Институт перспективных исследований проблем
искусственного интеллекта и интеллектуальных систем
МГУ имени М.В. Ломоносова
Целью Института является проведение фундаментальных и прикладных исследований в области искусственного интеллекта, а также междисциплинарных исследований с применением методов искусственного интеллекта.
Принципы работы Института — междисциплинарная кооперация, создание лабораторий в перспективных областях ИИ, реализация совместных исследований с ведущими российскими научными организациями и корпорациями.
Институт также проводит собственную образовательную программу в области анализа больших данных и машинного обучения AI Masters.

Наши лаборатории
-
«Машинное обучение и семантический анализ»Руководитель: Воронцов Константин Вячеславович, доктор физико-математических наук, профессор РАН
Специалист в области интеллектуального анализа данных, машинного обучения, прикладной статистики, автоматической обработки и понимания текстов естественного языка, информационного поиска. Руководил 30+ научно-исследовательскими проектами.
Проекты:
- Поисково-рекомендательный сервис «Мастерская знаний». Проект направлен на создание технологий автоматизации тех этапов научных исследований, которые связаны с поиском, анализом и обработкой больших объёмов текстовой научно-технической информации. Основные функции сервиса: рекомендации научных статей при составлении тематических подборок, мониторинг новой релевантной подборке информации, автоматизация реферирования подборок, автоматическое выделение трендов научных исследований, оценивание когнитивной сложности текста и рекомендация порядка чтения, тематизация и предметизация научно-технической информации, генерация «карт знаний» и других визуальных представлений в рамках концепции дистантного чтения (distant reading).
- Система анализа новостных потоков. Проект направлен на создание технологий и общедоступных сервисов для выявления потенциально опасного дискурса в средствах массовой информации и социальных медиа, включая выявление фейковых новостей, противоречий, замалчивания, приёмов манипулирования общественным мнением, пропаганды, идеологической и информационной войны, а также определение целевых аудиторий воздействий и оценивание возможных психоэмоциональных реакций.
- Цифровая платформа «ЦИПФ» для автоматизации процессов управления профессиональной, социальной и политической активностью молодёжи путём мониторинга и автоматизированного социологического анализа данных СМИ и социальных медиа, дальнейшего экспертного оценивания, автоматизированного скоринга и поддержки позитивных молодёжных активностей.
- Депозитарий учебных прикладных задач анализа данных и машинного обучения в различных отраслях. Описание каждой задачи содержит научно-популярный и образовательный контент, открытые наборы данных, открытый код базовых решений и метрик качества, средства автоматического контроля знаний. Депозитарий позволит ускорить формирование модульных практико-ориентированных образовательных курсов для подготовки специалистов на стыке науки о данных, искусственного интеллекта и различных прикладных областей.
-
«Интеллектуальный анализ видео»Руководитель: Ватолин Дмитрий Сергеевич, кандидат физико-математических наук
Специализируется на исследованиях в области алгоритмов сжатия видео, современных методах измерения качества и обработки цифрового видео. Руководил 40+ проектами с компаниями Intel, Cisco, Real Networks, Samsung, Broadcom, Huawei, Tencent и др. Участвовал в запуске 7 стартапов, возраст 4 из которых перевалил за 15 лет.
Проекты:
- Разработка метрик оценки качества видео, устойчивых к атакам. В результате проведения анализа устойчивости методов оценки качества видео определяеются потенциальные способы повышения их устойчивости и предлагаются новые признаки для создания новых метрик качеста.
- Разработка платформы для субъективной оценки качества медиаданных. В рамках проекта проводятся исследования методов получения эталонных наборов субъективных оценок качества изображений и видео, а также исследования влияния различных искажений на субъективные оценки и объективные метрики оценки качества.
- Разработка бенчмарков для различных алгоритмов обработки видео. В каждый бенчмарк включается по возможности уникальный набор данных, покрывающий различные тестовые случаи для своей задачи или конкретные тестовые случаи, важные для исследований в этой области; результаты субъективного сравнения; набор метрик, имеющих высокую корреляцию с субъективным сравнением и демонстрирующих различные характеристики алгоритмов.
- Разработка методологии оценки методов повышения разрешения. В рамках проекта разрабатывается метод объективной оценки корректного восстановления деталей при использовании методов повышения разрешения видео, на основе которого проводится анализ современных подходов.
- Разработка интеллектуального метода сжатия видео, учитывающего человеческое восприятие. В рамках задачи осуществляется исследование методов построения карт внимания. Планируется понижение размера файла более 20% при сохранении визуального качества по результатам субъективного исследования.
-
«Искусственный интеллект в биоинформатике и медицине»Руководитель: Раменский Василий Евгеньевич, кандидат физико-математических наук, доцент ФББ МГУ
Специализируется в области геномной, медицинской и структурной биоинформатики. Создатель PolyPhen, одного из первых и наиболее востребованных автоматизированных программных конвейеров для интеграции комплексных геномных данных и предсказания функционального эффекта вариантов генома с помощью методов машинного обучения.
Проекты:
- Проект STVAE. Создание фреймворка для анализа данных транскриптомики — предсказания поведения генов клетки в результате внешнего воздействия, предсказания наиболее эффективной терапии второй линии при лечении опухоли, предсказания последствия нокаута генов, устранения серийных эффектов в данных, изучения фундаментальных основ взаимодействия генов, систематического сбора и гармонизации датасетов single cell RNAseq пригодных для машинного обучения.
- Проект Protomenal. Создание фреймворка для анализа белковых последовательностей, предсказания функциональных свойств белков на основе multitask learning, и направленной модификации белков с целью изменения/улучшения их свойств (редизайн белков).
- Гликозилирование белков человека. Разработка методов анализа больших данных гликомики в связке с мультиомиксными данными. Включает в себя создание методов разложения спектра гликанов, установление генетического контроля N-гликозилирования белков, обработку сопутствующих изображений. Конечной целью является разработка новых способов диагностики заболеваний, создание лекарств нового поколения и репозиционирования лекарств (drugs repurposing).
Новости
Бенчмарк устойчивости современных метрик качества к состязательным атакам

