Посмотреть питч

Adept (Automatic Differentiation Engine for Tensor Processing)

На данный момент это исследовательский и образовательный open-source проект по разработке платформы для обучения нейронных сетей, с API приближенным к PyTorch.
Используется для создания курса по архитектуре платформ машинного обучения, а так же как среда для студенческой практики. В будущем хотелось бы реализовать альтернативу существуюшим ML платформам таким как PyTorch и Tensorflow.

Сейчас реализована базовая архитектура и минимальный набор модулей для обучения многослойных нейронных сетей типа ResNet, пока только на CPU (float32, float64). В ближайших планах реализация поддержки GPU с использованием OpenCL для возможности использования различных устройств и гетерогенных конфигураций.

На странице проекта — https://gitverse.ru/kolkir/adept доступен исходный код, инструкции по сборке и Python пакет для Linux x86_64.

Частично про архитектуру проекта было рассказано в этом докладе — https://cppconf.ru/talks/f9fbddbd85aa409dad5310b64528fceb/

Посмотреть питч

Lissa Health

Меня зовут Руслан, я разработчик, выпускник мехмата МГУ, 25+ лет в IT.
Последние полгода занимаюсь стартапом в HealthTech сфере - Lissa Health

Это приложение для врачей и простых пользователей, позволяющее структурировано хранить всю персональную медицинскую информацию человека в одном месте и использовать AI для ее анализа.

Грубо говоря, человек загрузил/сфотографировал свои лабораторные анализы, они извлеклись, структурировались, определились абнормальные, и дальше он на красивом графике смотрит их в динамике с анализами прошлого года. AI позволяет генерировать пока бытовые, но достаточно важные рекомендации.

Это один из самых простых сценариев использования

Мы прошли MVP, продукт в стабильной фазе, улучшаем и собираем отзывы. Отзывы пока очень позитивные и от специалистов, и не очень.

Ищем партнерство с медиками и медицинскими организациями. Готовы предоставлять приложение в пользование бесплатно. Нужна профессиональная критика, обратная связь.

Посмотреть питч

Ударник

Первая в России экосистема AI сотрудников. Начали с менеджера продаж.
Для кого:
1. B2B Стартапы на ранней стадии.
2. Малый и средний бизнес.
3. Digital Агенства.

Проблема:
Найм менеджеров продаж и контроль их эффективности.

Решение:
AI менеджер продаж. Ева найдёт и закроет вашу следущую сделку.
- Понимает ваш бизнес.
- Знает миллионы лидов.
- Валидирует каждую почту
- Отправляет тысячи персональных, холодных писем в месяц.

Посмотреть питч

Volga
Data & Feature Engine for Real-Time AI/ML - движок для вычисления ML фичей (и не только) в режиме реального времени.

Github: https://github.com/volga-project/volga

Проблема: создание self-serve real-time feature platform - сложная инженерная задача, требующая координации нескольких неоднородных вычислительных систем (Flink, Spark, кастомные дата-сервисы), а также написания множества абстракций связывающих эти системы и предоставляющих единый интерфейс для описания и оркестрации вычислений (разные языки, платформы, архитектуры, разные требования к свежести/latency вычисления, и т.д.). Существующие open-source потоковые движки (Flink, Spark Streaming) не заточены под real-time ML кейс, а так же не предоставляют нативную поддержку Python экосистемы (JVM based). Managed платформы (Tecton.ai, Chalk.ai, Fennel.ai) предоставляют необходимый функционал, но ведут к привязке к вендору (vendor lock-in).

Volga призвана решить эту проблему и стать вычислительным ядром при проектировании open-source альтернатив managed платформам (Tecton, Fennel), а так же полноценным аналогом Flink/Spark Streaming с фокусом на Python+ML экосистему.

