Абдулов Джамал Олегович

doabdulov@edu.hse.ru

Разработка системы интеллектуального подбора игровых партнёров с кроссплатформенной разработкой мобильных клиентов

Development of an Intelligent Gaming Teammate Matching System with Cross-Platform Mobile Client Development

Командный (не более 4 человек)

Абдулов Джамал Олегович, ПИ, 3 курс; Беднова Александра Ильинична, ПИ, 3 курс; Хазеев Амир Айратович, ПИ, 3 курс; Козаченко Виталий Максимович, ПИ, 3 курс

Проект направлен на разработку системы интеллектуального подбора партнёров по совместным компьютерным играм с учётом игрового опыта, уровня подготовки, предпочитаемых ролей, текущей игровой активности и других характеристик пользователей.

Актуальность проекта обусловлена тем, что существующие внутриигровые системы подбора игроков преимущественно ориентированы на формирование отдельных игровых матчей и не всегда позволяют находить постоянных партнёров, соответствующих индивидуальным предпочтениям. Поиск тиммейтов через социальные сети, мессенджеры и игровые сообщества зачастую требует значительных временных затрат и не предполагает систематизированного сравнения игровых характеристик.

В рамках проекта планируется разработать систему, объединяющую пользовательские профили, игровые аккаунты, статистику и алгоритмы рекомендаций потенциальных тиммейтов. Ключевой особенностью решения станет многокритериальный подбор игроков с учётом рейтинга, игровых ролей, активности и других параметров совместимости.

Техническая реализация предполагает создание серверной части на Go и двух нативных мобильных клиентов на Swift (iOS) и Kotlin (Android). Особое внимание будет уделено проектированию расширяемой архитектуры, универсальной модели хранения игровых данных, разработке алгоритмов подбора игроков и механизмов определения их активности. Отдельным направлением проекта станет исследование применения ИИ-агентов для переноса функциональности между мобильными клиентами с последующей адаптацией и проверкой корректности реализации. Для обеспечения качества программного обеспечения планируется разработать инфраструктуру автоматизированного тестирования и непрерывной интеграции.

Разработать систему интеллектуального подбора игровых партнёров на основе анализа игровых характеристик и активности пользователей, реализовать нативные мобильные клиенты для Android и iOS, а также исследовать применение ИИ-агентов для автоматизации переноса функциональности между ними.

1. Анализ аналогов и требований. 2. Проектирование архитектуры и API. 3. Разработка модели игровых данных. 4. Создание бэкенда и интеграций. 5. Разработка и оценка алгоритма подбора игроков. 6. Определение игровой активности и управление командами. 7. Разработка Android- и iOS-клиентов. 8. Перенос функциональности между клиентами с помощью ИИ-агентов. 9. Автоматизация интеграционного и E2E-тестирования. 10. Настройка CI/CD для всех компонентов.

Джамал (Бэкенд) - участие в проектировании серверной архитектуры и модели данных, реализация регистрации/логина пользователей, управление игровыми профилями, интеграции со сторонними платформами, разработка инфраструктуры, реализация кэширования, реализация тестирования с поднятым окружением, код-ревью;

Александра (Бэкенд) - участие в проектировании серверной архитектуры и модели данных, создание CI/CD-пайплайна для серверной части, исследование метода подбора игроков, разработка алгоритма подбора, его тестирование и оценка эффективности, модуль поиска пользователей, код-ревью;

Амир (Android) — участие в проектировании архитектуры мобильных клиентов; разработка процесса переноса функциональности между Android и iOS с использованием ИИ-агентов совместно с iOS-разработчиком; реализация на Android поиска игроков, фильтрации и взаимодействия с игровыми командами; исследование и реализация определения текущей игровой активности; разработка механизма обновления статуса доступности игрока; настройка CI/CD для Android; адаптация и проверка функциональности, перенесённой ИИ-агентом с iOS, код-ревью;

Виталий (iOS) — участие в проектировании архитектуры мобильных клиентов; разработка процесса переноса функциональности между Android и iOS с использованием ИИ-агентов совместно с Android-разработчиком; реализация на iOS регистрации, авторизации и управления игровыми профилями; интеграция push-уведомлений, обработка приглашений и переходов из уведомлений; разработка инфраструктуры автоматизированной проверки поведения двух мобильных клиентов со сбором скриншотов, видеозаписей и результатов прохождения сценариев; настройка CI/CD для iOS; адаптация и проверка функциональности, перенесённой ИИ-агентом с Android, код-ревью.

Работоспособная система подбора игровых партнёров, включающая серверную часть на Go и нативные мобильные клиенты для Android и iOS.

Универсальная модель игровых данных для хранения профилей, игровых аккаунтов, рейтингов и статистики пользователей.

Алгоритм многокритериального подбора игроков с учётом рейтинга, игровых ролей и других характеристик, а также результаты оценки его эффективности.

Механизмы определения игровой активности, управления статусами доступности пользователей и взаимодействия с игровыми командами.

Разработанный и протестированный процесс переноса функциональности между Android и iOS с использованием ИИ-агентов.

Система автоматизированного тестирования, включающая интеграционные тесты бэкенда и E2E-тесты мобильных клиентов со сбором отчётов, скриншотов и видеозаписей.

Настроенные CI/CD-пайплайны для серверной части и обоих мобильных

Техническая документация с описанием архитектуры, API, алгоритмов подбора и результатов тестирования.

Мобильная разработка IOS Мобильная разработка Android Промышленная разработка

Абрамова Мария Константиновна

makoabramova@edu.hse.ru

Командный (не более 4 человек)

Абрамова Мария Константиновна ПИ 2 курс, Павловская Анна Алексеевна ПИ 2 курс

Проект «Умная аптека» направлен на разработку и реализацию прототипа системы выдачи лекарств. Покупатель может взаимодействовать с автоматизированной кассой для оформления заказа, а также получения товаров с помощью роботизированного механизм. Сохраняется возможность параллельной работы фармацевта с системой. Проект включает разработку ПО для управления заказами, учета наличия препаратов и координации работы «робота», а также проектирование и сборку демонстративного стенда.

Спроектировать и реализовать демонстрационный прототип умной аптеки, обеспечивающий автоматизированную выдачу лекарств и согласованную работу «робота» с фармацевтом.

1. Разработать интерфейс для выбора лекарств, оформления заказов и отслеживания их статусов. 2. Реализовать обработку заказов, учет препаратов и управление очередностью выдачи. 3. Разработать алгоритмы координации работы робота и фармацевта для предотвращения конфликтов при одновременном доступе. 4. Реализовать взаимодействие программной и аппаратной частей. 5. Спроектировать и собрать стенд с автоматизированной выдачей препаратов. 6. Протестировать систему и взаимодействие её компонентов.

Абрамова Мария:
Разработка программного обеспечения информационной системы «Умная аптека»: проектирование архитектуры, разработка клиентского интерфейса покупателя и административного интерфейса фармацевта, реализация серверной части, алгоритмов обработки заказов и управления процессом выдачи лекарств. Разработка программных интерфейсов взаимодействия с аппаратной частью системы. Тестирование программных модулей.
Павловская Анна:
Проектирование и разработка аппаратной части демонстрационного стенда «Умная аптека»: разработка конструкции системы хранения и механизма выдачи лекарств, подбор и интеграция электронных компонентов. Разработка программного обеспечения для управления аппаратными компонентами и организация обмена данными между аппаратной частью и серверной частью системы. Интеграционное тестирование программно-аппаратного комплекса.

Создание приложения с клиентским интерфейсом для покупателей и административным модулем для фармацевта.
Реализация алгоритмов обработки заказов, учета наличия лекарств и координация параллельной работы системы.
Сборка демонстрационного стенда с роботизированным механизмом.

Алгоритмы и структуры данных Робототехника Промышленная разработка

aaaverianov@edu.hse.ru

Многолучевая обработка данных антенной решётки для мониторинга межпланетной плазмы

Multi-Beam Processing of Antenna Array Data for Interplanetary Plasma Monitoring

Индивидуальный

The project focuses on adapting the existing Astro Space Center correlator to a low-frequency antenna array for observing interplanetary scintillation. Variations in the intensity of compact radio sources caused by solar wind irregularities provide information on interplanetary plasma for space weather monitoring and forecasting.

