Сделано в России: дайджест №33 новостей из мира ИТ, науки, космоса и технологий

В этом выпуске — разработки, которые делают технологии быстрее, точнее и удобнее в использовании. Вы узнаете про научные идеи и инженерные решения для развития нейросетей, создания ИИ-агентов, медицинской диагностики и охлаждения электроники.

Yandex B2B Tech запустила платформу Monium для мониторинга ИТ-систем в реальном времени

Yandex B2B Tech представила платформу Monium, предназначенную для анализа состояния ИТ-систем в реальном времени. Решение позволяет компаниям отслеживать работу цифровых продуктов, приложений и ИИ-агентов как в облаке, так и в собственной инфраструктуре.

Платформа помогает быстро обнаруживать инциденты, находить их первопричины и анализировать телеметрические данные в едином интерфейсе. Monium работает с тремя ключевыми типами данных: логами, трейcами и метриками. Также в системе предусмотрена гибкая настройка алертов, сценариев эскалации и голосовых уведомлений.

Изначально Monium использовалась внутри Яндекса для мониторинга критически важных сервисов. Платформа создана командой Yandex Infrastructure и рассчитана на работу под высокой нагрузкой. По данным компании, на март 2026 года с Monium ежемесячно работают 16 тысяч сотрудников Яндекса. В систему каждую секунду поступает: 3 млрд семплов метрик, 44 млн спанов и 60 ГБ логов.

Monium интегрируется в существующую ИТ-среду и поддерживает Prometheus и OpenTelemetry (OTEL) — один из основных стандартов сбора телеметрии. Это позволяет выстраивать единый подход к мониторингу без жёсткой привязки к конкретным вендорам.

Почему это важно:

• Мониторинг цифровых сервисов и приложений станет глубже и быстрее за счёт единого анализа логов, метрик и трейсов.
• Произойдёт развитие инструментов надёжности ИТ-инфраструктуры и более стабильная работа e-commerce, финтеха и корпоративных платформ.
• Снижение потерь бизнеса за счёт более быстрого обнаружения сбоев и поиска их причин.
• Масштабирование мониторинга для сложных систем, включая ИИ-агентов и высоконагруженные цифровые продукты.

Источник: TAdviser

Сбер представил корпоративную платформу GigaChat Enterprise для создания ИИ-агентов

Сбер открыл компаниям доступ к платформе GigaChat Enterprise, предназначенной для создания персонализированных ИИ-агентов под внутренние бизнес-задачи. Решение ориентировано на корпоративное использование и позволяет внедрять генеративный ИИ с учётом требований безопасности, доступа к данным и особенностей рабочих процессов.

Платформа помогает автоматизировать рутинные операции и настраивать ИИ-агентов под конкретные сценарии: поиск информации, работу со справочниками, обработку клиентских обращений, поддержку принятия решений и другие задачи. По оценке Сбера, такие агенты могут сокращать затраты рабочего времени на рутинные процессы до 70%.

Ключевая особенность GigaChat Enterprise — возможность учитывать внутренние регламенты, корпоративные базы знаний и существующие ИТ-системы компании. Это позволяет использовать ИИ не как внешний сервис общего назначения, а как инструмент, встроенный в конкретный бизнес-контур.

Платформа доступна в трёх конфигурациях:

• локальной — в виде программно-аппаратного комплекса для компаний с максимальными требованиями к конфиденциальности данных;
• облачной — для быстрого запуска и масштабирования с минимальными затратами;
• гибридной — для среднего и крупного бизнеса, где данные хранятся на серверах компании, а модель не сохраняет информацию после генерации ответа.

Отдельное внимание уделено корпоративному управлению. Компания может контролировать доступ, задавать правила работы агентов, применять политики безопасности и модерации контента, а также управлять агентами, которые создают сотрудники.

Наша задача была сделать решение, которые полностью будет отвечать потребностям клиентов и давать возможность выбора конфигурации. GigaChat Enterprise (ГигаЧат Бизнес) позволяет учесть регламенты, базу знаний, систему обработки клиентских обращений и другие особенности бизнес-процессов компании.

Андрей Белевцев, старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка

Почему это важно:

• Внедрение ИИ-агентов в компаниях станет проще за счёт готовой корпоративной платформы с управлением доступом и безопасностью.
• Сокращение рутинной нагрузки на сотрудников и ускорение внутренних процессов.
• Переход от пилотных экспериментов к системному внедрению корпоративного ИИ с учётом регламентов, баз знаний и существующей ИТ-среды.
• Масштабирование ИИ-решений упростится благодаря выбору между локальной, облачной и гибридной конфигурациями.

Источник: Сбер

В ИТМО и Genotek разработали ИИ-технологию для ускорения МРТ

Студенты магистратуры AI Talent Hub ИТМО совместно с медико-генетическим центром Genotek разработали ИИ-технологию для аппаратов МРТ, которая позволяет сократить время исследования коленного сустава с 20–40 минут до 5–10 минут без потери клинически значимой информации.

