Yandex Cloud объявило новые назначения в руководстве компании. Платформу возглавил Григорий Атрепьев, перешедший на этот пост с позиции директора по продуктам Yandex Cloud. Александр Черников назначен операционным директором — до этого он занимался развитием бизнеса компании в России и странах СНГ.

 
 Григорий Атрепьев работает в Yandex Cloud с момента основания платформы в 2018 году. Он присоединился к ней в роли архитектора облачных решений — специалиста, который проектирует и организует работу ИТ-систем в облаке. Под его руководством были созданы команды облачных архитекторов, технических аккаунт-менеджеров и инженеров.

 
 Александр Черников пришел в Yandex Cloud в 2019 году. Его основные обязанности включали развитие клиентского направления и расширение коммерческого отдела. В новой роли операционного директора Черников будет продолжать наращивать бизнес облачной платформы, развивать новые направления, а также укреплять отношения с клиентами и партнерами.

Яндекс

Григорий Атрепьев возглавит Yandex Cloud

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

«Яндекс» представил бета-версию нового сервиса «Нейроэксперт», предназначенного для обработки различных типов данных: документов, презентаций, аудиофайлов, видеороликов, веб-ссылок и таблиц. Сервис позволяет создавать базы знаний на основе загружаемых материалов и находить ответы на запросы пользователей. Помимо этого, он способен пересказывать содержимое документов, делать обобщения, проводить сравнения и составлять тексты в заданном стиле на основании предоставленных данных.

 
 Пользователи могут взаимодействовать с сервисом через диалоговое окно, задавая вопросы, аналогичные общению с обычными чат-ботами. «Нейроэксперт» формирует ответы на основе тех источников, которые загрузил сам пользователь, не добавляя никаких собственных данных, уточнили разработчики. В перспективе после завершения этапа тестирования планируется увеличить лимит на количество загружаемых файлов и ссылок свыше 25 единиц.

 
 Ожидается, что новый инструмент окажется полезным для людей, работающих с большими объемами информации, включая студентов, готовящихся к экзаменам, преподавателей, разрабатывающих циклы лекций, и других специалистов, которым необходимо готовить отчеты на основе разрозненных данных. Основная задача «Нейроэксперта» заключается в автоматическом поиске нужной информации, исключающем необходимость ручного просмотра всех файлов.

 
 В будущем компания планирует разработку расширенной версии сервиса для корпоративных клиентов, включающей дополнительные функции: поиск информации внутри корпоративной документации и баз данных, оптимизацию рабочих процессов и упрощение процедур адаптации новых сотрудников.

РБК

«Яндекс» запустил ИИ-сервис «Нейроэксперт» для работы с файлами разных форматов

«Яндекс» открыл доступ к Instruct-версии собственной модели YandexGPT 5 Lite. Модель доступна для использования как в некоммерческих, так и в коммерческих проектах, а также поддерживает API в Yandex Cloud.

 
 Новая версия модели была предварительно обучена на большом объеме данных и прошла дополнительный этап настройки (Alignment). В результате она стала способной эффективно решать задачи, заданные через промпты, в отличие от предыдущей версии YandexGPT 5 Lite — Pretrain, которая требует дополнительного обучения под конкретные задачи.

 
 Согласно международным тестам и их адаптации для русского языка (MMLU, IFEval, RuFacts) YandexGPT 5 Lite Instruct демонстрирует результаты, близкие к показателям китайской модели Qwen2.5-7B-Instruct, и даже превосходит ее в некоторых сценариях, таких как классификация и разметка текстов, знание русской культуры и фактов, а также способность отвечать в требуемом формате.

 
 Метод слепого сравнения (SBS) показал, что в 62% случаев модель YandexGPT 5 Lite Instruct выдает ответы лучшего качества по сравнению с Qwen2.5-7B-Instruct и сопоставима по качеству с GPT-4o Mini в выполнении типичных задач «Яндекса».

 
 Разработчики подчеркивают, что благодаря компактности и высокому качеству модели, а также поддержке библиотеки llama.cpp и формата GGUF (GPT-Generated Unified Format) ее можно запускать на персональных компьютерах.

<hr />
 
 В феврале 2025 года «Яндекс» <a href="https://yandex.ru/company/news/04-25-02-2025" target="_blank">выложил</a> в открытый доступ Pretrain-версию YandexGPT 5 Lite, предназначенную для дообучения под специфические задачи пользователей.

<hr />

«Яндекс» выложил в открытый доступ Instruct-версию модели YandexGPT 5 Lite

В Минэкономразвития сочли эксперимент актуальным, в том числе для автоматизации процессов логистики. Как отметили в «Яндексе», во время экспериментального правового режима (ЭПР) было совершено более 100 тыс. поездок, общий пробег автономных такси составил более 8 млн км.

 
 Также уточняется, что в ходе ЭПР была протестирована технология ВАТС второй категории (автоматизированное управление без водителя в машине). Тестирование беспилотных такси «Яндекса» проводилось в Москве, Сириусе и Иннополисе.

 
 По данным министерства, в России в ходе эксперимента по использованию автономных автомобилей <a href="https://ict.moscow/news/minekonomrazvitiia-v-khode-epr-dlia-bespilotnikov-proizoshlo-36-dtp-s-ikh-uchastiem/" target="_blank" rel="nofollow">произошло</a> 36 ДТП с их участием. Из них 26 случились, когда автомобили находились в автоматизированном режиме управления. Еще десять ДТП произошли, когда испытатель управлял автомобилем в ручном режиме.

<hr />
 
 Правительство <a href="https://t.me/ict_moscow_ai/2211" target="_blank" rel="nofollow">утвердило</a> запуск ЭПР для беспилотного такси на территории Москвы, Татарстана и Краснодарского края в марте 2022 года.

<hr />

ЭПР для тестирования беспилотных такси «Яндекса» продлят на три года

Рынок интернет-рекламы в 2020 году

Борис Омельницкий, директор по стратегическому развитию рынка коммерческого департамента. «<a target="_blank" href="https://ict.moscow/event/runet-2020-itogi-goda/">Рунет 2020: итоги года</a>» (21.12.2020).

Борис Омельницкий, директор по стратегическому развитию рынка коммерческого департамента. «<a target="_blank" href="https://ict.moscow/event/runet-2020-itogi-goda/">Рунет 2020: итоги года</a>» (21.12.2020).&nbsp;

<ul>
 <li>Доли сегментов рынка рекламы.<a target="_blank" class="ce-block__copy-anchor-btn"></a></li>
 <li>Динамика доли интернет-рекламы.</li>
</ul>