The array requires continuous reception of antenna module data and simultaneous power measurements in many directions. With direct beamforming, processing time grows linearly with the number of beams. The project will implement post-correlation beamforming: a visibility matrix is computed once per time-frequency block and reused to calculate power in multiple directions using the array geometry.

The output will be averaged power in two orthogonal linear polarizations for each direction. Calculations on a regular grid of directions will be related to synthesized map formation and validated against direct beamforming.

The work will implement network input and power calculation for specified directions, validate processing using simulated signals, and evaluate system performance on NVIDIA A100. Tests on other GPUs, such as NVIDIA RTX PRO 6000, will also be considered to assess opportunities to reduce computing infrastructure costs.

Develop and validate an antenna array data processing system for interplanetary plasma monitoring, with network input and power time series in two polarizations for multiple directions, and determine its real-time operating conditions on NVIDIA A100.

Justify post-correlation beamforming and its relation to synthesis imaging. Develop simulated array signals and a direct beamforming reference. Implement dual-polarization GPU beamforming with time averaging and loss-free network input. Validate source positions, power and scintillation characteristics. Evaluate real-time performance on NVIDIA A100 and consider other GPUs, including RTX PRO 6000, to reduce costs.

1. A GPU-based data processing system producing power time series in two polarizations for multiple antenna array directions.
2. A justification of post-correlation beamforming using the visibility matrix and validation using simulated signals, including preservation of scintillation characteristics.
3. Performance measurements and real-time operating configurations for NVIDIA A100. If other GPUs are tested, a comparative assessment of opportunities to reduce processing costs, including the use of NVIDIA RTX PRO 6000.

ibadaev@edu.hse.ru

Разработка бенчмарка для оценки временной корректности ответов больших языковых моделей на фиксированном наборе документов

Developing a Benchmark for Evaluating the Temporal Correctness of Large Language Model Responses over a Fixed Document Set

Исследовательский

Индивидуальный

Проект посвящён разработке бенчмарка для оценки временной корректности ответов больших языковых моделей. Проверяется способность модели учитывать дату запроса, различать действующие и устаревшие сведения, а также отделять произошедшие события от будущих событий и проектов решений. Для сопоставимости результатов моделям предоставляется одинаковый фиксированный набор документов без возможности дополнительного поиска. Оценивание проводится по специализированным рубрикам, описывающим требования к ответу и характерные ошибки. В рамках проекта будут разработаны средства автоматизированного формирования примеров и проведены эксперименты по сравнению моделей и проверке согласованности автоматического оценивания с экспертной разметкой.

Разработать и экспериментально проверить методику оценки временной корректности ответов больших языковых моделей на основе фиксированного документального контекста и специализированных рубрик.

1. Изучить методы оценки временной корректности ответов языковых моделей. 2. Выделить типы временных ошибок. 3. Реализовать пайплайн сбора документов, генерации запросов и рубрик. 4. Сформировать и проверить датасет с заданными датами запросов и фиксированным контекстом. 5. Сравнить модели и оценить статистическую значимость различий. 6. Проверить согласованность автоматических оценок с экспертной разметкой и изучить расхождения.

Будут подготовлены бенчмарк временной корректности ответов языковых моделей, программный пайплайн его формирования и методика оценивания по специализированным рубрикам. Будут получены сравнительные оценки моделей, определены характерные временные ошибки и исследована надёжность автоматического оценивания. Результаты будут представлены в исследовательском отчёте с описанием методики, экспериментов, ограничений и условий воспроизводимости.

Машинное обучение NLP Глубинное обучение

Азизов Максим Эдуардович

maedazizov@edu.hse.ru

Встраиваемый сервис учёта потребления, квотирования и тарификации для SaaS-приложений

Embeddable Usage Metering, Quota Management and Billing Service for SaaS Applications

Индивидуальный

Проект посвящён созданию встраиваемого сервиса учёта потребления, квотирования и тарификации для SaaS-приложений. Он предназначен для разработчиков платных API и онлайн-продуктов, которым необходимо учитывать использование ресурсов, применять тарифы и контролировать ограничения клиентов.

Сервис подключается к существующему приложению через HTTP API или Go SDK. Приложение передаёт события потребления — например, количество запросов, обработанных изображений или использованных токенов. На их основе сервис рассчитывает начисления, предоставляет расшифровку расходов и остатки квот. Дополнительно предусматриваются проверка доступности функций по тарифу, резервирование ресурсов перед выполнением операций, сравнение тарифов на исторических данных и уведомления через вебхуки.

Особое внимание уделяется защите от повторного учёта событий, корректности квот при конкурентных запросах, версионированию тарифов и восстановлению обработки после сбоев. Основные технологии — Go, PostgreSQL, Kafka и Redis. Результатом станет самостоятельно развёртываемый сервис с документацией, SDK и примером интеграции, позволяющий использовать общую систему тарификации в разных продуктах.

Создать сервис, подключаемый к существующим SaaS-приложениям через HTTP API и Go SDK, для учёта потребления ресурсов, управления квотами и расчёта начислений по настраиваемым тарифам. Сервис должен сократить объём самостоятельно разрабатываемой логики тарификации и обеспечить корректность учёта при повторной доставке событий, конкурентных запросах и сбоях фоновой обработки.

1. Проанализировать аналоги и требования. 2. Спроектировать архитектуру, модель данных и API. 3. Реализовать обработку событий без повторного учёта. 4. Разработать тарифы, расчёт начислений и контроль квот. 5. Добавить отчёты, сравнение тарифов и вебхуки. 6. Подготовить Go SDK, документацию и пример интеграции. 7. Провести тестирование и нагрузочные испытания, настроить развёртывание.

1. Работающий сервис на Go, который можно развернуть самостоятельно и подключить к существующему приложению для учёта потребления, управления квотами и расчёта начислений.

2. Документированный HTTP API и Go SDK для передачи событий, назначения тарифов, проверки доступных функций, резервирования квот и получения отчётов.

3. Механизм воспроизводимых расчётов с версиями тарифов, защитой от повторного учёта событий и подробной расшифровкой начислений.

4. Возможность сравнивать тарифы на историческом потреблении без изменения сохранённых начислений и получать уведомления через вебхуки.

5. Демонстрационное приложение и инструкция по подключению, показывающие полный сценарий использования сервиса во внешнем продукте.

6. Автоматические тесты и результаты экспериментов: проверка корректности начислений и квот, восстановления после сбоев, измерение пропускной способности, задержки API и отставания обработки событий.

Промышленная разработка Базы данных Веб- и десктоп-приложения

egseakindinov@edu.hse.ru

Разработка 3D-игры от первого лица с программной реализацией системы пространственных головоломок и динамического окружения на движке Unity

Development of a First-Person 3D Game with Software Implementation of Spatial Puzzles System and Dynamic Environment on Unity Engine

Индивидуальный

Проект представляет собой разработку сюжетной 3D-игры-головоломки от первого лица «FirstDay» на движке Unity. Игровое пространство вдохновлено эстетикой лиминальных пространств и архитектурой реального учебного корпуса (ВШЭ, Покровский бульвар). Сюжет повествует о студенте, который блуждает по абстрактному зданию университета, сталкиваясь с пространственными головоломками и визуальными иллюзиями.
С технической точки зрения проект демонстрирует применение компонентного подхода и объектно-ориентированного программирования на языке C#. Архитектура приложения разделена на независимые модули: контроллер персонажа, система управления камерой, система взаимодействия с объектами окружения и менеджер состояний головоломок. Особое внимание уделяется масштабируемости кода, что позволяет добавлять новые типы взаимодействий и головоломок без изменения базовой логики

Разработка и программная реализация прототипа 3D-игры от первого лица с системой интерактивных головоломок и динамическим изменением окружения на движке Unity, демонстрирующего применение принципов объектно-ориентированного проектирования

Проект включает разработку контроллера персонажа от первого лица, универсальной системы взаимодействия с объектами на основе интерфейсов C#, системы связанных пространственных головоломок и прототипа уровня в стилистике лиминальных пространств. Дополнительно будет реализована система визуальных иллюзий и проведено кроссплатформенное тестирование на Windows и macOS

