По данным RED Security, в I квартале 2025 года количество DDoS-атак на региональные веб-сайты впервые превзошло число аналогичных атак на московские ресурсы: соотношение составило 54% против 46%. Всего с января по март на порталы региональных компаний было осуществлено 15 тыс. DDoS-атак.

 
 Наиболее часто подвергались нападениям сайты организаций Сибирского федерального округа. Второе место по числу кибератак занял Северо-Западный федеральный округ, третье — Уральский федеральный округ.

 
 На протяжении 2024 года объем DDoS-атак на региональные интернет-ресурсы увеличивался каждый квартал в среднем на 70%. В I квартале 2025 года этот показатель достиг отметки в 77,7%. Большая часть (90%) атак была направлена на компании, которые работают в ИТ, телекоме, промышленности и топливно-энергетическом комплексе.

 
 Руководитель центра сервисов кибербезопасности компании RED Security Андрей Дугин подчеркнул, что уровень защищенности регионального бизнеса пока уступает столичному, а отраслевое распределение DDoS-атак по стране демонстрирует фокус злоумышленников на ресурсах ИТ и телеком-провайдеров. Он предположил, что «региональному бизнесу в ближайшие годы придется пройти путь по реализации защиты от базовых киберугроз, который в основном уже прошел столичный бизнес».

МТС

RED Security: в I квартале 2025 года региональные веб-ресурсы подверглись большему числу DDoS-атак, чем московские 

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 />

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

В «НИЦ Телеком» (ранее — НИИ «Радио») заявили, что запуск сетей 5G на частотах 694–790 МГц возможен не раньше чем через 4–5 лет. Эти частоты сейчас заняты телевизионными компаниями. Хотя операторам было разрешено использовать эти частоты еще в 2011 году, перераспределение частотного ресурса без согласия теле- и радиовещателей запрещено.

 
 К 1 апреля 2025 года Минцифры, Российская телевизионная и радиовещательная сеть, «НИЦ Телеком» и представители отрасли должны были решить вопрос финансирования переноса работающих телевизионных передатчиков в диапазон 470–694 МГц.

 
 Генеральный директор «НИЦ Телеком» Олег Иванов утверждает, что процесс перемещения передатчиков эфирного цифрового телевидения в новый диапазон займет минимум три года. Также понадобится произвести необходимое количество новых передатчиков и установить их на телевизионных станциях.

 
 В Минцифры уточнили, что источники финансирования для переноса передатчиков пока находятся на стадии обсуждения, конкретные детали еще не определены. Ранее вещатели хотели получать компенсацию от операторов за освобождение диапазона 694–790 МГц в размере 15 млрд руб. ежегодно на протяжении 10 лет, или 150 млрд руб. Однако независимые эксперты считают, что реальные затраты могут оказаться в 3–4 раза меньше.

 
 Генеральный директор TelecomDaily Денис Кусков полагает, что стоимость переноса телевизионных передатчиков может соответствовать обычным эксплуатационным расходам. Операторы, в свою очередь, подчеркнули, что продолжают платить за использование спектра, хотя фактически не имеют возможности его задействовать, что создает дополнительные финансовые обязательства.

Ведомости

«НИЦ Телеком»: операторы смогут развернуть 5G в диапазоне 694–790 МГц через 4–5 лет

Стартап «Фистех», созданный на базе «Сколтеха», сконструировал и протестировал фотонные интегральные схемы для работы с высокочастотными сигналами с шириной полосы до 22 ГГц.

 
 Разработка нацелена на обеспечение российских производителей телекоммуникационными решениями на базе отечественных ФИС.

 
 Изготовленные фотонные чипы были интегрированы на тестовые платы при участии компании АО «ЗНТЦ» и протестированы при поддержке Центра коллективного пользования НИЦ «Курчатовский институт».

 
 В настоящее время команда завершает второй этап тестирования — проверка IQ-модулятора, поддерживающего формат QPSK, и когерентного приемника. Эти модули интегрированы с драйверами модуляторов и трансимпедансными усилителями, что позволит улучшить качество глазковой диаграммы и повысить стабильность передачи.

 
 Завершение тестов ожидается в начале июня 2025 года.

CNews

Стартап «Фистех» произвел фотонный чип для телекома

Новое в стратегии МТС

Вячеслав Николаев, президент группы МТС, представил стратегические инициативы развития компании. В частности, речь идет о выделении бизнесов в отдельные направления: финтех (МТС Банк и другие сервисы), МВС и башни, медиа и розница.

Вячеслав Николаев, президент группы МТС, представил стратегические инициативы развития компании. В частности, речь идет о выделении бизнесов в отдельные направления: финтех (МТС Банк и другие сервисы), МВС и башни, медиа и розница.