Версия для слабовидящих

Размер текста:

Цветовая схема:

Изображения:

Исследования и разработки

Обучение студентов компетенциям и навыкам в области обработки и анализа данных, машинного обучения, интернета вещей, инструментов финтеха и соответствующих новых моделей бизнеса невозможно путем пересказа учебников, пусть даже двух-трехлетней давности. Технологии развиваются очень быстро, и чтобы учебный процесс не отставал от реальной жизни, преподаватели должны сами работать на переднем крае технологий.

Мы считаем, что ведение исследований и разработок - это приоритетная задача каждого преподавателя. В департаменте ведутся как фундаментальные исследования в области математики, информатики и теории финансов, так и прикладные разработки - мы разрабатываем интеллектуальные системы в интересах реальных заказчиков.

Мы создаем передовые ИТ-решения в области графовой аналитики и эмпатических чат-ботов, компьютерного зрения и интеллектуальной видеоаналитики, сельскохозяйственных и медицинских роботов, интеллектуальных систем управления промышленным производством и многих других направлениях.

В этих областях в департаменте работают научные центры мирового уровня. Результаты наших прикладных исследований - это интеллектуальные информационные системы, внедренные как в крупнейших компаниях -- Сбербанке, РЖД, АльфаКапитале, Ингосстрахе, так и в небольших организациях.

Система распознавания состояния финансовых рынков

Cистема машинного обучения, предсказывающая моменты разворота рыночных трендов на основании исторических данных индексов S&P500 и DAX, размеченных экспертами. Система предсказывает цену актива, направление изменения цены, рыночный тренд и доход/доходность в валютном или процентном выражении. Точность предсказаний - около 80%. 

Алгоритмы учитывают проблемы несбалансированности классов и рассогласованности мнений экспертов, существенно влияющие на качество классификации состояний рынка. В 2017 году система показала доходность почти 29% на индексе DAX Франкфуртской фондовой биржи. 

Подробнее о разработанной системе - в интервью руководителя Департамента анализа данных, финансовых технологий и принятия решений, профессора Владимира Игоревича Соловьева. 

Сфера применения: система успешно применяется управляющей компанией, а ее версии может использоваться регулирующими организациями.

Техническое описание: для оценки качества распознавания состояния рынка применяются не только классические метрики (Accuracy, AUC, Кecall, Precision, F-Score), но и специально разработанные специфические критерии качества, учитывающие содержательные практические особенности задачи. Размеченные данные, обогащенные синтетическими признаками, используются для обучения как традиционных моделей классификации (в частности, усиленных деревьев XGBoost и LightGBM), так и новых моделей (основанных на методологии скользящих окон, нейронных сетях и т. д.).


Система разработана по коммерческому заказу. 

Система мониторинга вовлеченности

​Интеллектуальная система мониторинга вовлеченности студентов на основе анализа видеопотоков из аудиторий. Система улучшает результативность преподавания и других образовательных мероприятий. 

Система собирает видеопотоки с камер, установленных в аудиториях, обрабатывает их на локальном уровне, отправляет метаданные в облачное хранилище Microsoft Azure, где проводится анализ изображений, насколько каждому из присутствующих студентов интересно учиться.

Система призвана проводить раннюю диагностику проблемных ситуаций и повысить эффективность обратной связи от аудитории. В июле 2019 года система мониторинга вовлеченности была продемонстрирована в Сколковском институте науки и технологии (Сколтехе) на образовательном интенсиве «Остров 10–22», в котором приняли участие руководители более 100 университетов, где с помощью системы была проанализирована вовлеченность участников дискуссий в рамках интенсива.

Техническое описание: система использует технологии машинного обучения, интернета вещей, компьютерного зрения и распознавания эмоций. 

Данные по вовлеченности агрегируются по студенческим группам, факультетам, курсам и т.п. Итоговые результаты визуализируются в виде системы интерактивных панелей, что позволяет видеть изменения уровня вовлеченности в динамике и в срезе. 

Сфера применения: готовое решение для анализа уровня удовлетворенности клиентским сервисом в разных сферах - образовательных организациях, госучреждениях, банках, страховых компаниях и так далее. 

Участники проекта: руководитель  — глава Департамента анализа данных, принятия решений и финансовых технологий, профессор, д.э.н. В.И. Соловьев. 

Прототип системы предиктивной аналитики в промышленности

​Система предиктивной аналитики призвана помочь в сквозном планировании, повышении эффективности управления и оптимизации затрат производства. Модель упрощает процесс планирования от производственного участка до предприятия в целом и оснащена встроенным планировщиком по выпуску готовых деталей и партий изделий.Прототип выполнен на базе анализа данных по объему продаж антигистаминного препарата в аптеках Москвы за год. 

Техническое описание: модель использует технологии машинного обучения, предиктивного имитационного моделирования и Big Data. 

Сфера применения: Система позволяет формировать прогнозные сценарии, оперативно менять план производства, учитывает оптимизационные сценарии, выстраивает системы учета и контроля использования оборудования, инструментов и рабочего времени. Оптимизирует сроки производства, стоимость изделий и загрузку производственных мощностей. Легко интегрируется в существующую ИТ-инфраструктуру.

Участники проекта: доцент, к.э.н. С.В. Макрушин, А.В. Деяшкина

Работа выполнена – в рамках НИР 

Подробнее о машинное обучении  — в интервью доцента, к.э.н. Сергея Вячеславовича Макрушина, руководителя секции прикладной информатики Департамента анализа данных, принятия решений и финансовых технологий. 

