В продолжение медийной истории про совместное предприятие Селектела и ИТМО расскажу немного о том, как создавалась его «научная начинка» (все ссылки по тексту – на авторские статьи).

У обывателя часто возникает ощущение, что ИИ живет в стерильном виртуальном пространстве и подвластен только яйцеголовым разрабам-социопатам. На самом деле все сложнее, ибо реальный ИИ создается… на заводах 😊. На фото – небольшой «заводик» Селектел в Москве, который осуществляет «первый технологический передел» в ИИ – трансформирует мегаватты в петафлопсы. А вот «второй технологический передел» здесь - это трансформация петафлопсов в операционные сущности реального мира. И о нем люди серьезно задумались в конце 90-х, когда эти сущности вылуплялись одна за другой за счет интригующей приставки «е»: еMail, eCommerce, eEngineering, eНealth, и, главное… eScience. И вот на этой поляне мы серьезно так наследили за последние 15 лет.👣

eScience – это, по сути, автоматизация деятельности ученого. В начале 2000-х все сводилось к упрощению доступа к суперкомпьютерам, уникальному оборудованию и базам данных. Чуть позже, к 2010-м, люди задумались, как компоновать эти сущности вместе, создавая композитные приложения, работающие в распределенных вычислительных средах. И, главное, как научить этому ученых-предметников, прорываясь временами через их скептицизм и лень 👹. И вот на этой волне мы в 2012 г. выкатили концептуально новое (на тот момент) решение – облачную платформу CLAVIRE, адаптированную, в первую очередь, для ученых (статья об этом – здесь). В отличие от конкурентов, платформа сама подбирала инструменты и ресурсы для научных задач и помогала пользователю соединять их в пайплайны, консультируя по возможности (само собой, на символьном ИИ того времени).

Однако, оказалось, что сама технологическая основа для таких систем тогда хромала на обе ноги. В первую очередь, в части планирования вычислительных ресурсов под сложные научные пайплайны. Но за несколько лет мы вытянули это направление, пожалуй, до №2 в мире (на первом месте тогда был Rajkumar Buyya, но до его масштабов было объективно не допрыгнуть). Следующей бедой, тоже связанной с планированием, оказалась проблема больших данных – как правильно распределить по ресурсам данные и вычисления, чтобы потом не было мучительно больно… за бесцельно оплаченное компьютерное время или даже украденные данные. И в целом решение тоже было найдено (вот, как в этой статье).

Когда мы разобрались с технологической базой и управлением инфраструктурой, в полной мере встала проблема содержательной автоматизации: можно ли сконструировать научный пайплайн, полностью исключив предметника из цикла? При первом подходе мы красиво решили эту научную задачу с символьным ИИ, но потом потерпели фиаско 😱, ибо в реальной жизни ученые-предметники не желали напрягаться созданием онтологий. В итоге, пришлось оттолкнулись от эволюционной альтернативы, конструируя научные пайплайны по принципу «я его слепила из того, что было» (ключевые принципы описаны тут). Удивительно, но это очень успешно заработало. И сейчас работает даже на мультиагентных системах с LLM-ками.