В результате выполнения проекта будет создан рабочий прототип 3D-игры от первого лица, запускаемый на платформах Windows и macOS. Ядром программной части станет модульная система взаимодействия на основе интерфейсов C#, позволяющая легко добавлять новые типы интерактивных объектов без изменения базовой логики, а также система состояний головоломок с возможностью создания связанных логических цепочек (например, нажатие кнопки изменяет состояние освещения и открывает проход). На основе этих систем будет собран прототип игрового уровня с абстрактной архитектурой в стилистике лиминальных пространств.
В процессе работы будут получены практические навыки разработки на движке Unity с использованием языка C#, применения принципов объектно-ориентированного программирования и компонентного подхода при проектировании игровой архитектуры, работы с системой физики Unity (Raycast, CharacterController), анимациями и управлением состояниями объектов, а также навыки кроссплатформенной сборки и тестирования приложений.
Итогом проекта станет играбельная демка продолжительностью 10–15 минут, включающая обучающее прохождение и 2–3 связанные головоломки, а также документация по архитектуре проекта и руководство по расширению системы взаимодействия

Акифьев Денис Александрович

daakifev@edu.hse.ru

@deniskaakifev

Дообучение диффузионных языковых моделей с подкреплением

Fine-Tuning Diffusion Language Models with Reinforcement Learning

Исследовательский

Индивидуальный

Гауссовы диффузионные языковые модели — перспективное направление генерации текста, в котором ответ формируется через последовательное удаление шума из непрерывных представлений. Такой процесс естественно рассматривать как последовательность действий, которую можно оптимизировать по награде за итоговый ответ. Это делает обучение с подкреплением интересным подходом к их постобучению, но его практическую пользу для небольших моделей при ограниченных ресурсах ещё предстоит проверить.

В проекте планируется выбрать готовую небольшую гауссову диффузионную языковую модель и адаптировать для неё алгоритм дообучения с подкреплением. Для экспериментов будут выбраны задачи с автоматически проверяемым ответом, например арифметические или логические. Результаты будут сопоставлены с исходной моделью и дообучением на готовых примерах решений при сравнимом вычислительном бюджете. Сравнение будет включать качество ответов, вычислительные затраты и устойчивость обучения.

Оценить применимость обучения с подкреплением к небольшим диффузионным языковым моделям и выяснить, даёт ли оно преимущество перед дообучением на готовых решениях при сопоставимых вычислительных затратах.

1) Изучить методы дообучения и выбрать гауссову диффузионную языковую модель. 2) Подготовить задачи, данные и автоматическую проверку ответов. 3) Адаптировать RL к диффузионной генерации. 4) Провести RL-дообучение и обучение на готовых решениях при сопоставимом бюджете. 5) Сравнить качество, затраты и разнообразие генерации с исходной моделью. 6) Проверить устойчивость при повторных запусках, разобрать ошибки и расхождения награды с правильностью решений, сформулировать выводы.

1) Набор задач и функций награды для оценки диффузионной языковой модели.
2) Реализация дообучения с подкреплением и на готовых примерах решений.
3)Экспериментальное сравнение исходной и дообученных моделей по качеству, вычислительным затратам, устойчивости обучения и разнообразию генерации.
4)Выводы о пользе и ограничениях обучения с подкреплением при небольшом вычислительном бюджете, включая анализ возможного использования недостатков награды.
5)Код и конфигурации для воспроизведения экспериментов, оформленный отчет о проделанной работе

NLP Глубинное обучение

Алексеенко Таисья Игоревна

tialekseenko@edu.hse.ru

Восстановление и анализ структуры психопатологических симптомных сетей

Reconstruction and Analysis of Psychopathological Symptom Networks

Исследовательский

Индивидуальный

В работе исследуется надёжность методов восстановления психопатологических симптомных сетей на основе психологических данных. Рассматриваются методы построения сетей с использованием корреляций и частных корреляций, проводится сравнение полученных структур на реальных данных. Особое внимание уделяется влиянию объёма выборки, случайного шума и пропущенных значений на устойчивость оценённых связей между симптомами. Для оценки точности рассматриваемых методов планируется проведение вычислительных экспериментов на синтетических данных с заранее известной структурой сети. Результаты исследования позволят определить ограничения и условия применимости различных методов восстановления сетей и оценить надёжность получаемых структур при анализе психологических данных.

Исследовать надёжность методов построения психопатологических симптомных сетей по ограниченным и зашумлённым данным

1. Изучить сетевой подход к психопатологии и методы оценки связей. 2. Реализовать методы построения сетей на основе корреляций и частных корреляций. 3. Построить и сравнить сети на реальных психологических данных. 4. Исследовать влияние размера выборки на устойчивость связей. 5. Оценить влияние шума и пропусков на структуру сети. 6. Сравнить точность методов на синтетических данных с известной структурой.

Реализация двух методов построения сетей, сравнительный анализ их точности и устойчивости, рекомендации по выбору метода в зависимости от характеристик данных.

Аналитика данных Машинное обучение

Алимов Святослав Вячеславович

svalimov@edu.hse.ru

Диффузионные модели мира для планирования действий языковых агентов

Diffusion World Models for Planning in Language Model Agents

Исследовательский

Индивидуальный

В проекте исследуется возможность использования небольшой диффузионной модели мира для планирования действий языкового агента в программной среде с API. По истории взаимодействия и предполагаемому действию модель будет предсказывать ответ среды. Такие прогнозы позволят агенту сравнивать варианты действий перед их выполнением. Планируется проверить, помогает ли этот подход повысить долю решённых задач и сократить число обращений к среде. Отдельно будет рассмотрена оценка надёжности прогнозов: когда агент может использовать внутреннюю симуляцию, а когда ему требуется дополнительная информация из среды. Для сравнения будут использованы агент без модели мира и агент с авторегрессионной моделью среды.

Исследовать, как использование небольшой диффузионной модели мира и оценка надёжности её прогнозов влияют на успешность и вычислительные затраты языкового агента при решении задач в программной среде.

Изучить существующие подходы к моделированию среды и планированию действий языковых агентов. Выбрать среду с API и подготовить данные о взаимодействии агента с ней. Обучить диффузионную модель предсказывать ответы среды. Реализовать планирование с использованием модели и способ оценки надёжности её прогнозов. Сравнить подход с базовыми методами по доле решённых задач, времени работы и числу обращений к среде. Исследовать влияние ошибок модели и доступного бюджета вычислений на результаты агента.

Будут получены обученная модель среды и прототип агента, использующего её для планирования. Планируется провести сравнение с базовыми методами и определить, в каких условиях внутренняя симуляция помогает решать задачи, а в каких ошибки прогнозирования мешают агенту. Результаты будут включать оценку влияния проверки надёжности прогнозов, код экспериментов и исследовательский отчёт. По итогам работы планируется подготовить материалы для научной статьи.

Глубинное обучение NLP Машинное обучение

Аль-Рабахи София Эхсановна

seal@edu.hse.ru

Оценка причинных эффектов методом синтетического контроля на данных наблюдений

Estimating Causal Effects from Observational Data Using Synthetic Control

Исследовательский

Индивидуальный

The project addresses the estimation of intervention effects in settings where experiments are not possible and only observational data are available. The synthetic control method builds an artificial copy of the treated unit from a weighted combination of untreated units and compares their trajectories after the intervention. The method and its extension, synthetic difference-in-differences, are applied to two substantively different cases using open panel data. The first case has many treated units and high-frequency observations; the second has a single external event and a long pre-intervention history. The estimates are tested for robustness and cross-checked against an A/B-style estimate and a randomised experiment. The full analysis is documented as a reproducible open repository.

To obtain well-founded estimates of causal intervention effects in two substantively different cases, to test their robustness, and to document the analysis so that it can be fully reproduced.

1. Select data and assess suitability; state a selection rule for treated units. 2. Build SQL pipeline and unit–period panels. 3. Form control groups free of contemporaneous shocks. 4. Estimate effects with synthetic control and synthetic DiD; test significance with placebos. 5. Compare with an A/B-style estimate and a randomised experiment. 6. Test robustness to control group, pre-period length and spillovers. 7. Review the literature. 8. Prepare an open repository and a report.

1. Effect estimates for both cases with confidence intervals and significance testing.
2. A stated selection rule for eligible treated units, with counts from the chosen data.
3. A comparison of synthetic control, synthetic difference-in-differences and the A/B-style estimate.
4. A robustness analysis covering control group composition, pre-intervention period length, and mutual influence between units.
5. An open repository covering the full chain (data → panel → estimates → checks) that runs end to end with a single command.
6. An interim report for the topic defence, including a literature review and a schedule.

