Искусственный интеллект — рабочий инструмент, построенный на сбалансированном сочетании алгоритмов с инженерной проработкой. Как технологии ИИ способны улучшить приложение, устройство, систему и какие инженерные задачи решаются при этом, рассказывают специалисты и аспиранты Московского института электроники и математики ВШЭ.
Денис Королев, руководитель Учебной лаборатории сетевых видеотехнологий МИЭМ ВШЭ
ИИ как ассистент преподавателя
Мы сделали «проверятор» открытых ответов студентов на экзамене на базе LLM: студент получает не просто оценку, а развернутое пояснение, почему она такая. Задача — дать быструю обратную связь на лекциях и выстроить объективную аттестацию на экзаменах плюс собрать цифровой след обучения. Решение: LLM оценивает ответы по критериям полноты и корректности, а при несогласии студента диалог уходит преподавателю для ручной проверки.
Инженерная сложность — подбор промптов и валидация: система дозадает вопросы с учетом тематической близости, когда при успешном ответе предлагает либо близкие, либо более далекие (в рамках раздела) вопросы. Эксперимент показал 90% совпадений с экспертной оценкой в пределах одного шага шкалы.
Этот же инструмент может быть использован для сбора обратной связи. Так, еще одна наша команда занимается анализом комментариев СОП (студенческой оценки преподавания), где одна из проблем — наличие множества односложных ответов вроде «все ок» или «плохо». Инструмент опроса, построенный на LLM, помогает вести беседу, задавая уточняющие вопросы. Сейчас мы запустили «дозадавание» вопросов в режиме экзамена.
Андрей Васенко, заместитель заведующего Научно-учебной лабораторией квантовой наноэлектроники МИЭМ ВШЭ
«Умный ускоритель» физического моделирования
Мы изучаем перовскитные солнечные элементы, где дефекты структуры снижают эффективность, захватывая носители заряда и превращая их энергию в тепло. Точные квантовомеханические расчеты способны выяснить роль каждого дефекта и подсказать, как его нейтрализовать, но честный квантовый расчет даже для нескольких сотен атомов требует огромных вычислительных ресурсов.
Решение — нейросетевые модели, обученные на данных квантовых расчетов: они предсказывают силы и энергии почти с квантовой точностью, но в тысячи раз быстрее. Это позволяет моделировать системы из десятков тысяч атомов и наблюдать динамику дефектов (миграцию ионов, кластеризацию, эволюцию границ зерен).
Инженерные задачи при этом — выделить наиболее информативные геометрические дескрипторы дефектов методом анализа взаимной информации, разработать ML-модель для прогнозирования квантовой динамики носителей заряда и выстроить сквозной конвейер от атомистической физики до прикладных параметров устройства (фотолюминесцентный отклик, потери напряжения, стабильность при термоциклировании и радиационном воздействии).
Сергей Сластников, начальник отдела прикладного искусственного интеллекта МИЭМ
Дообучение модели при ограниченных ресурсах
Работа с ИИ — решение целого спектра инженерных задач. К нам обратились коллеги из АНО «Наука и образование» (г. Пенза) с предложением разработать профилактический сервис, который показывает подростку, как он будет выглядеть через 20 лет при наличии вредных привычек. Задача оказалась непростой — прежде всего, не хватало подходящих визуальных данных, чтобы модель училась трансформировать именно индивидуальные черты: собрать такой датасет сложно, особенно с фокусом на подростковый возраст.
В ходе исследования был сделан упор на открытые данные и модели, а организация предоставила вычислительные облачные ресурсы. В итоге мы применили технологию низкорангового дообучения (LoRA): на небольшом наборе данных мы дообучили большую предобученную модель, перенаправив ее общие знания на решение узкой задачи. Так удалось сохранить качество при ограниченных ресурсах.
Отдельный инженерный вызов при этом — как оценить правдоподобность прогноза? Частью инженерной работы стало тестирование: мы сформировали репрезентативную выборку и критерии оценки, а прототип развернули на выделенном сервере. В итоге студенты решали прикладные инженерные задачи — от сбора и очистки данных до валидации результата и развертывания.
Илья Семичаснов, руководитель мастерской «Игровая инженерия и интерактивные системы» МИЭМ ВШЭ
ИИ как основа вайбкод-движка
Наш движок Claw Engine позволяет быстро прототипировать отдельные элементы игры и интерактивных приложений. Сначала мы пытались генерировать весь контент с помощью собственных моделей ИИ — от звуковых ассетов до 3D‑моделей и текстур. Добились результатов в генерации текстур через диффузионные модели, но быстро отказались от тотальной генерации: не хватало качественных датасетов, обучение было слишком дорогим, а в игровой практике многие ассеты уже есть в открытых библиотеках. Сейчас стратегия — грамотно интегрировать готовые решения для достижения автоматизации на разных этапах разработки. Claw Engine стремится стать вайбкод‑движком: пользователь описывает идею игры текстом, система собирает ее из готовых компонентов.
Инженерная работа здесь многослойная: оркестровка действий (интерфейс между нейросетью и движком, похожий на MCP‑коннектор), контроль артефактов (фильтры, отсеивающие геймплейно нелепые решения), сохранение контекста при итеративной доработке и тонкая настройка конвейера сборки, чтобы сгенерированный код корректно работал с физикой, анимацией и ассетами. Отдельно развиваем управление неигровыми персонажами на базе обучения с подкреплением — перспективно для игр и робототехники, но крайне требовательно к вычислительным мощностям.
Феликс Смирнов, аспирант школы по техническим наукам, стажер-исследователь Международной лаборатории суперкомпьютерного атомистического моделирования и многомасштабного анализа МИЭМ ВШЭ
ИИ как объект исследования в суперкомпьютерных коммуникациях
Есть задача повысить скорость распределенного обучения LLM за счет увеличения производительности коллективных GPU‑коммуникаций на нескольких его сетевых этапах. Цель — оптимизировать рабочие нагрузки LLM и сэкономить временные и вычислительные ресурсы суперкомпьютера, что сделает применение ИИ более эффективным в промышленности и бизнесе.
Решение — комплексный метод анализа производительности обучения: от макроуровня (общее поведение приложения и межузловые обмены данными) до микроуровня (производительность и использование ресурсов на уровне отдельных ядер GPU).
Инженерная новизна — в модели аппаратно‑программного коммуникационного стека, где каждый уровень вносит вклад в конечную производительность коллективных операций. Инструменты: HPCToolkit и Score‑P для сбора метрик и профилей, HPCViewer, Vampir и Cube для визуализации временных диаграмм и поиска узких мест, а также сетевые микробенчмарки (OSU, ReproMPI) для оценки задержек коммуникаций. Объектом и средой исследования выступает сам суперкомпьютер — десятки узлов с множеством GPU, на которых мы тестируем межузловое взаимодействие при передаче больших объемов данных. Результаты апробированы на профильных конференциях (International Conference on Parallel Processing & Applied Mathematics, «Суперкомпьютерные дни в России», «Параллельные вычислительные технологии») и опубликованы Springer и в журнале IJHPCA.