Технология основана на интеллектуальной реконструкции изображений: нейросеть восстанавливает недостающие фрагменты снимка по ограниченным данным, полученным во время сканирования. Такой подход позволяет ускорить процедуру, снизить нагрузку на клиники и повысить доступность МРТ-диагностики.

Технология основана на интеллектуальной реконструкции изображений: нейросеть восстанавливает недостающие фрагменты снимка по ограниченным данным, полученным во время сканирования. Такой подход позволяет ускорить процедуру, снизить нагрузку на клиники и повысить доступность МРТ-диагностики.

Зарубежные же аналоги используют технологию, которая обучается на итоговых (DICOM) снимках. В таком случае реконструированные снимки получаются хуже. Мы делаем упор на модель, которая реконструирует изображения из сырых (K-space) данных, полученных с прибора.

Юлия Малова, проектный менеджер Genotek

На первом этапе систему протестировали на изображениях коленного сустава из открытого набора fastMRI. По результатам испытаний восстановленные нейросетью изображения по качеству оказались близки к стандартным МРТ-снимкам. Разработка ускоряет исследование примерно в четыре раза.

В систему также встроен модуль автоматического скрининга патологий. Алгоритм проверяет восстановленные изображения на наличие повреждений хряща, мениска и связок.

Модель для коленного сустава обучалась на базе примерно из 1,5 тысячи исследований. Во внутренних тестах система достигла показателя структурного сходства SSIM 0,815, что сопоставимо с зарубежными аналогами на аналогичном этапе разработки.

Почему это важно:

• Время МРТ-исследований может сократиться в несколько раз без потери клинически важной информации.
• Пропускная способность клиник может вырасти, а нагрузка на диагностические кабинеты — снизиться.
• Развитие ИИ-реконструкции МРТ, в перспективе — более доступная и быстрая лучевая диагностика.
• Совместимость с оборудованием разных производителей упростит внедрение технологии в реальных медучреждениях.

Источник: Университет ИТМО

В «Иннополисе» разработали универсальную ИИ-систему для анализа медицинских снимков

Эксперты Института искусственного интеллекта университета «Иннополис» создали прототип универсальной ИИ-системы «Инновит» для анализа медицинских изображений. Модель способна не только находить и выделять патологии на снимках, но и автоматически формировать их текстовое описание для врача-рентгенолога.

Разработка предназначена для поддержки лучевой диагностики и может использоваться при анализе КТ, МРТ, рентгена, УЗИ и маммографии. Исследование велось при поддержке Фонда науки и технологий Республики Татарстан.

В отличие от большинства существующих медицинских ИИ-систем, которые обычно решают только одну узкую задачу — например, ищут пневмонию на рентгене или опухоль на МРТ, — «Инновит» построен как многоуровневая универсальная модель.

У нас получился универсальный многоуровневый прототип, который решает несколько задач одновременно, например, может находить все патологии на изображении, детектировать все рентгенологические признаки патологий, найти какую-то конкретную патологию, сегментировать все зоны патологических изменений или какой-то конкретный тип изменений — жидкость в плевральной полости. Кроме того, он способен генерировать полное текстовое описание всего изображения, как это сделал бы врач.

Ирина Михайлова, заместитель директора Института ИИ по проектам в сфере здравоохранения Университета «Иннополис»

В основе системы лежит фундаментальная модель компьютерного зрения на базе архитектуры Florence-2. Для проекта разработчики создали новую функцию потерь и дообучили модель на массиве из более 100 тысяч медицинских изображений с полным спектром патологий и анатомических зон. Обучение велось сразу по нескольким задачам: детекция, сегментация, классификация и генерация текста.

Почему это важно:

• Анализ медицинских снимков может стать более универсальным: одна система работает сразу с несколькими типами исследований и задач.
• Снижается потребность в наборе узкоспециализированных моделей для разных патологий и анатомических зон.
• Поддержка врачей-рентгенологов станет глубже за счёт автоматического выделения патологий и генерации текстового описания.
• Интеграция с языковыми моделями может привести к появлению ИИ-агентов, учитывающих историю исследований и данные медкарты.

Источник: Университет Иннополис

В ТПУ предложили новый подход к охлаждению микрочипов

Учёные Томского политехнического университета совместно с коллегами разработали новый подход к созданию теплопередающих поверхностей для систем охлаждения микрочипов. Решение может лечь в основу адаптивных систем теплоотвода для силовой электроники и высокопроизводительных процессоров.

Сегодня для охлаждения интегральных схем всё чаще используют двухфазные системы, где тепло отводится за счёт испарения капель хладагента. Такие системы эффективны при высоких тепловых потоках, но требуют точного управления тем, как капли распределяются по поверхности, где задерживаются и как испаряются в зонах перегрева.

Мы предложили новый подход по созданию теплопередающих поверхностей с контролируемой смачиваемостью. Он основан на сочетании лазерного текстурирования, лазерной химической модификации и термолиза многокомпонентных углеводородсодержащих жидкостей.

