных систем и поисковых технологий.

 
 В учебный план программы войдут основы анализа и обработки больших массивов данных, задачи и модели NLP, лингвистические основы создания корпусов и датасетов, глубокое обучение и генеративные модели в компьютерном зрении, генеративные языковые модели, интеллектуальные системы и распределенные высоконагруженные системы.

 
 Магистерская программа реализуется на базе Физтех-школы прикладной математики и информатики МФТИ.

МФТИ

VK и МФТИ запустят магистратуру «Искусственный интеллект и социальные медиа»

Принцип MLOps <a href="https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf" target="_blank">появился</a> почти десять лет назад. За это время пользователей концепции управления жизненным циклом моделей машинного обучения от разработки до внедрения и далее стало заметно больше. Ее основной принцип заключается в автоматизации процесса внедрения, отслеживании версий модели и управлении ML-конвейерами.

 
 По данным Global Market Insights, в 2024 году мировой рынок подобных решений <a href="https://www.gminsights.com/industry-analysis/mlops-market" target="_blank">оценивался</a> в $1,7 млрд, а его совокупный среднегодовой темп роста (СAGR) в последующие девять лет (с 2025 по 2034 год) предполагается на уровне 37,4%.

 
 Чтобы эффективно применять такие инструменты, компании оценивают уровень зрелости MLOps. Например, в глобальной индустрии заметны модели <a href="https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning" target="_blank">Google</a> и <a href="https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/mlops-maturity-model" target="_blank">Azure</a> (от Microsoft). Согласно им зрелость повышается по мере все большего охвата процессов разработки и принятия подходов МLOps командой — от полного отсутствия ML-практик до единых пайплайнов и платформ разработки. 

<div class="incut-block incut-block-text-small-size">
 Что еще почитать или посмотреть по теме: 
 • <a href="https://selectel.ru/blog/what-is-mlops/" target="_blank">Обзор концепции и методик зрелости MLOps</a> от Академии Selectel
 • <a href="https://alesha.pro/posts/mlops-principles/" target="_blank">Перевод</a> статьи про принципы MLOps от Алексея Фатеева, MLOps/LLMOps Engineer в KTS
 • <a href="https://habr.com/ru/companies/vk/articles/772538/" target="_blank">Перевод статей</a> о методах оценки уровней MLOps-зрелости в блоге VK Cloud на Habr 
 • <a href="https://hatchworks.com/blog/gen-ai/mlops-what-you-need-to-know/" target="_blank">Тренды в MLOps в 2025 году</a>, по мнению HatchWorks AI
 • <a href="https://www.youtube.com/watch?v=cvfTVHlYad8" target="_blank">Подкаст</a> Д. Скалли (D. Sculley), который широко известен как «The Godfather of MLOps»
 • Конференция по инженерии данных <a href="https://smartdataconf.ru/" target="_blank">SmartData</a> (1-2 октября 2025 года)
 </div>
 
 В России также растет число внедрений комплексных платформенных MLOps-решений: так, за прошедшие три месяца о внедрении в свою работу ML- и MLOps-платформ сообщили <a href="https://www.cnews.ru/news/line/2025-03-24_nornikel_sovmestno_s" style="" target="_blank">«Норникель»</a> и <a href="https://www.cnews.ru/news/line/2025-01-13_bank_sankt-peterburg_sovmestno" style="" target="_blank">банк «Санкт-Петербург»</a>.

 
 При том, что на локальном рынке достаточно подобных решений, продуктов, решающих конкретные проблемы цикла машинного обучения, не так много. В частности, наблюдается нехватка отечественных специализированных решений для версионирования данных и самих моделей машинного обучения, трекинга экспериментов, мониторинга моделей.

 
 В новой подборке ICT.Moscow собраны 20 решений, представленных отечественными разработчиками за последние два года. Среди них <a href="#1" target="_self" rel="nofollow">ML- и MLOps-платформы</a>, <a href="#2" target="_self" rel="nofollow">LLMOps-платформы</a>, <a href="#3" target="_self" rel="nofollow">платформы и фреймворки AutoML</a>, <a href="#4" target="_self" rel="nofollow">решения для развертывания моделей</a>.

 
 17 из них разработаны в Москве, оставшиеся 3 представлены командами, базирующимися в Санкт-Петербурге. Детально ознакомиться с решениями команд из столицы можно в отдельных карточках. В каждой из них содержится подробная информация о решениях и их предназначении, а также представлены необходимые ссылки и имеющиеся контакты разработчиков.