Аналитика данных Временные ряды Машинное обучение

Ананьевская Вера Дмитриевна

vdananevskaya@edu.hse.ru

Подходы анализа спутниковых снимков с помощью NLP, LLM и агентов ИИ

Approaches to Satellite Data Analysis using NLP, LLMs, and agentic AI

Исследовательский

Индивидуальный

Спутниковые данные - очень популярны и практически полезны: широко применяются при планировании городской инфраструктуры, реакции на ЧС, управлении лесами и сельским хозяйством, мониторинге водоемов и качества воздуха (подробнее: https://disk.360.yandex.ru/i/Qn7d-TVn8MVqYA)
Это также большие данные, например, только лишь одна компания Maxar собирает около 80 терабайт растровых данных в день. Самый современный тренд - формулирование запросов на естественном языке и использование ИИ агентов для работы с этими данными (напр. https://openreview.net/pdf?id=dkIXAbWuxO и https://scholar.google.com/scholar?cites=14158764296312791729)
Данный проект - исследовательский, посвящен развитию новых подходов.

Разработать новые подходы анализа спутниковых снимков с помощью NLP, LLM и агентов ИИ

Ознакомление с предметной областью, данными, алгоритмами, разработка новых подходов, эксперименты.

Развитие прототипы новых подходов

NLP Машинное обучение Базы данных

Андреев Никита Алексеевич

nialandreev@edu.hse.ru

Разработка веб-сервиса мониторинга данных из открытых API с настраиваемыми правилами и уведомлениями через Telegram

Development of a web service for monitoring data from open APIs with customizable rules and notifications via Telegram

Индивидуальный

Курсовая работа посвящена разработке веб-сервиса мониторинга данных из открытых API с настраиваемыми правилами и уведомлениями через Telegram. В работе проанализированы существующие решения для отслеживания цен и показателей, определены требования к системе и обоснован выбор источников данных и технологий. Спроектирована архитектура сервиса, основанная на едином интерфейсе адаптеров, который позволяет подключать новые источники без изменения ядра системы.
Серверная часть реализована на ASP.NET Core с использованием Entity Framework Core и PostgreSQL; периодический опрос источников выполняется фоновыми задачами Hangfire. Клиентская часть на React предоставляет личный кабинет, настройку правил и графики динамики значений. Telegram-бот отправляет пользователю уведомления при выполнении заданных условий. В рамках работы реализованы адаптеры для курсов валют, скидок на игры и погодных данных, обеспечена отказоустойчивость при работе с внешними источниками, проведено тестирование и оценка производительности. Результатом является приложение, развёртываемое через Docker Compose.

Разработать расширяемый веб-сервис, который отслеживает изменение данных из нескольких открытых API (курсы валют, скидки на игры, погода), сохраняет их историю и уведомляет пользователя в Telegram, когда выполняется заданное им условие.

1. Проанализировать предметную область и существующие решения для мониторинга данных, сформулировать требования и обосновать выбор открытых API и технологического стека. 2. Спроектировать архитектуру с единым интерфейсом адаптеров, REST API, планировщиком опроса и проверкой правил. 3. Реализовать серверную часть, адаптеры источников, веб-клиент с личным кабинетом, Telegram-бота для уведомлений. 4. Протестировать и оценить производительность, проверить расширяемость на подключении дополнительного источника.

В рамках проекта будет разработано веб-приложение: серверная часть с REST API и авторизацией, модуль адаптеров к трём источникам данных (курсы валют, скидки на игры, погода), планировщик фоновых задач для периодического опроса источников и проверки правил, Telegram-бот для уведомлений, а также веб-интерфейс с личным кабинетом и графиками динамики значений. Вся система запускается одной командой через Docker Compose. Работа сопровождается измеримой оценкой - время ответа API, код покрыт модульными и интеграционными тестами. Расширяемость архитектуры подтверждается подключением дополнительного источника данных с оценкой объёма нового кода и изменений в ядре. Итогом станет готовое решение для личного отслеживания значений из разных областей в одном месте и расширяемая основа, к которой можно добавлять новые источники и типы правил без переработки системы.

Веб- и десктоп-приложения Моделирование и автоматизация процессов Базы данных

Андрианов Вадим Олегович

voandrianov@edu.hse.ru

Развитие звукового движка виртуально-аналогового синтезатора и разработка програмного стенда его тестирования

Advancing a Virtual Analog Synthesizer Engine: Development and Testbench Design

Индивидуальный

Проект посвящён развитию программного звукового движка Companion - основы перспективного автономного аппаратного синтезатора. Исходный прототип виртуально-аналогового синтеза на C++ обеспечивает генерацию и обработку звука, однако требует доработки звукового тракта, расширения способов звукообразования и более систематической проверки технических характеристик. Цель работы - повысить качество и выразительность звучания движка и подготовить программную основу для дальнейшей аппаратной реализации.
Для достижения цели планируется переработать суммирование голосов и выходную обработку, устранить нежелательные искажения и усовершенствовать управление голосами. Предусматривается развитие исполнительских возможностей, полифонический и монофонический режимы игры и MIDI-управление. Отдельным направлением станет разработка движка сэмплерного синтеза, который расширит звуковую палитру Companion и создаст основу для последующих экспериментов с инструментальными тембрами. Архитектура программной части будет доработана с разделением звукового ядра и платформенных средств ввода-вывода.
Для настройки и проверки движка предполагается создать вспомогательную инструментальную среду. Оценка результатов будет сочетать технические измерения и сравнительное прослушивание контрольных аудиопримеров в воспроизводимых условиях. Анализ охватит выходные уровни, нежелательные искажения, поведение голосов, время обработки аудиоблоков и устойчивость работы в реальном времени. Сопоставление исходной и доработанной версий позволит оценить влияние внесённых изменений на звучание и технические характеристики системы.
Ожидаемый результат - программное ядро с расширенными возможностями виртуально-аналогового и сэмплерного синтеза, проверяемыми характеристиками и средствами дальнейшей разработки. При наличии необходимых ресурсов планируется экспериментально оценить возможность запуска движка на отдельной вычислительной платформе без персонального компьютера. Создание законченного аппаратного синтезатора не входит в обязательный объём работы.

Развить программный звуковой движок, повысив качество и выразительность звучания, расширив возможности звукообразования и создав средства настройки и воспроизводимого тестирования, чтобы подготовить программную основу для дальнейшей реализации автономного аппаратного синтезатора.

Проанализировать движок, определить ограничения, требования и критерии оценки. Доработать суммирование голосов и выходной тракт, устранить нежелательные искажения. Улучшить управление голосами, реализовать полифонию, монофонию и MIDI. Разработать и интегрировать движок сэмплерного синтеза. Создать среду настройки, диагностики и воспроизводимого тестирования. Сравнить версии по измерениям и прослушиванию, оценить улучшения и ограничения.

Доработанный звуковой движок Companion на C++ с переработанным суммированием голосов и выходным трактом, в котором устранены выявленные причины нежелательных искажений.
Подсистема управления голосами с полифоническим и монофоническим режимами игры и поддержкой MIDI-управления.
Движок сэмплерного синтеза, интегрированный в общую программную архитектуру Companion.
Программная архитектура с разделением звукового ядра и платформенных средств ввода-вывода, подготавливающая дальнейшую аппаратную реализацию.
Вспомогательная инструментальная среда для настройки, диагностики и воспроизводимого тестирования движка.
Набор контрольных аудиопримеров и отчёт о сравнительной оценке версий, включающий результаты измерений выходных уровней, нежелательных искажений, времени обработки аудиоблоков и устойчивости работы, а также описание поведения голосов и сохраняющихся ограничений.
При выполнении аппаратного эксперимента - результаты проверки запуска движка на отдельной вычислительной платформе и выводы о необходимых доработках для автономной работы.

Обработка звука и речи Алгоритмы и структуры данных Методологии разработки ПО

Анкудинова Екатерина Евгеньевна

eeankudinova@edu.hse.ru

Повышение надёжности набора инструментов Crux для анализа данных тандемной масс-спектрометрии

Enhancing the Reliability of the Crux Tandem Mass Spectrometry Analysis Toolkit

Индивидуальный

Проект посвящён повышению надёжности и корректности работы Crux, программного комплекса с открытым исходным кодом для анализа данных тандемной масс-спектрометрии в протеомике. В ходе работы будут проанализированы пользовательские сообщения об ошибках из публичного репозитория проекта, воспроизведены и классифицированы выявленные дефекты, разработаны и внесены исправления в исходный код. Результатом станет устранение нескольких известных проблем, снижение числа сбоев при обработке данных и более предсказуемое поведение инструментов комплекса, что повысит воспроизводимость результатов для пользователей.

