Конкурс ПО НИОКТР > Поиск команды

Проекты 2026

О проекте Требуемые специалисты Контакты
В области медицинской обработки естественного языка (NLP) значительный прогресс достигнут для английского языка благодаря обилию ресурсов, таких как PubMed, MIMIC и UMLS. Однако для других широко распространённых языков французского, испанского, португальского и русского специализированные медицинские NLP-модели значительно отстают из-за нехватки крупных, качественных биомедицинских корпусов. Это неравенство ограничивает внедрение инструментов на основе искусственного интеллекта в клиническую практику, научные исследования и общественное здравоохранение в лингвистически разнообразных регионах. Данный проект направлен на устранение этого разрыва путём создания единой открытой многоязычной медицинской языковой модели, способной выполнять ключевые NLP-задачи (ответы на вопросы, реферирование, распознавание именованных сущностей) на английском, французском, испанском, португальском и русском языках. @repeat_afterme_15
Проект направлен на разработку коллаборативной робототехнической платформы для автономного перемещения и манипулирования объектами в помещениях. Платформа объединяет мобильную базу, роботизированный манипулятор и интеллектуальную систему управления, позволяющую выполнять задачи захвата и транспортировки объектов по командам человека. Решение ориентировано на применение в складской логистике, архивных системах и задачах автоматизированной уборки. t-ionov@list.ru
Цель — повышение эффективности использования ресурсов, операционной стабильности и надежности обслуживания при минимизации эксплуатационных затрат. Автоматизируя решения по масштабированию и прогнозируя перегрузки или сбои в системе, модуль позволяет принимать более точные проектные и эксплуатационные решения в облачных средах. Назначение разработки. Программный продукт представляет собой модуль управления ресурсами, интегрированный в платформу оркестровки облака, предназначенный для поддержки экономичного и отказоустойчивого распределения вычислительных ресурсов для контейнеризированных приложений. Описание. Модуль работает в режиме реального времени и непрерывно анализирует операционную телеметрию из облачной инфраструктуры, включая интенсивность рабочей нагрузки, показатели производительности системы и метрики использования ресурсов. На основе этих данных модуль применяет прогнозную аналитику и механизмы принятия решений на основе обучения с подкреплением для определения оптимальных действий по масштабированию и размещению ресурсов. Описание. В рамках архитектуры облачной платформы модуль функционирует как уровень поддержки принятия решений и автоматизации, который расширяет возможности собственной оркестровки. Он обрабатывает данные мониторинга, прогнозирует динамику рабочей нагрузки, оценивает альтернативные стратегии масштабирования и генерирует адаптивные решения по распределению ресурсов. Затем эти решения передаются в систему оркестровки, которая выполняет операции масштабирования, такие как репликация контейнеров, миграция или перераспределение между узлами кластера. Отслеживаемые метрики для принятия проектного решения по распределению ресурсов (обновление метрик происходит в режиме реального времени, соответственно, каждое решение моментально распределяется): Время ответа — средняя задержка в миллисекундах; Пропускная способность — количество обработанных запросов в секунду; Доступность — процент времени безотказной работы; Стоимость вычислений за один запуск; ​​Среднее время восстановления (MTTR); Общее количество и количество ложноположительных событий масштабирования. Требования к реализации. Модуль должен иметь доступ к данным мониторинга в реальном времени из облачной инфраструктуры. Для получения информации об использовании ЦП и памяти, пропускной способности запросов, времени ответа, состоянии узлов и событиях жизненного цикла контейнеров необходима интеграция с системами мониторинга, такими как сборщики метрик и системы логирования. Система должна включать вычислительный компонент, способный обрабатывать большие объемы оперативных данных и выполнять алгоритмы машинного обучения. Этот компонент выполняет прогнозирование рабочей нагрузки, обнаружение аномалий и оптимизацию принятия решений на основе обучения с подкреплением. Модуль должен быть способен работать в распределенных средах с сотнями или тысячами контейнеров. Его алгоритмы принятия решений и конвейеры обработки данных должны масштабироваться горизонтально, чтобы избежать превращения в узкое место в процессе оркестровки. Должен быть предусмотрен интерфейс управления для настройки параметров моделирования, мониторинга поведения системы и анализа показателей производительности. Этот интерфейс позволяет операторам настраивать шаблоны рабочей нагрузки, параметры кластера и политики обучения. УГТ: создан прототип программного приложения, предложила его на выставку КМУ’26 Программный инженер облачных вычислений;
Программист C++, Python		 academic@alexandramiracle.com
Система представляет собой облачную SaaS-платформу для работы с базами данных, которая объединяет в себе функциональность традиционных desktop-клиентов с современными веб-технологиями и возможностями искусственного интеллекта. Ключевыми особенностями проекта являются интеллектуальный помощник на базе LLM для генерации и валидации запросов на естественном языке, а также сервис автоматизированной инициализации инфраструктуры через защищенные SSH-соединения. istamovulugbek@yandex.ru