<hr />
 <a class="description__anchor" id="1"></a>
<h2>
 ML/MLOps-платформы
</h2>

 
 Комплексные (End-to-End) решения, которые позволяют выстроить полный цикл машинного обучения.

<ul>
 <li>Разработанная компанией Data Sapience платформа <a href="https://ict.moscow/ru/cards/kolmogorov" target="_blank">Kolmogorov</a> состоит из четырех модулей. Kolmogorov Axiom представляет собой конструктор датасетов и позволяет проводить эксперименты, с помощью Continuity можно настроить взаимодействие внутри команды и версионирование решения, Predicate позволяет проводить мониторинг состояния модели, а Kolmogorov Abacus представляет собой фреймворк для A/B-тестирования.</li>
 <li>Созданное Axenix Innovation решение <a href="https://ict.moscow/card/dat-ax/" target="_blank">Dat.ax</a> предназначено для унификации и автоматизации работы с данными. Также оно позволяет работать с метаданными, управлять процессами CI/СD и жизненным циклом моделей машинного обучения.</li>
 <li>В основе платформы <a href="https://ict.moscow/card/smartmlops/" target="_blank">SmartMLOps</a> — разработанный исследователями из НИУ ВШЭ фреймворк. Система предоставляет REST API для управления и запуска ИИ-модулей, оснащена инструментами для мониторинга и дает возможность проведения вычислений на суперкомпьютере <a href="https://ict.moscow/card/charisma/" target="_blank">cHARISMa</a>.</li>
 <li>Разработанная Selectel <a href="https://ict.moscow/card/ml-platforma/" target="_blank">ML-платформа</a> адаптирована под работу системы управления экспериментами ClearML, способна генерировать API для моделей машинного обучения, создавать воспроизводимые пайплайны, развертывать модели в виде отдельных сервисов и отслеживать их работу.</li>
 <li><a href="https://ict.moscow/card/cloud-ml-platform/" target="_blank">Cloud ML Platform</a> оснащена инструментами для трекинга и версионирования экспериментов, моделей, данных и других артефактов, а также инструментами для развертывания и обновления моделей машинного обучения. По заявлениям разработчиков из VK Cloud, в ближайшем будущем в платформе появятся Feature Store, единая платформа Kubernetes для всех компонентов, а также каталоги данных и метаданных.</li>
</ul>

<ul>
 <li>Созданная MWS <a href="https://ict.moscow/card/ml-platform-mws/" target="_blank">ML Platform</a> поддерживает полный цикл разработки и эксплуатации моделей машинного обучения: она оснащена каталогами фичей и гибкой библиотекой, а встроенная Kubernetes позволяет конфигурировать вычислительные ресурсы.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/yandex-datasphere/" target="_blank">Yandex DataSphere</a> позволяет провести полный цикл машинного обучения в облаке с помощью бессерверных вычислений. Или же пользователь может зарезервировать под свой проект виртуальную машину.</li>
 <li><a href="https://ict.moscow/card/neoflex-dognauts/" target="_blank">Neoflex Dognauts</a> позволяет настроить рабочее место ML-специалиста, создавать модели в интегрированных средах разработки и затем мониторить их, отслеживать эксперименты. Кроме того, с помощью оснащенной Feature Store платформы можно контролировать выделяемые под проект ресурсы.</li>
 <li><a href="https://ict.moscow/card/polymatica-ml/" target="_blank">Polymatica ML</a> поможет исследовать данные перед разработкой модели, сравнивать ее с другими после обучения и отслеживать ее точность и динамику профиля используемых данных. Жизненный цикл моделей можно автоматизировать и управлять им с помощью единого репозитория.</li>
 <li>Компоненты <a href="https://ict.moscow/card/rubbles-mlops-suite/" target="_blank">Rubbles MLOps Suite</a> включают в себя много популярных Open Source — решений (к примеру, Grafana, MLFlow, Seldon Core) и могут быть кастомизированы под потребителя. С помощью системы можно настраивать хранилища и кластеры для параллельных вычислений.</li>
 <li>Созданный ГК «Т1» <a href="https://ict.moscow/card/scibox/" target="_blank">Scibox</a> предоставляет вычислительные мощности и инструменты для работы с ИИ по модели сервиса, а также инструменты для создания конвейеров машинного обучения.</li>
 <li><a href="https://ict.moscow/card/ml-fab/" target="_blank">ML Фаб</a> развертывается, устанавливается и настраивается в Kubernetes из единого репозитория. Среди компонентов платформы от «Иннодаты» — Feature Store и инструменты Data Governance.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/sibur-ml-framework/" target="_blank">Sibur ML Framework</a> объединяет все этапы управления моделями, за исключением начального: постановки задачи, обучения и валидации модели. В специальной шине данных сохраняются результаты работы моделей, а также события сбоев и метрики.</li>
</ul>