Volga предоставляет единый однородный вычислительный слой, использующий акторную модель на базе Ray. Она строится на гибридной Push+Pull архитектуре с кастомным потоковым движком на Python и Rust и отдельным слоем On-Demand Compute; это позволяет выполнять широкий спектр взаимосвязанных вычислений в условиях разных требований к скорости/задержке: в потоковом режиме (online/streaming), на исторических данных (offline/batch) и в inference-time (on-demand).

Проект получил много положительных отзывов от инженеров из таких компаний как Netflix, Tecton, CloudKitchens, Fidelity, Fennel, Sharechat, TurboML, а так же автора фреймворка Ray (в питч-видео).

На данный момент есть рабочий end-to-end прототип и готовы:
- Распределенный масштабируемый потоковый движок на Python и Rust (пост про архитектуру - https://volgaai.substack.com/p/volga-streaming-engine-and-networking-1), scalability бенчмарк на Kubernetes: 1m+ msg/s, 30ms latency (пост про бенчмарк - https://volgaai.substack.com/p/volga-streaming-engine-and-networking-3)
- On-Demand Compute слой для вычисления фичей в inference/request-time с произвольным графом зависимостей, синхронизирован с потоковым движком, бенчмарк с >100к RPS (пост в процессе)
- Entity API - интерфейс на Python для созданий моделей данных, декларативных пайплайнов и фичей, динамических пользовательских функций
- Построен на акторах на платформе Ray - поддерживает всю экосистему Ray, работает на Kubernetes
- Движок вносит полноценный streaming в экосистему Ray

В приоритете доведение до релизной prod-ready версии: Roadmap - https://github.com/volga-project/volga/issues/69

Веду блог о разработке - https://volgaai.substack.com
Вступительный пост про проблему и мотивацию - https://volgaai.substack.com/p/volga-open-source-feature-engine-1

Также веду ТГ канал по общей теме real-time систем с уклоном в AI/ML, включая разработку Волги - @realtimeaiml

Буду рад конструктивному фидбэку и всегда открыт к новым контрибьюторам!

Посмотреть питч
HiveTrace.AI - система мониторинга GenAI-приложений

HiveTrace — это система мониторинга ИИ-систем нового поколения, предназначенная для снижения рисков, связанных с использованием больших языковых моделей. Она осуществляет мониторинг запросов и ответов к LLM в реальном времени, определяет и предотвращает промпт-атаки. Система также позволяет гибко настраивать корпоративные политики и этические нормы для ИИ-приложений, защищая от утечек данных и блокируя токсичный контент.
Подробная презентация

Умный поиск и каталог проектных решений для строительной отрасли и проектных бюро на базе ML

Идея: Разработать ML-систему для автоматического поиска и каталогизации строительной и проектной документации (DWG, PDF, Excel) для МСБ-компаний, которая сократит время поиска с 7 дней до 5 секунд и создаст первый в России цифровой каталог типовых проектов , строительных инженерных решений

Проблема: 1. проектные бюро и строительные компании теряют до 40% времени на ручной поиск в архивах проектов и инженерных решений 2. ТБ неструктурированных данных — упущенная выгода от повторного использования решений.
3. Нет единого стандарта для типовых проектов → риски ошибок и задержки.

Решение (pre-MVP):
ML-поиск: NLP (RuBERT) + Computer Vision для чертежей (DWG) + Elasticsearch.
Каталог: Автоматическая классификация проектов по тегам (например, "вентиляция", "промздания").
Интеграция: API для CAD-систем и 1С

Результаты экспериментов:
Протестировано на 100+ документах из архива реальной компании ППР Эксперт (Москва)

Посмотреть питч
вИИзуал — система умной видеоналаитики с использованием мультимодальных моделей.
Главное улучшение - индексирование медиаданных, что позволяет решать задачи траблшутинга и формирования датасетов для цифровых двойников.
Проблема: недостаток человеческих ресурсов для полного испольжования медиаданных в бизнесе

Презентация
https://drive.google.com/file/d/1tAc52EC0Lu85Q9TMDf_lUup8zFsETAIP/view?usp=drivesdk

Оставьте заявку и получите экспертный фидбек по вашей идее!