Повысить надёжность, стабильность и воспроизводимость работы программного комплекса Crux путём системного выявления и устранения дефектов, о которых сообщает пользовательское сообщество.

Повысить надёжность, стабильность и воспроизводимость работы программного комплекса Crux путём системного выявления и устранения дефектов, о которых сообщает пользовательское сообщество.

Проанализировать открытые обращения (issues) в репозитории проекта и классифицировать их по типу (ошибки вычислений, сбои при обработке входных данных, некорректная обработка параметров, проблемы совместимости, неточности документации) и по приоритету.
Воспроизвести заявленные проблемы на тестовых данных и локализовать их причины в исходном коде.
Разработать и внести исправления с учётом совместимости с существующим поведением комплекса.
Проверить исправления [на тестовых наборах данных / существующими тестами] и убедиться, что они не приводят к регрессиям.
Оформить изменения в виде запросов на слияние (pull requests), обеспечить обратную связь с авторами обращений и закрыть решённые issues.
[Если было] Обновить документацию и сообщения об ошибках, чтобы пользователи быстрее находили причину сбоя.

Биоинформатика Веб- и десктоп-приложения

Антропенко Анна Александровна

annaalekantropenko@edu.hse.ru

Стабильность алгоритмов двухуровневой оптимизации

Stability of Bilevel Optimization Algorithm

Исследовательский

Командный (не более 4 человек)

ПМИ 3 курс: Ибодова Ева Фирузджоновна, Чугунова Александра Андреевна, Григорьева Мария Юрьевна, Антропенко Анна Александровна

Bilevel optimization chooses an outer variable while an inner variable is constrained to solve another optimization problem. The main goal of this course project is to study the stability of bilevel optimization methods, including a deterministic specialization of the Stochastic Bilevel Algorithm (SOBA), in which exact inner and adjoint solves are replaced by one simultaneous gradient step each.
For the SOBA variant described above, the inner objective is a fixed strongly convex quadratic, while the upper objective may be nonlinear and has a Lipschitz-continuous gradient. Under these assumptions, global linear convergence can be established for every finite inner and upper condition ratio. For poorly conditioned upper objectives, the sufficient stepsize boundary is within two percent of an admissible scalar instability bound as the inner condition bound grows.
An exact finite-horizon performance estimation formulation is also considered, retaining joint function interpolation and shared linear operators within a semidefinite program. The project will extend the stability analysis to other bilevel optimization methods under related assumptions.

To establish necessary and sufficient conditions for the algorithmic stability in the form of upper and lower bounds on the step size.

To review the relevant literature, analyze the algorithms under consideration using the performance estimation problem (PEP) framework, derive sufficient conditions for algorithmic stability, and construct counterexamples to identify necessary conditions

A research paper ready for submission to a journal or a conference

Машинное обучение

Архипов Тимофей Сергеевич

tisearkhipov@edu.hse.ru

Разработка отказоустойчивой книжной социальной сети с AI-инструментами изучения книг

Development of a Fault-Tolerant Book Social Network with AI-Assisted Learning Tools

Командный (не более 4 человек)

Архипов Тимофей Сергеевич БПИ251 курс 2, Топоров Иван Михайлович БПИ251 курс 2, Халин Иван БПИ258 курс 2

Проект предполагает разработку отказоустойчивого веб-приложения, объединяющего социальную сеть для любителей книг и AI-инструменты для более глубокого изучения прочитанного. Пользователи смогут вести личные книжные полки, отмечать прочитанные книги, ставить оценки, публиковать рецензии, подписываться на других читателей и следить за их активностью. Одной из ключевых особенностей приложения станут AI-инструменты, позволяющие работать с содержанием книг. На основе доступных для обработки текстов и пользовательских заметок система сможет создавать видеообложки, аудио обзоры в формате подкастов и небольшие обучающие курсы с вопросами для проверки знаний. Особое внимание в проекте будет уделено надёжности приложения. Планируется спроектировать систему таким образом, чтобы сбои AI-сервисов и отдельных серверных компонентов не нарушали работу основных функций социальной сети. Для этого будут предусмотрены резервирование серверов, механизмы повторной обработки запросов, мониторинг состояния системы и восстановление данных после сбоев.

Разработать и экспериментально проверить отказоустойчивую книжную социальную сеть, сохраняющую ключевые пользовательские сценарии при отказах отдельных экземпляров приложения и необязательных зависимостей и предоставляющую AI-инструменты создания видеообложки, аудио обзоров и мини-курсов.

Определить требования и спроектировать архитектуру, БД, API и сценарии отказов. Разработать книжную соцсеть с профилями, каталогом, полками, рецензиями, подписками, лентой и рекомендациями. Создать AI-модуль для генерации видеообложек, аудиообзоров и мини-курсов по текстам книг. Обеспечить отказоустойчивость, резервное копирование, восстановление данных и заданий, мониторинг и CI/CD. Провести функциональные, нагрузочные и аварийные тесты, оценить качество AI и подготовить код, документацию и демонстрацию.

Халин Иван - серверная разработка и надёжность данных. Проектирует серверную архитектуру, модель данных и API; реализует аутентификацию, каталог книг, полки, оценки, рецензии, подписки и серверную часть ленты. Обеспечивает ограничения целостности и идемпотентность операций записи. Настраивает репликацию и резервное копирование базы данных, разрабатывает и проверяет процедуру восстановления и безопасного переключения. Готовит модульные и интеграционные тесты серверной части, описание API и раздел документации по хранению данных.
Архипов Тимофей - клиентское приложение, развёртывание и наблюдаемость. Проектирует пользовательские сценарии и интерфейс; реализует страницы каталога, профилей, полок, рецензий и ленты, а также интерфейс запуска и просмотра AI-материалов. Обеспечивает понятное отображение ошибок, ожидания и ограниченного режима работы. Настраивает контейнеризацию, CI/CD, балансировку трафика между экземплярами приложения и основные панели мониторинга. Разрабатывает сквозные пользовательские и нагрузочные тесты, проверяет поведение интерфейса при сбоях и готовит инструкцию развёртывания.
Топоров Иван - AI-функциональность и надёжность фоновой обработки. Реализует подбор похожих книг по метаданным, генерацию видео обложек, аудио обзоров и мини-курсов с привязкой к источникам. Разрабатывает фоновые обработчики и жизненный цикл заданий, сохранение промежуточных результатов, ограниченные повторы и защиту от дублирования опубликованных результатов. Реализует тайм-ауты, ограничение параллелизма и изоляцию отказов внешних AI/TTS-сервисов. Готовит тесты AI-конвейера, набор материалов для оценки качества и соответствующий раздел документации.

В результате проекта будет разработана отказоустойчивая книжная социальная сеть с персональными библиотеками, рецензиями, рекомендациями и AI-инструментами для создания видео обложек, аудио обзоров и мини курсов. Надёжность системы будет подтверждена нагрузочными и аварийными испытаниями. Итогом станет готовое веб-приложение с исходным кодом, документацией и результатами тестирования.

Промышленная разработка NLP Базы данных

Багаев Леонид Алексеевич

lealbagaev@edu.hse.ru

RatingUp: адаптивный тренажёр для подготовки к олимпиадам по программированию

RatingUp: Adaptive Trainer for Competitive Programming

Командный (не более 4 человек)

Багаев Леонид Алексеевич, ПИ, 2 курс;
Бутенко Владислав Алексеевич, ПИ, 2 курс

RatingUp — веб-сервис для подготовки к олимпиадам по программированию. Он анализирует историю посылок пользователя на Codeforces, оценивает уровень по темам, подбирает следующие задачи и разбирает решения с помощью языковой модели: объясняет ошибку в подходе, а не только выдаёт вердикт.

К началу проекта есть работающий прототип на Python (FastAPI, SQLite), развёрнутый на сервере. Прототип подтвердил идею, но упёрся в свои пределы. Несколько процессов приложения не согласуют между собой лимит запросов к Codeforces API, а долгие операции выполняются прямо в запросе пользователя. Рекомендации построены на простой эвристике, качество которой не измерено.