<hr />
 <a class="description__anchor" id="2"></a>
<h2>
 LLMOps-платформы
</h2>

 
 MLOps-решения, предназначенные для обучения больших языковых моделей и учитывающие их специфику.

<ul>
 <li>Разработанная в Selectel <a href="https://ict.moscow/ru/cards/llm-platforma" target="_blank">LLM-платформа</a> помогает подбирать для большой языковой модели оптимальные настройки и промпты, запускать эксперименты по ее дообучению. </li>
</ul>

<hr />
 <a class="description__anchor" id="3"></a>
<h2>
 Платформы и фреймворки AutoML
</h2>

 
 Решения, позволяющие автоматизировать процесс машинного обучения.

<ul>
 <li>Разработанный в Университете ИТМО фреймворк <a href="https://aim.club/solutions/fedot" target="_blank">FEDOT</a> позволяет решить задачу структурного обучения: для обрабатываемых данных строится решение в виде графа, узлы которого состоят из обучаемых моделей и других компонентов. Получившаяся композитная модель содержит сразу несколько моделей машинного обучения и блоков предобработки данных.</li>
</ul>

<ul>
 <li>Фреймворк <a href="https://sai.itmo.ru/fedot_industrial" target="_blank">FEDOT.Industrial</a> разработан на основе FEDOT для решения задач индустриальных компаний, в частности проблем предиктивной аналитики: классификации временных рядов, детектирования аномалий (как в данных временных рядов, так и в изображениях), поиска точки изменения динамики временного ряда (Change-Point Detection) или детектирования объектов на изображениях.</li>
</ul>

<ul>
 <li>Созданный специалистами из Лаборатории искусственного интеллекта «Сбера» фреймворк <a href="https://ict.moscow/card/lightautoml/" target="_blank">LightAutoML</a> (LAMA) поддерживает обработку всех типов данных, которые используются в Python, задачи обучения с учителем, включая регрессию и классификацию, а также позволяет создавать свои пайплайны машинного обучения. </li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/predict-automl/" target="_blank">Predict AutoML</a> позволяет обучить модели для бизнес-аналитики. После очистки данных и выбора необходимой задачи платформа подберет под нее предобученную модель или ансамбль моделей. Кроме того, решение поддерживает федеративное вертикальное обучение, при котором модели можно обучать совместно, но без обмена данными с партнером.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/antavira/" target="_blank">Antavira</a> предназначена для автоматизации обучения прогностических моделей машинного обучения. Пользователь может запускать неограниченное количество экспериментов, задавать любую последовательность выполнения функций моделирования, а также при необходимости выполнить градиентный спуск.</li>
</ul>

<hr />
 <a class="description__anchor" id="4"></a>
<h2>
 Решения для развертывания моделей
</h2>

<ul>
 <li>Выложенный в открытый доступ создателями из Университета ИТМО инструмент <a href="https://github.com/qnbhd/mljet" target="_blank">mljet</a> позволяет автоматизировать развертывание моделей машинного обучения в веб-сервис.</li>
</ul>

<hr />
<h2>
 Каких продуктов стоит ждать&nbsp;
</h2>

<ul>
 <li>Разработчики из Альфа-Банка <a href="https://www.forbes.ru/brandvoice/531578-kto-takaa-anna-kak-v-al-fa-banke-avtomatizirovali-sozdanie-nejrosetej" target="_blank">планируют</a> предоставлять внутренний AutoML-сервис ANNA в пользование другим компаниям, а в будущем, возможно, его выложат в открытый доступ.</li>
</ul>

<ul>
 <li>В рамках соглашения о сотрудничестве входящей в «Росатом» компании «Цифрум» и НИЯУ МИФИ <a href="https://mephi.ru/press/news/24049" target="_blank">планируется</a> разработка AutoML-платформы. </li>
</ul>

<hr />
 
 Московские разработчики могут <a href="https://ict.moscow/#newcard" style="" target="_blank">дополнить</a> существующие карточки своих проектов. Сообщить же о собственных новых разработках может любой отечественный автор программного кода, написав на hello@ict.moscow.

