Направления исследований:
-
Исследования в области оценки качества и эффективности алгоритмических и программных решений для систем искусственного интеллекта и машинного обучения. Методики сравнения и выбора алгоритмических и программных решений при многих критериях.
-
Методы и алгоритмы моделирования мыслительных процессов: рассуждений, аргументации, распознавания и классификации, формирования понятий. Исследования в области нейроморфных методов анализа данных, имитационное моделирование строения и функций мозга, в том числе – и с использованием методов машинного обучения. Нейроинформатика и методы моделирования биологических нервных систем.
-
Разработка методов, алгоритмов и создание систем искусственного интеллекта и машинного обучения для обработки и анализа текстов на естественном языке, для изображений, речи, биомедицины и других специальных видов данных.
-
Методы и технологии поиска, приобретения и использования знаний и закономерностей, в том числе – эмпирических, в системах искусственного интеллекта. Исследования в области совместного применения методов машинного обучения и классического математического моделирования. Методы и средства использования экспертных знаний.
-
Формализация и постановка задач управления и (поддержки) принятия решений на основе систем искусственного интеллекта и машинного обучения. Разработка систем управления с использованием систем искусственного интеллекта и методов машинного обучения в том числе – управления роботами, автомобилями, БПЛА и т.п.
-
Разработка специализированного математического, алгоритмического и программного обеспечения систем искусственного интеллекта и машинного обучения. Методы и средства взаимодействия систем искусственного интеллекта с другими системами и человеком-оператором.
-
Многоагентные системы и распределенный ИИ.
-
Исследования в области «сильного ИИ», включая формирование понятийной базы и элементов математического формализма, необходимых для построения алгоритмического аппарата.
-
Исследования в области «доверенных» систем класса ИИ, включая проблемы формирования тестовых выборок прецедентов, надежности, устойчивости, переобучения и т.д.
-
Методы и средства формирования массивов данных и прецедентов, включая «большие данные», необходимых для решения задач искусственного интеллекта и машинного обучения. Проблемно-ориентированные коллекции данных для важных прикладных областей.
-
Методы и средства формирования массивов условно-реальных данных и прецедентов, необходимых для решения задач искусственного интеллекта и машинного обучения.
-
Исследования в области многослойных алгоритмических конструкций, в том числе – многослойных нейросетей.
Обучение в Московском Политехе
Аспирантские научные исследования и разработки реализуется на базе научно-исследовательской лаборатории «Искусственного интеллекта» кафедры «Инфокогнитивных технологий». Научная тематика лаборатории развивается в трех основных направлениях: машинное зрение (анализ и обработка изображений), обработка естественного языка, распознавание и синтез речи (компьютерная лингвистика) и интеллектуальные системы поддержки принятия решений (технологии предиктивного анализа данных).
Диссертации аспирантов направлены на решение таких актуальных технологических задач как:
· Сбор наборов данных (data sets) и обучение классификаторов, снтез/ генерация 3D, 2D изображений и видео-объектов с сохранением узнаваемости, автономная семантическая сегментация, классификация и идентификация, разбиение на объекты и распознавание мелких деталей, в том числе в режиме реального времени, психографический и эмоциональный анализ поведения людей на основе видео-данных др.
· Спам фильтрация текстов, интеллектуальный поиск ответов в тексте и «понимание» запросов пользователя, распознавание ошибок, слэнга и аббревиатур, динамическое распознавание смысла, распознание сложных смысловых конструкций, слэнга, эмоциональных оттенков и субэмоций в речи, создание средств управления эмоциями и смысловыми конструкциями в синтезированной речи, и др.
· Принятие решений на основе открытых источников данных и неструктурированной информации, разработка систем управления, учитывающие физических процессы, происходящие с объектом, централизованное управление группой/роем объектов, разметка данных при помощи искусственного интеллекта и др.
· Рассматриваются как важные и перспективные технологии: автоматизация обучения нейронных сетей (Auto ML) и сильный искусственный интеллект (AGI).
Обучение в аспирантуре осуществляется по нескольким программам подготовки кадров высшей квалификации, соответствующих научным специальностям. Программы имеют высокий уровень ресурсной обеспеченности — кадровой, учебно-методической (научно-образовательной) и информационной. В настоящее время научными руководителями аспирантов являются пять профессоров докторов и кандидатов наук, 6 доцентов кандидатов наук.
Исследования аспирантов развиваются в сотрудничестве с научной школой «Информационные технологии семиотики, лингвистики, когнитологии». Основной педагогический ресурс школы представлен Научно-образовательным кластером Компьютерной лингвистики и искусственного интеллекта (НОК CLAIM) В составе коллектива, представляющего научную школу, 11 кандидатов технических наук, один Лауреат премии Президента РФ в области образования, средний возраст — 35 лет. 9 членов коллектива являются руководителями IT компаний или их подразделений.
Партнерами в проведении аспирантских научных исследований и разработок являются ученые и специалисты Российской академии наук: Института проблем управления им. В.А.Трапезникова, Федерального исследовательского центра «Информатика и управление», Института русского языка им.В.В.Виноградова, Института языкознания, Научно-исследовательского института ревматологии им. В.А.Насоновой. Помощь в проведении исследований оказывают эксперты компаний и государственных организаций: ПАО Сбербанк, ЦКБ при управлении делами Президента РФ, ООО "МЭЙЛ.РУ", ФГУП «ГРЧЦ» и др.