В рамках проекта система переводится с прототипа на полноценную архитектуру. Ядро — сервис на Go: единая точка доступа к внешнему API и очередь фоновых задач. Данные переносятся в PostgreSQL. Миграция идёт постепенно, без остановки сервиса, с автоматической сверкой старой и новой реализаций. Параллельно разрабатываются новые алгоритмы рекомендаций: вероятностная модель навыка (Elo/IRT) и коллаборативная фильтрация. Их качество измеряется на стенде офлайн-оценки по историям тысяч реальных пользователей Codeforces, а затем проверяется в пилоте со студентами.

Перевести сервис RatingUp с прототипа на масштабируемую архитектуру с ядром на Go и повысить качество рекомендаций задач за счёт моделей, обученных на реальных историях решений пользователей Codeforces.

1) спроектировать архитектуру и API Go-сервиса; 2) реализовать на Go шлюз к Codeforces API и очередь фоновых задач; 3) перенести данные на PostgreSQL; 4) провести миграцию без остановки сервиса со сверкой реализаций; 5) настроить мониторинг, нагрузочные тесты и автодеплой; 6) собрать датасет и стенд офлайн-оценки рекомендаций; 7) разработать вероятностную модель навыка, коллаборативную фильтрацию и гибрид; 8) провести пилот с пользователями и сравнить результаты.

Багаев Леонид — архитектор и backend-разработчик (Go):
— проектирование архитектуры и API Go-сервиса, контракт OpenAPI
— шлюз к Codeforces API: общий ограничитель запросов, повторы, кэширование
— очередь фоновых задач: импорт истории, ежедневное обновление, асинхронный LLM-разбор
— перенос данных с SQLite на PostgreSQL с проверкой целостности
— миграция без остановки сервиса со сверкой старой и новой реализаций
— наблюдаемость, нагрузочное тестирование, профилирование, автоматический деплой
— сравнение прототипа и новой архитектуры

Бутенко Владислав — ML-разработчик и исследователь (Python):
— сбор и подготовка датасета историй решений пользователей Codeforces
— стенд офлайн-оценки рекомендаций: разбиение по времени, метрики, базовые алгоритмы
— вероятностная модель навыка (Elo/IRT) и подбор задач по целевой вероятности успеха
— коллаборативная фильтрация, гибридная модель, холодный старт
— интеграция новых алгоритмов в сервис и объяснение рекомендаций в интерфейсе
— сравнение алгоритмов и анализ результатов

Совместно: пилотный запуск со студентами и анализ его результатов, взаимное ревью кода, пояснительная записка.

— Работающий веб-сервис RatingUp на новой архитектуре: ядро на Go, PostgreSQL, очередь фоновых задач, автоматический деплой.
— Сравнение прототипа и новой архитектуры по задержкам, пропускной способности, потреблению памяти и устойчивости к сбоям внешнего API.
— Стенд офлайн-оценки рекомендаций и датасет историй решений пользователей Codeforces.
— Новые алгоритмы рекомендаций (вероятностная модель навыка, коллаборативная фильтрация, гибрид) и их сравнение с исходной эвристикой по метрикам hit@k, NDCG и точности прогноза решения задачи.
— Результаты пилотного запуска со студентами: продуктовые метрики и оценки полезности рекомендаций.
— Пояснительная записка и исходный код с автоматическими тестами.

Веб- и десктоп-приложения Машинное обучение Промышленная разработка

Баранова Юлия Александровна

iualbaranova@edu.hse.ru

Разработка открытой реализации и экспериментальное исследование современного алгоритма двунаправленного эвристического поиска с эвристикой Front-to-Attractors (F2A)

Development of an Open-Source Implementation and Experimental Study of a Modern Bidirectional Heuristic Search Algorithm with the Front-to-Attractors (F2A) Heuristic

Командный (не более 4 человек)

Баранова Юлия Александровна (ПМИ 3 курс), Степичев Евгений Александрович (ПМИ 3 курс)

В 2026 году на SoCS вышла статья *Front-to-Attractors: Modifying the Front-to-Front Heuristic in Bidirectional Search* (Alvin Zou, Muhammad Suhail Saleem, Maxim Likhachev), в которой подробно описан (без исходников с реализацией) новый алгоритм эвристического поиска кратчайших путей на графах — F2A. Открытых реализаций этого алгоритма до сих пор нет. Алгоритм объёмный: требуется реализовать как алгоритмическое ядро, так и инфраструктуру для экспериментальных замеров и сравнительного анализа с существующими подходами. Авторы сообщают о заметном снижении вычислительных затрат по сравнению с существующими эвристиками двунаправленного поиска, так что появление открытой реализации с воспроизведёнными бенчмарками было бы ценно для сообщества.

Разработка первой открытой реализации алгоритма эвристического поиска F2A (Front-to-Attractors), представленного в статье SoCS 2026 , а также всестороннее тестирование алгоритма на трёх классах сценариев для оценки его практической применимости и границ эффективности.

Изучить базовые алгоритмы поиска на графах. Ознакомиться с алгоритмом F2A и результатами авторов. Реализовать ядро F2A: поддержание аттракторов, вычисление эвристики, наследование и деактивацию. Реализовать baseline для воспроизводимости замеров. Подготовить сценарии: дорожные сети, лабиринты, игровые карты, графы с bottleneck'ами и сильно связные; провести замеры. Исследовать влияние топологии и обходных путей на эффективность F2A. Опубликовать open-source модуль с API и инструкцией по воспроизведению.

Участник 1 — Ядро алгоритма F2A и механизм аттракторов. Отвечает за реализацию динамического поддержания набора аттракторов: логику наследования аттрактора от родителя, условия активации и деактивации аттракторов, вычисление эвристики. Исследовательский вопрос: «Как стратегия выбора и обновления аттракторов влияет на число раскрытий состояний и время работы F2A на разных классах графов?»
Участник 2 — Инфраструктура замеров, baseline и топологический анализ. Отвечает за реализацию F2F и F2E в едином фреймворке, настройку тестовых сценариев (дорожные сети, лабиринты и игровые карты, графы с bottleneck'ами), сбор метрик и воспроизведение показателей из статьи. Исследовательский вопрос: «Как топология графа и наличие обходных путей влияют на эффективность F2A и воспроизводятся ли результаты статьи на реальных данных?»

Open-source реализация F2A с API, пригодная для интеграции в исследовательские проекты.

Воспроизведённые эксперименты из статьи с сравнением фактических показателей с заявленными.

Результаты замеров на графах дорожных сетей.

Анализ чувствительности F2A к топологии графа (сильная связность vs. bottleneck'и) с выводами о том, в каких сценариях алгоритм даёт наибольший выигрыш.

Алгоритмы и структуры данных

Баткилина Полина Максимовна

pmbatkilina@edu.hse.ru

Тензорная оптимизация для омиксных данных

Tensor Optimization for Omics Data

Исследовательский

Индивидуальный

В проекте предлагается применить известные тензорные и матричные разложения для получения новых алгоритмов анализа омиксных данных, а также исследовать новые подходы к решению задач биоинформатики с помощью тензорных методов численного моделирования омиксных данных.

Теоретическая и практическая разработка новых алгоритмов работы с омиксными данными, учитывающих их тензорную структуру.

1. Исследование структуры омиксных данных в задачах биоинформатики и анализа данных. 2. Получение тензорных и матричных представлений омиксных данных, позволяющих снизить вычислительные затраты алгоритмов анализа данных. 3. Построение алгоритмов улучшения представлений омиксных данных в виде тензорных и матричных структур с точки зрения целевых метрик.

Алгоритм(ы) получения тензорных и матричных представлений омиксных данных.
Алгоритм(ы) анализа данных, использующие тензорные и матричные представления омиксных данных.

Глубинное обучение Биоинформатика

Баттулина Полина Дамировна

pdbattulina@edu.hse.ru

Переносимость моделей прогнозирования аварийности между городами России с различной структурой улично-дорожной сети.

Transferability of Crash Prediction Models Across Russian Cities with Different Street Network Structures

Исследовательский

Индивидуальный

Проект проверяет, можно ли обучить модель аварийности улично-дорожной сети на открытых данных нескольких российских городов и применить её к городу, которого не было в обучении. Места концентрации ДТП в России выявляются по уже случившимся авариям, а во многих городах систематического анализа аварийности почти нет. В работе используются данные о ДТП с пострадавшими за 2015–2025 годы («Карта ДТП» на основе данных Госавтоинспекции) и дорожная сеть OpenStreetMap для 10–15 городов. Для каждого перекрёстка и отрезка улицы рассчитываются признаки: класс дороги, геометрия перекрёстков, пешеходная инфраструктура, а также центральность в сети и плотность населения как замена отсутствующих данных об интенсивности движения. На этих признаках обучаются и сравниваются несколько моделей прогноза числа ДТП, итоговая модель выбирается по качеству прогноза. Перенос оценивается по схеме «оставить один город вне обучения» и на отложенных городах; дополнительно проверяется, как ошибка переноса связана с различиями в планировке городов.