<hr />

Решения для оптимизации и ускорения машинного обучения

ICT.Moscow

Подборка решений: MLOps и LLMOps

Kodify 2 содержит 7 млрд параметров, поддерживает длину контекста до 32,7 тыс. токенов и API для интеграции с другими системами.

 
 По словам разработчиков, ассистент второго поколения также содержит элементы для автоматизации и ускорения написания кода, включая его автодополнение, исправление ошибок, генерацию тестов и документации, а также оптимизацию и преобразование текста в код.

 
 По итогам сравнений в MTS AI отмечают, что Kodify 2 сопоставим по возможностям с GitHub Copilot. В генерации тестов Kodify 2 выполнил задачу так же или лучше в 57% случаев, а в преобразовании текста в код — в 48%. Тестирование проводилось методом прямого сравнения и оценки двух ассистентов моделью-судьей. В качестве модели использовалась Claude Sonnet 3.5.

<hr />
 
 По оценке MTS AI, объем рынка ИИ-ассистентов для разработчиков в России в 2025 году составит 17,4 млрд руб. Из них 13,9 млрд руб. приходится на On-Premise-решения, а 3,5 млрд — на облачные.

<hr />

МТС

MTS AI представила ИИ-ассистента Kodify 2 с поддержкой 90 языков программирования

«Авито Работа» представила новую функцию — создание резюме с использованием собственной языковой модели A-Vibe. Она анализирует основные обязанности и достижения кандидатов на прошлых должностях и формирует на этой основе новое резюме. По словам представителя компании, за первые две недели тестирования новой функции количество резюме на платформе увеличилось примерно на 3%, а средняя длина описания обязанностей выросла в полтора раза.

 
 A-Vibe является частью семейства генеративных моделей «Авито», которое включает также мультимодальную A-Vision. Они применяются в различных сервисах платформы: например, помогают продавцам писать описания товаров и общаться с покупателями в мессенджере.

 
 К концу 2025 года компания планирует внедрить еще 20 новых вариантов применения своих ИИ-решений.

CNews

Сервис «Авито Работа» применил языковую модель A-Vibe для генерации резюме пользователей

В России создается платформа универсальных типовых решений на основе искусственного интеллекта, предназначенная для систематического внедрения в региональное управление. Разработка ведется в рамках национального проекта «Экономика данных».

 
 Как сообщил аппарат вице-премьера Дмитрия Григоренко, прототипами таких решений послужат действующие региональные практики, которые будут интегрированы на платформу «Цифровой регион».

 
 Одним из примеров разработок станет система для дистанционного мониторинга хозяйственной деятельности. Она позволит обнаруживать, распознавать и отслеживать нелегальные объекты, контролировать состояние различных объектов и выявлять возможные негативные последствия. При этом регионы, успешно внедрившие ИИ-решения, будут делиться опытом и компетенциями с теми субъектами России, где планируется внедрение аналогичных типовых проектов.

ТАСС

В России разрабатывают платформу решений на основе ИИ для регионального управления

Искусственный интеллект в ЦОД. Технологии Hewlett Packard Enterprise

Александр Старыгин, директор департамента подготовки технических решений НPE в России, выступил на <a href="https://ict.moscow/event/infoforum-2022/" target="_blank" rel="nofollow">«Инфофоруме 2022»</a> (3-4 февраля 2022 года).

В презентации рассматриваются технологии, позволяющие проводить саморегулирование оборудования на всех этапах жизненного цикла, осуществлять обзор функционирования по всему миру. Приводится изменение ролей ИТ-специалистов в автономном ЦОДе.

Hewlett_Packard_Enterprise

Hewlett Packard Enterprise

Александр Старыгин, директор департамента подготовки технических решений НPE в России, выступил на <a href="https://ict.moscow/event/infoforum-2022/" target="_blank" rel="nofollow">«Инфофоруме 2022»</a> (3-4 февраля 2022 года).

 
 В презентации рассматриваются технологии, позволяющие проводить саморегулирование оборудования на всех этапах жизненного цикла, осуществлять обзор функционирования по всему миру. Приводится изменение ролей ИТ-специалистов в автономном ЦОДе.