АСТОНЛАБ

JointML – решение делающее доступным применение лучших ML-моделей для широкого круга компаний независимо от их бюджета, объема данных и наличия большой команды data-специалистов, сохраняющее в безопасности данные каждого участника путем применения подходов децентрализованного обучения. JointML предоставляет модели по подписке и использует как основу методы и алгоритмы ИИ и Federated Learning. Проведены научно-исследовательские, запланированы опытно-конструкторские и технологические работы.

Концепция продукта предполагает разработку системы JointML – решения делающего доступным применение ML-моделей по подписке для широкого круга компаний (на первом этапе рассматривается финансовый сектор) независимо от их бюджета, объема данных и наличия большой команды data-специалистов, сохраняющее в безопасности данные каждого участника путем применения подходов децентрализованного обучения, предоставляемых технологией Federated Learning. Для скорейшего старта работы (в режиме опытно-промышленной эксплуатации) в рамках самой Системы JointML команда уже приступила к проектированию и разработке следующей функциональности: Регистрация и Авторизация, Личный кабинет корпоративного пользователя и Бизнес-администратора, Организация процесса коллаборативной разработки - создания «альянсов» и «песочниц», Организация процессов настройки правил разработки, обучения, хранения и предоставления глобальных ML-моделей, Подключения хранилища ML-моделей и Разработка Агентов в версии MVP. Но помимо Системы JointML необходимы и сами глобальные ML-модели, которые будут храниться, обновляться, обучаться и предоставляться Системой. Для создания и совершенствования таких ML-моделей команда в 2023 году будет проводить предметные исследования (на первом этапе на базе финансового сектора) и разработки. Далее полученные ML-модели будут встраиваться в Систему JointML. Далее Система JointML выйдет в опытно-промышленную эксплуатацию и будет пополняться ML-моделями и развиваться. В качестве преимуществ JointML необходимо отметить следующие: 1) доступность и встраиваемость ML-Моделей в системы компаний; 2) будет содержать ряд готовых релевантных ML-Моделей по ключевым блокам бизнес-архитектуры отрасли; 3) даст возможность для совместной межкорпоративной работы с ML-Моделями («альянс») с обеспечением безопасности на архитектурном уровне, за счет использования технологии Federated Learning; 4) отсутствие прямого взаимодействия с персональными и критическими бизнес-данными клиента.