Дмитрий Феоктистов, руководитель проекта, доцент Исследовательской школы физики высокоэнергетических процессов

В ходе экспериментов образцы нагревали в диапазоне от 20 до 300 °C и исследовали, как меняются скорость испарения, температурные поля и эффективность охлаждения. Авторы показали, что традиционный критерий — скорость испарения — не всегда отражает реальную эффективность теплоотвода на таких поверхностях.

По результатам работы:

• бифильные поверхности с долей супергидрофобной области 30–45% снижали температуру в приповерхностном слое в 6 раз сильнее, чем полированная поверхность;
• при этом скорость испарения могла быть ниже на 29–74%;
• для шероховатых поверхностей с гидрофильными и супергидрофильными зонами эффективность охлаждения при умеренных температурах возрастала до 20 раз;
• максимум эффективности смещался к более высоким температурам — 160 °C вместо 140 °C у контрольной поверхности.

Почему это важно:

• Охлаждение микрочипов может стать эффективнее за счёт управляемого распределения капель на поверхности.
• Снижение локального перегрева в наиболее нагруженных зонах чипа без простого увеличения расхода хладагента.
• Создание адаптивных теплопередающих поверхностей станет точнее благодаря сочетанию текстуры и контраста смачивания.
• Новые решения для охлаждения могут поддержать развитие суперкомпьютеров, ИИ-систем, робототехники и беспилотного транспорта.

Источник: Томский политехнический университет

В AIRI разработали инструмент для удешевления ИИ-вычислений

Специалисты Института искусственного интеллекта AIRI опубликовали в открытом доступе систему KernelEvo, которая автоматически генерирует и оптимизирует GPU-ядра — специализированный код для графических ускорителей, используемых при обучении и работе нейросетей.

GPU-ядра лежат в основе большинства современных ИИ-систем. Именно они выполняют множество простых математических операций на видеокартах, а от их качества напрямую зависят скорость обучения моделей и стоимость вычислений. Обычно для повышения производительности разработчикам приходится вручную создавать собственные GPU-ядра, что требует времени и редкой инженерной квалификации. Разработка AIRI автоматизирует этот процесс: система сама генерирует и подбирает более эффективные варианты кода без постоянного участия программиста.

На фоне роста конкуренции в сфере ИИ компании все чаще конкурируют не только качеством моделей, но и эффективностью их обучения и эксплуатации. Представленный подход показывает, что снижение стоимости ИИ-вычислений возможно не только за счет покупки более мощного оборудования, но и за счет интеллектуальной автоматизации самого кода.

Иван Оселедец, генеральный директор AIRI

Почему это важно:

• Разработка нейросетей может стать дешевле за счёт автоматической оптимизации GPU-кода.
• Снижается зависимость от ручной настройки и дефицитных специалистов по низкоуровневому программированию.
• Использование уже имеющегося вычислительного оборудования может стать эффективнее без обязательного апгрейда инфраструктуры.
• Развитие открытых инструментов для ИИ, в перспективе — более доступная и быстрая разработка моделей для науки и бизнеса.

Источник: Хабр

В «Криптоните» разработали способ удалить биометрический след из систем распознавания лиц

В российской ИТ-компании «Криптонит» разработали метод, который позволяет выборочно удалять цифровой образ человека из системы распознавания лиц. Решение ориентировано на реализацию права на забвение и отзыв согласия на обработку биометрических данных без ухудшения качества распознавания остальных пользователей.

Современные системы распознавания лиц обычно продолжают хранить цифровой образ человека внутри обученной модели, даже если его данные формально удалены из базы. Это означает, что алгоритм всё ещё способен узнавать пользователя, а требования законодательства о прекращении обработки биометрии остаются технически сложными для исполнения. Новая разработка решает эту задачу не через маскировку или простое удаление записи, а на уровне внутренней логики модели.

Система распознает человека до тех пор, пока внутри нее существует цифровой образ лица. Мы разработали метод рассеивания этих данных в системе, чтобы алгоритм больше не мог их использовать.

Михаил Захаров, автор метода, специалист лаборатории искусственного интеллекта ИТ-компании «Криптонит»

По данным компании, испытания на открытых тестовых датасетах показали снижение эффективности распознавания целевых данных до 88%, тогда как общая точность системы заметно не изменилась.

Технология может применяться в системах видеонаблюдения с функцией распознавания лиц системах контроля и управления доступом, корпоративной безопасности, сценариях удаления биометрии уволенных сотрудников или пользователей, отозвавших согласие.

Почему это важно:

• Удаление биометрических данных может стать технически выполнимым не только в базе, но и внутри самой модели распознавания.
• Реализация права на забвение и отзыва согласия на обработку биометрии станет ближе к практике, а не только к формальному требованию.
• Снижаются риски, связанные с хранением цифровых слепков лица, которые невозможно «сменить», как пароль.
• Развитие систем видеонаблюдения и контроля доступа, в перспективе — более безопасная и юридически корректная работа с биометрией.

Источник: «Криптонит»

Подписывайся на наш Telegram-канал — там мы рассказываем о главных достижениях России в IT, науке, космосе и инженерии. Если у тебя есть интересные новости о российских технологиях, присылай их на support@codenrock.com.