Модель обнаружения кризисных ситуаций в экономике

​​Разработаны методы и модели раннего обнаружения кризисных ситуаций в экономике. В частности, определен индикатор, определяющий кризис на ранней стадии на основе методов математической статистики. Исследованы особенности сетецентрического подхода и системы мониторинга для обнаружения кризисных ситуаций. 

Построена антикризисная модель управления мировой банковской системы, формирующейся на основе сетецентрического подхода.

Подробнее о разработке  — в интервью доцента Департамента данных, принятия решений и финансовых технологий Финуниверситета Веры Алексеевны Иванюк.​

Сфера применения: Результаты научно-исследовательской работы могут найти практическое применение для принятия управленческих решений в деятельности органов государственного управления и регулирующих организаций. 

Участники проекта: руководитель НИР - директор Института промышленной политики и институционального развития, д-р техн. наук, профессор Абдикеев Н.М (Финуниверситет). Исполнители: д.э.н., член-корр. РАН Цветков В.А. (Финуниверситет), доцент Департамента анализа данных, принятия решений и финансовых технологий, к.э.н., доцент Гринева Н.В., д.т.н., профессор Пащенко Ф.Ф. (ИПУ РАН), доцент Департамента анализа данных, принятия решений и финансовых технологий, к.э.н. Иванюк В.А. и др.

Разработан в рамках НИР. 

Чатбот

Вопрос-ответная система на естественном языке. Платформа на базе алгоритмов глубинного машинного обучения для создания разговорного искусственного интеллекта, призванного отвечать на вопросы в заданной предметной области с помощью данных из крупной универсальной базы знаний (Wikidata). Отличается низкой долей неверных ответов.

В ходе исследовательского проекта решены следующие задачи:

  • Структурирование вопросов в рамках предметной области
  • Создание методологии, сбор и разметка большого объема исходных данных (вопросов)
  • Идентификация сути запроса (интента)
  • Выявление нетипичных именованных сущностей и сущностей с привязкой к ее типу
  • Создание локальной версии крупной универасальной базы знаний
  • Нечеткий поиск сущности в базе знаний
  • Фильтрация кандидатов с использованием типизации сущностей
  • Выбор наилучшего кандидата и признание отсутствия хорошего ответа
  • Генерация ответа

Сфера применения: решение может быть использовано для построения вопрос-ответных систем поддержки клиентов, чат-ботов. 

Подробнее о создании чатбота  — в интервью доцента Департамента анализа данных, принятия решений и финансовых технологий Екатерины Владимировны Романовой.

Техническое описание: для построения модели была использована платформа iPavlov, для которой было реализован ряд специализированных компонент и было проведено дообучение нескольких стандартных моделей проекта.

Участники проекта: доцент, к.э.н. С.В. Макрушин, инженеры Н.В. Блохин, Н.А. Титов, бакалавр Е. А. Емелин, доцент, к.ф-м.н. Е.В. Романова

Работа выполнена в рамках коммерческого заказа.

Система автоматического таргетирования звонков PrelVR

Многие компании, предоставляющие услуги технической поддержки по телефону используют пул операторов и специалистов, каждый из которых специализируется на решении определенной тематики пользовательских проблем. Для автоматического таргетирования пользователя на нужного оператора часто используется система IVR - голосового меню с предопределенными тематиками обращений. Но эта система не очень удобна пользователю, так как отнимает много времени и воспринимается пользователем как "несущественная". В итоге компания несет потери в виде увеличения количества редиректов, низкой удовлетворенности клиентов, расходов на увеличенный штат операторов. 

Нашей задачей было построение системы, предсказывающей тематику обращения клиента на основе интеллектуального анализа его прошлых обращений, информации о событиях клиента и автоматически направляющего его на нужного специалиста.

Сфера применения: система может быть полезна любым организациям, использующим голосовое меню для дифференциации тематики обращений клиентов и ведущая историю прошлых обращений клиента. Непосредственная разработка велась для системы поддержки корпоративных клиентов банка с учетом соответствующей специфики.

Техническое описание: система была основана на гипотезе о том, что различные категории пользователей имеют определенные паттерны обращений, которые могут быть выделены путем машинного обучения из анализа его прошлых обращений. Созданная система использует такие алгоритмы машинного обучения, как метод решающих деревьев, случайного леса, градиентный бустинг для наиболее эффективного предсказания возможной темы обращения. Также использовались методы очистки, нормализации и преобразования данных, основанные на статистических и математических методах.

Участники проекта: Коротеев М.В., к.э.н., доцент ДАДПриФТ, Королев И.А., Климушкина Е.А., Кузьмин М.В., специалисты со стороны банка-заказчика проекта. Руководитель проекта - д.э.н. и руководитель Департамента анализа данных, принятия решений и финансовых технологий Соловьев В.И.

Разработка велась в рамках коммерческого заказа.

Визуализация муниципальной статистики на тепловых картах

Технология позволяет визуализировать в геопространственном разрезе на карте страны статистическую информацию. В частности, была реализована статистических муниципальных данных по протяженности автомобильных дорог общего пользования, площади земель сельхозугодий и общей площади земель муниципального образования, площади улично-дорожной сети, расходам бюджета муниципального образования на содержание работников органов местного самоуправления в расчете на одного жителя муниципального образования. 

Сфера применения: Технология призвана повысить эффективность и ускорить работу органов муниципальной, региональной и федеральной власти при планировании развития территорий и их инфраструктуры. 

Выбрать дату

Выбрать дату

Выбрать год