Лаборатория искусственного интеллекта

Лаборатория искусственного интеллекта является центральной площадкой Центра «Проектный институт цифровой трансформации АПК» и служит ядром формирования компетенций в области разработки интеллектуальных систем. Её деятельность направлена на подготовку специалистов, способных проектировать, обучать и внедрять алгоритмы машинного обучения и глубокого обучения, адаптированные к задачам агропромышленного комплекса и финансового сектора.

Назначение

Лаборатория выполняет двойную функцию. С одной стороны, это учебно-научное пространство, где студенты осваивают фундаментальные методы искусственного интеллекта и практикуются в решении прикладных задач. С другой стороны, это исследовательская площадка, обеспечивающая связь с индустриальными кейсами Россельхозбанка, связанными с анализом кредитных портфелей, прогнозированием урожайности, моделированием биорисков и внедрением интеллектуальных сервисов для агробизнеса.

Оснащение и программный стек

Материально-техническая база лаборатории включает:

• вычислительный кластер с графическими ускорителями NVIDIA H100, позволяющий проводить обучение моделей на больших массивах данных;
• серверное оборудование на базе процессоров Intel Xeon Gold/Platinum, обеспечивающее высокопроизводительные распределённые вычисления;
• рабочие станции с процессорами Intel Core i9, видеокартами NVIDIA RTX 4090, 128 ГБ оперативной памяти и SSD до 1 ТБ для разработки и тестирования;
• система хранения данных объёмом свыше 80 ТБ SSD для сохранения обучающих выборок и моделей;
• облачные ресурсы (Cloud.ru) для удалённой работы студентов и распределённых экспериментов.

Программное обеспечение включает современные фреймворки:

• TensorFlow, PyTorch, Keras, Hugging Face Transformers для построения и обучения нейросетей;
• Scikit-learn, XGBoost, LightGBM для классических методов машинного обучения;
• MLflow, Optuna, Ray для управления экспериментами и оптимизации гиперпараметров;
• MATLAB, Wolfram Mathematica для математического моделирования;
• JupyterHub, VS Code, Anaconda как стандартные среды разработки.

Учебный процесс

В рамках работы лаборатории студенты осваивают:

• архитектуры глубокого обучения: сверточные нейросети (CNN) для анализа изображений, рекуррентные сети (RNN, LSTM, GRU) для обработки временных рядов, трансформеры и большие языковые модели (LLM) для анализа текстов и диалоговых систем;
• методы Computer Vision для мониторинга агрообъектов и автоматизированного анализа видеопотоков;
• методы Natural Language Processing (NLP) для обработки аграрной и финансовой документации;
• алгоритмы Generative AI (GAN, diffusion-модели) для моделирования и дополнения данных;
• практики Explainable AI (XAI), необходимые для доверенного применения ИИ в финансовом секторе.

Обучение включает как теоретические модули, так и практические проекты на реальных данных. Например, студенты разрабатывают модели прогнозирования урожайности с использованием спутниковых данных и климатических показателей, либо системы кредитного скоринга на основе транзакционных данных клиентов Россельхозбанка.

Роль в образовательном процессе

Лаборатория искусственного интеллекта выполняет ключевую роль в «бесшовном образовательном процессе» Центра. Если лаборатории интернета вещей и больших данных обеспечивают сбор и подготовку информации, то именно в этой лаборатории данные превращаются в модели, которые затем интегрируются в цифровые продукты, цифровые двойники и VR-симуляции.

Выпускники, прошедшие обучение в лаборатории, обладают компетенциями:

• ML Engineer — инженер по машинному обучению, проектирующий и обучающий модели;
• AI Developer — разработчик прикладных систем искусственного интеллекта;
• Data Scientist — аналитик данных, способный извлекать закономерности и строить прогнозные модели;
• AI Project Manager — руководитель проектов в области искусственного интеллекта.

Примеры проектов

• Разработка нейросетевых моделей скоринга сельхозпредприятий для Россельхозбанка на основе интеграции финансовых, климатических и пространственных данных.
• Построение моделей прогнозирования динамики урожайности зерновых культур по данным дистанционного зондирования.
• Создание антифрод-системы для анализа транзакций с применением методов аномалий и рекуррентных сетей.
• Разработка интеллектуальной системы поддержки принятия решений для кредитных менеджеров банка.