7 сентября Сергей Лаврушкин, старший научный сотрудник лаборатории «Интеллектуальный анализ видео», принял участие в конференции Practical МL Conf от Яндекса с докладом на тему «Как выбрать метрику в Loss, или Бенчмарк устойчивости современных метрик качества к состязательным атакам».
В докладе приведены результаты сравнения устойчивости 15+ современных методов оценки качества к различным состязательным атакам, выделены наиболее устойчивые к атакам метрики и продемонстрировано устройство бенчмарка лаборатории «Интеллектуальный анализ видео». Бета бенчмарка опубликована по ссылке.
Сжатие изображений в XXI веке

- Какие артефакты могут возникать при сжатии изображений?
- Какие преимущества у JPEG 2000 перед JPEG и почему он не стал популярен?
- Какие алгоритмы сжатия изображений существуют?
- Какие плюсы и минусы есть у создаваемого сейчас нейросетевого формата JPEG AI?
- Что ожидать от технологий сжатия картинок в будущем?
Об этом рассказывает Дмитрий Ватолин, руководитель лаборатории «Интеллектуальный анализ видео» Института ИИ МГУ для научно-просветительского проекта НаукаPRO.
В июне этого года Дмитрий Сергеевич вошел в состав экспертов комитета стандартизации JPEG AI.
«Армия-2023»

14–20 августа проходил международный военно-технический форум «Армия-2023». Одним из ключевых мероприятий научно-деловой программы форума стал Конгресс «Стратегическое лидерство и технологии искусственного интеллекта».
Константин Воронцов, руководитель лаборатории «Машинное обучение и семантический анализ» Института ИИ МГУ, принял участие в секции № 4 «Научная проблематика в области искусственного интеллекта» с докладом «Интерпретируемость и объяснимость моделей машинного обучения».