Фундаментальные и генеративные модели

• Разработка эффективных алгоритмов дообучения генеративных моделей различного типа (GAN, диффузионные модели, LLM) с использованием малопараметрических матричных представлений

• Создание новых тензорных алгоритмов для аппроксимации параметров моделей и методы регуляризации, учитывающие разреженность, низкоранговую структуру и архитектурные особенности генеративных моделей, что позволит ускорить дообучение, предотвратить переобучение и повысить качество генерации

• Разработка продвинутых методов регуляризации и исследование способов объединения дообученных моделей в контексте непрерывного обучения и персонализированной генерации

• Создание модели генеративного искусственного интеллекта на основе омиксных данных

• Разработка методов xAI (explainable AI — интерпретируемый ИИ) для интерпретации значимости омиксных признаков для моделей глубокого обучения и фундаментальных моделей

• Разработка методов генерации ФЭГ (функциональных элементов генома) и омиксных признаков

• Снижение рисков ошибочно принятых решений в генетической диагностике

• Снижение трудоемкости автоматизации молекулярно-генетических исследований за счет реализации интеллектуальных компонент анализа данных и машинного обучения

• Повышение эффективности работы с большими данными молекулярной биологии за счет комбинирования традиционного моделирования, методов оптимизации и искусственного интеллекта, что позволит получить наилучшие результаты, опирающиеся как на теорию предметной области, так и на результаты обработки данных

• Повышение доступности искусственного интеллекта в целях его использования для персонализированной диагностики, раннего детектирования генетических заболеваний, а также развития прикладных научных исследований в области биоинформатики

• Разработка алгоритмов и математических моделей в области молекулярной биологии, генетики и биоинформатики с целью повышения точности и эффективности анализа геномных данных для PA GE 16 16 изучения сердечно-сосудистых заболеваний

• Создание инструментов для персонализированной медицины на основе фундаментальных моделей, позволяющих оценивать риск развития сердечно-сосудистых заболеваний, инфаркта миокарда и внезапной смерти

• Разработка модели для выявления постинсультной афазии по спонтанной речи, моделей для выявления для выявления возрастного когнитивного снижения по спонтанной речи, в том числе на основе методов глубокого обучения и больших языковых моделей

• Снижение рисков ошибочно принятых решений в нейрокогнитивной диагностике: нарушений речи, чтения, когнитивного снижения;

• Снижение трудоемкости диагностики за счет реализации интеллектуальных компонент анализа данных и машинного обучения

• Проведение экспериментов по дообучению open-source больших языковых моделей (LLM) с целью их адаптации к решению задач в области науки, технологий и инноваций

• Разработка способов реализации больших языковых моделей на ограниченных вычислительных ресурсах, а именно — исследование и выбор методов ускорения (оптимизации) вычислений

• Исследование подходов к обучению мультимодальных LLM, учитывающих при генерации ответов взаимосвязи и структуру документов — анализ дополнительных модальностей позволяет моделям более полно понимать контекст пользовательских запросов

• Разработка оптимального решения для улучшения генерации ответов в сфере науки, технологий и инноваций

• Выбор и реализация оптимальных reasoning-методов для работы с научнотехническими данными и внедрение выбранного решения в мультиагентную архитектуру

• Инновационное программное решение для анализа информации о НИОКР с помощью технологий искусственного интеллекта, применимое в домене «Наука и инновации» для комплексного исследования трендов российской науки и определения центров компетенций, обладающих потенциалом реализации задач национальных проектов технологического лидерства

• Сокращение объема вычислительных ресурсов, требующихся для использования LLM в задачах поиска, синтеза и анализа данных, возможно с помощью эффективных методов дистилляции и квантизации

• Применение адаптированной LLM с наилучшими параметрами качества для решения задач научно-технологической и тренд-аналитики на основе обработки документов по научным и техническим тематикам

• Разработка передовой модели генерации персонализированных рекомендаций с учётом индивидуальных характеристик пользователя, образовательной траектории и текущей динамики рынка труда на основе современных методов обработки естественного языка и машинного обучения

• Модель будет способна анализировать интересы абитуриента, задаваемые в свободной форме, его характеристики, а также предсказания заработной платы, полученные с применением моделей машинного обучения, и на их основе формировать рекомендации по выбору образовательной траектории и дальнейшей карьеры

• Создание инновационного программного решение для предпринимателей на основе дообученной большой языковой модели

• Повышение осведомленности предпринимателей о государственной поддержке

• Обеспечение качественной навигации по мерам государственной поддержки

• Стимулирование проактивного поведения предпринимателей

• Сокращение времени обработки запросов в центрах поддержки малого и среднего предпринимательства(МСП)

• Повышение качества принимаемых решений и снизит нагрузку на специалистов служб поддержки МСП

• Создание программной библиотеки для построения систем комплексной обработки разнородных данных для задач промышленности, медицины и бизнеса, что позволит упростить применение больших фундаментальных моделей в инновационных программных решениях искусственного интеллекта

• Разработка генеративных моделей, адаптированных под специфические домены 

Разработка математического и программного обеспечения, позволяющего анализировать и интерпретировать эмоциональные состояния и персональные характеристики человека на основе мультимодальных данных, включая: 

• методы автоматического распознавания эмоций
• оценку личностных качеств
• создание цифровых эмоционально выразительных аватаров 
• разработку интерфейсов, адаптирующихся к эмоциональному состоянию пользователя

• Создание высокоточных нейросетевых моделей распознавания и интерпретации эмоций

• Разработка генеративных нейросетевых моделей создания цифровых эмоционально выразительных аватаров и интеллектуальных мультимодальных интерфейсов для улучшения взаимодействия с пользователем в различных областях

• Повышение доступности искусственного интеллекта в целях его использования в повседневной жизни