Построить модель числа ДТП на участках улично-дорожной сети по открытым данным и оценить, насколько качество её прогноза сохраняется при переносе на город, не участвовавший в обучении.

Набор данных о ДТП, привязанных к участкам улично-дорожной сети нескольких городов России, с признаками этих участков. Модель прогноза числа ДТП на участках сети, выбранная по итогам сравнения нескольких подходов. Оценка сохранения качества модели при переносе на город, не участвовавший в обучении. Характеристики участков, наиболее связанные с аварийностью, и факторы, влияющие на качество переноса. Карты прогнозируемого риска ДТП для городов вне обучающей выборки.

Набор данных о ДТП, привязанных к участкам улично-дорожной сети нескольких городов России, с признаками этих участков.
Модель прогноза числа ДТП на участках сети, выбранная по результатам сравнения нескольких подходов.
Оценка того, насколько качество модели сохраняется при переносе на город, не участвовавший в обучении.
Характеристики участков сети, наиболее связанные с аварийностью, и факторы, влияющие на качество переноса.
Карты прогнозируемого риска ДТП для городов, не участвовавших в обучении.

Машинное обучение Аналитика данных

Батухтин Кирилл Евгеньевич

kebatukhtin@edu.hse.ru

Paw: монорепозиторий для параллельной разработки с ИИ

Paw: monorepository for parallel development with AI

Командный (не более 4 человек)

Батухтин Кирилл Евгеньевич БПИ242, Дворянников Дмитрий Юрьевич БПИ242

AI-first монорепозиторий для разработки нескольких связанных проектов. Система позволит ИИ-агентам работать параллельно в изолированных пространствах, объединять их изменения, собирать проекты и публиковать выбранные части монорепозитория как обычные Git-репозитории.

Создать работающий монорепозиторий для параллельной разработки с ИИ-агентами поверх Git

- Реализовать хранение версий и изолированные рабочие пространства. - Обеспечить корректную схему асинхронной работы агентов - Реализовать импорт проектов из Git и экспорт проектов в Git-репозитории. - Подготовить документацию и примеры использования.

Батухтин Кирилл -- git-обертка, VCS, экспорт и импорт в git
Дворянников Дмитрий -- обеспечение асинхронной работы агентов

Работающее приложение, в котором несколько агентов могут параллельно изменять проекты, а разработчики — проверять и объединять их работу. Отдельные проекты можно будет собрать и опубликовать в формате обычного Git-репозитория, например на GitHub

Моделирование и автоматизация процессов Промышленная разработка Веб- и десктоп-приложения

Батышкина Алёна Игоревна

aibatyshkina@edu.hse.ru

«Герой доставки»: 2D-игра с машинным обучением

“Delivery Hero”: a 2D game with machine learning

Командный (не более 4 человек)

Батышкина Алёна Игоревна ПИ 2 курс, Жаркова Татьяна Владимировна ПИ 2 курс

«Герой доставки» -двумерная игра на Godot Engine с использованием C#, в которой игрок управляет супергероем-курьером и выполняет задания жителей виртуального города. Игровой процесс включает доставку сообщений между персонажами, преодоление случайных препятствий и спасение животных. Проект предусматривает разработку базы данных для хранения игровых результатов и статистики, а также создание модуля адаптивной сложности, учитывающего успешность действий игрока.

Целью проекта является разработка двумерной игры на Godot с использованием C#, объединяющей механику супергеройской доставки, систему заданий, хранение игровых данных и адаптацию сложности на основе анализа поведения игрока.

Изучить возможности Godot Engine и способы разработки игровых приложений на C#; Реализовать случайные игровые события, препятствия и механику спасения животных; Спроектировать структуру базы данных для хранения заданий, результатов и статистики игроков; Реализовать сбор и анализ показателей игрового процесса; Объединить разработанные компоненты и провести тестирование приложения.

Все задачи (в поле не вместились):
Изучить возможности Godot Engine и способы разработки игровых приложений на C#;
Спроектировать игровой мир, персонажей и основные игровые механики;
Реализовать управление супергероем, перемещение между зданиями и взаимодействие с игровыми объектами;
Разработать систему заданий, включающую получение, выполнение и завершение доставки сообщений;
Реализовать случайные игровые события, препятствия и механику спасения животных;
Спроектировать структуру базы данных для хранения заданий, результатов и статистики игроков;
Разработать механизмы сохранения и загрузки игровых данных;
Реализовать сбор и анализ показателей игрового процесса;
Разработать механизм адаптации сложности в зависимости от результатов и поведения игрока;
Объединить разработанные компоненты и провести тестирование приложения.

Участник 1
Основные задачи:
Изучить возможности Godot и настроить проект;
Разработать двумерную игровую сцену с городом, зданиями и окнами;
Реализовать управление супергероем и механику полёта;
Создать персонажей, с которыми взаимодействует игрок;
Разработать механику получения и доставки сообщений;
Реализовать препятствия, столкновения и спасение животных;
Создать игровой интерфейс, отображение очков и наград;
Реализовать основные игровые состояния и переходы между ними;
Провести тестирование игровой механики и исправить ошибки.
Результат работы: готовая игровая сцена с основными механиками и пользовательским интерфейсом.
Участник 2
Основные задачи:
Спроектировать структуру базы данных для хранения заданий, игровых результатов и статистики;
Разработать модуль взаимодействия с базой данных;
Реализовать сохранение и загрузку прогресса, результатов и достижений;
Определить показатели для анализа поведения игрока: время выполнения заданий, количество столкновений, число успешных доставок и спасённых животных;
Разработать алгоритм оценки успешности прохождения;
Реализовать адаптивное изменение сложности на основе собранной статистики;
Исследовать возможность применения методов машинного обучения для выбора уровня сложности;
Подготовить тестовые сценарии и оценить работу механизма адаптации;
Интегрировать разработанные модули с игровой частью.
Результат работы: база данных, система статистики и работающий модуль адаптации сложности.

По итогам выполнения курсовой работы планируется получить:
Работоспособный игровой прототип - двумерную игру, разработанную на Godot с использованием C#;
Реализованную игровую механику - управление супергероем, полёт между зданиями, взаимодействие с персонажами и доставка сообщений;
Систему игровых событий - случайное появление препятствий, столкновения и спасение животных с начислением наград;
Систему заданий - получение, выполнение и завершение квестов с учетом их условий;
Базу данных - структурированное хранение информации о заданиях, результатах прохождения и статистике;
Систему сохранения прогресса - возможность сохранять и просматривать результаты игровых сессий;
Модуль аналитики - сбор и обработку показателей поведения игрока;
Механизм адаптации сложности - изменение количества или скорости препятствий и других параметров игры в зависимости от результатов игрока;
Экспериментальную оценку адаптации - проверку того, как система реагирует на различные сценарии прохождения;
Комплект проектной документации - описание архитектуры, базы данных, игровых механик, алгоритмов и результатов тестирования.

