Нейросети
Мы работаем с нейросетями с 2017 года. За это время прошли путь от исследований до работающих продуктов в реальном секторе.



Как устроены нейросети

Все нейросети классифицируются по нескольким методологиям:

  • По архитектуре и топологии связей
    • Прямого распространения
    • Рекуррентные нейронные сети
    • Трансформеры
    • Гибридные архитектуры
  • По типу обучения
    • С учителем
    • Без учителя
    • С подкреплением
    • Самообучение / Полуавтоматическое обучение
  • По цели и функциям
    • Генеративные модели
    • Дискриминативные модели
  • По специализации на типе данных
    • Для изображений
    • Для текста и NLP
    • Для звука и речи
    • Для временных рядов
    • Для графовых данных
  • По глубине и масштабу
    • Мелкие
    • Глубокие
    • Крупномасштабные языковые/мультимодальные модели

С чем работаем мы


Мы специализируемся на глубоких сверточных нейронных сетях (CNN), обученных с учителем, которые работают как одностадийные детекторы объектов для задач компьютерного зрения.
Этот подход позволяет достигать точности детекции 99,99% и применять нейросети там, где цена ошибки высока: производство, контроль качества, автономные системы.

Основной поток инвестиций и внимания сегодня направлен в генеративные модели — языковые и мультимодальные. Это мощный инструмент для работы с текстом и контентом, но с ограниченной применимостью в физическом мире.
Мы работаем в другом направлении: нейросети, которые взаимодействуют с реальными объектами, управляют физическими системами и решают задачи там, где генеративные модели неприменимы.