Базы данных Создание игры Машинное обучение

Баширова Умукусум Магомедовна

umbashirova@edu.hse.ru

AI-ready данные в корпоративном DWH: влияние именования и структуры данных на качество решения аналитических задач AI-агентами

AI-Ready Data in an Enterprise Data Warehouse: Effects of Naming and Schema Structure on Analytical Task Performance of AI Agents

Исследовательский

Индивидуальный

Проект посвящён экспериментальному исследованию влияния именования и структуры данных корпоративного DWH на качество решения аналитических задач AI-агентами. Работа объединяет воспроизведение выбранных экспериментов из научных публикаций и собственное сравнительное исследование на корпоративных данных. Планируется получить количественные оценки качества решений, установить границы применимости исследуемых подходов к рабочим задачам DWH и сформулировать экспериментально обоснованные рекомендации по подготовке AI-ready данных

Исследовать влияние именования и структуры данных корпоративного DWH на качество решения аналитических задач AI-агентами и обосновать рекомендации по подготовке AI-ready данных

1. Изучить научные статьи о представлении данных и выбрать эксперименты для воспроизведения 2. Сформулировать вопросы и гипотезы с учётом обзора и задач DWH; выбрать данные, методы и критерии оценки 3. Подготовить данные, задачи и код для экспериментов 4. Воспроизвести эксперименты из статей и провести собственные сравнительные эксперименты на данных DWH 5. Сопоставить результаты, оценить ошибки и ограничения, сформулировать рекомендации по подготовке AI-ready данных

1. Количественные оценки качества решения аналитических задач при исследованных вариантах именования и структуры данных. Выводы по исследовательским вопросам с указанием ограничений применимости результатов
2. Методика экспериментов и набор задач на корпоративных данных
3. Результаты воспроизведения выбранных экспериментов и анализ их соответствия опубликованным выводам
4. Обзор научных подходов к подготовке данных для AI-агентов с обоснованием выбранных исследовательских вопросов
5. Рекомендации по подготовке AI-ready данных в корпоративном DWH, обоснованные результатами исследования

Аналитика данных Базы данных NLP

Беликов Владимир Владимирович

vvbelikov@edu.hse.ru

ТРАВИЛИТИ. Серверная часть

Командный (не более 4 человек)

Прохорова Виталия Олеговна ПИ 3 курс

TRAVILITY — веб-сервис для персонализированного планирования путешествий по России. Система подбирает направления с учётом бюджета, погоды и интересов пользователя, а затем автоматически составляет маршрут по дням.

Разработка интеллектуальной системы подбора туристических направлений и автоматического планирования маршрутов.

Сформировать базу туристических данных. Интегрировать API погоды, транспорта и мероприятий. Разработать алгоритм подбора направлений. Реализовать алгоритм оптимизации маршрутов. Создать веб-интерфейс и протестировать систему.

Участник №1 — клиентская часть и база данных
- Разработка пользовательского интерфейса: анкета предпочтений, выбор направлений, просмотр достопримечательностей и сформированного маршрута.
- Реализация взаимодействия клиентской части с сервером через API.
- Формирование и заполнение базы данных о стоимости проживания с использованием ИИ и последующей проверкой информации.
- Реализация отображения рекомендаций, расчёта бюджета и интерактивного плана путешествия по дням.

Участник №2 — серверная часть и алгоритмы
- Проектирование структуры базы данных для хранения информации о городах, отелях и ориентировочных ценах.
- Разработка серверной архитектуры и REST API для взаимодействия с клиентской частью.
- Реализация алгоритма персонализированного подбора городов на основе бюджета, дат, погодных условий и предпочтений пользователя.
- Разработка алгоритма оптимизации туристических маршрутов с учётом расписания мероприятий, часов работы достопримечательностей и времени перемещения.
- Интеграция внешних API для получения актуальных данных о погоде, мероприятиях и транспорте.
- Реализация серверной логики расчёта ориентировочной стоимости путешествия и проверки соблюдения бюджета пользователя.
- Обработка и объединение данных из внешних источников и собственной базы данных.

Работающий веб-сервис TRAVILITY с двумя собственными алгоритмами: многокритериальным ранжированием городов России (бюджет, погода, интересы) и автоматическим построением маршрута по дням с учётом расписания, времени перемещения и бюджета. Подготовленная база данных о городах и отелях, интеграция погодного API, API мероприятий и транспорта, а также веб-интерфейс, реализующий полный сценарий «от пожеланий до готового плана поездки».

Веб- и десктоп-приложения Алгоритмы и структуры данных Базы данных

alsebelousov@edu.hse.ru

Разработка подсистемы виртуальной памяти для потактового эмулятора процессора

Development of a Virtual Memory Subsystem for a Cycle-Accurate Processor Emulator

Индивидуальный

Проект направлен на расширение функциональных возможностей потактового эмулятора процессора, ранее самостоятельно разработанного автором в рамках летней практики (стажировки). Основной задачей проекта является реализация подсистемы виртуальной памяти, обеспечивающей моделирование механизмов трансляции виртуальных адресов в физические, управления адресными пространствами и защиты памяти.

В рамках проекта предполагается разработка программной модели блока управления памятью (Memory Management Unit, MMU), поддерживающего двухуровневую организацию таблиц страниц, а также реализация буфера ассоциативной трансляции адресов (Translation Lookaside Buffer, TLB) для кэширования результатов преобразования адресов. Дополнительно планируется реализовать механизмы обработки страничных исключений (Page Fault), контроля прав доступа к памяти и поддержки независимых виртуальных адресных пространств.

Разрабатываемая подсистема будет интегрирована в существующую архитектуру эмулятора с сохранением его потактовой модели исполнения. Предусматривается проведение функционального тестирования реализованных механизмов, включая проверку корректности трансляции адресов, работы TLB, обработки исключений и взаимодействия с подсистемой физической памяти.

Результатом проекта станет расширенная версия существующего эмулятора процессора, позволяющая исследовать принципы организации виртуальной памяти и функционирования механизмов управления памятью на уровне процессорной архитектуры.

Разработка и интеграция подсистемы виртуальной памяти в ранее созданный потактовый эмулятор процессора для моделирования механизмов трансляции адресов, защиты памяти и управления виртуальными адресными пространствами.

Разработка и интеграция MMU, реализация страничной трансляции адресов, TLB и механизмов защиты памяти, расширение системы команд процессора, функциональное тестирование.

В результате выполнения проекта планируется получить расширенную версию ранее разработанного потактового эмулятора процессора с поддержкой виртуальной памяти.

Основные планируемые результаты:

Программная реализация MMU, обеспечивающая преобразование 32-битных виртуальных адресов в физические с использованием двухуровневых таблиц страниц размером 4 Кбайт.
Реализация TLB — полностью ассоциативного буфера на 8 записей с поддержкой кэширования трансляций, алгоритма замещения и механизмов инвалидации записей.
Реализация механизмов защиты памяти, включая проверку прав доступа, генерацию и обработку исключений Page Fault, а также поддержку битов Accessed и Dirty в записях таблиц страниц.
Поддержка нескольких виртуальных адресных пространств с использованием идентификаторов процессов (PID) и механизма глобальных страниц.
Расширение архитектуры эмулируемого процессора за счёт добавления управляющих регистров и инструкций, необходимых для работы с виртуальной памятью.
Интеграция подсистемы виртуальной памяти с существующим эмулятором, обеспечивающая корректную трансляцию адресов при выборке инструкций, чтении и записи данных, а также при обращениях к устройствам, отображённым в память.
Набор функциональных тестов, подтверждающих корректность трансляции адресов, работы TLB, разграничения доступа к памяти и обработки страничных исключений.

Итоговым результатом станет программный комплекс, позволяющий моделировать работу процессора с поддержкой виртуальной памяти и использовать его для изучения и экспериментального исследования механизмов управления памятью в вычислительных системах.

Белоусько Константин Александрович

kabelousko@edu.hse.ru

Моментные оценки для нелинейной двухшкальной стохастической аппроксимации с марковским шумом

Moment Bounds for Non-linear Two Timescale Stochastic Approximation with Markovian Noise

Исследовательский

Индивидуальный

В двушкальной стохастической аппроксимации оценки оптимальных параметров (корней системы двух уравнений) обновляются со своими (возможно различными) шагами (step-sizes) при помощи стохастических оракулов. Рассматривается случай решения системы двух нелинейных уравнений, что позволяет решать более широкий спектр задач. Тот факт, что стохастические оракулы вызываются от последовательности переменных, образующих марковскую цепь, делают интересными исследования в этой области, например, для обучения с подкреплением

Доказать, что обе шкалы сходятся как обратный корень своих шагов в случае Марковского шума и нелинейных операторов

Получить оценки высокого порядка для p-х моментов для произвольных p

Рекурсивные оценки ошибок итераций для обеих шкал
Замыкание системы неравенств в случае, когда шум генерируется мартингал-разностями
Сведение марковского шума к случаю мартингал-разностей
Верхние оценки высокого порядка на p-е моменты ошибок итераций

Машинное обучение Машинное обучение Теоретическая информатика

Бельский Савва Борисович

sbbelskii@edu.hse.ru

Ограничения при отсечении по принципу Top-k: коэффициенты столбцов в ранжировании, каждая конкурентная пара (частота, норма) в блоке и начальный порог, который может обеспечить индекс

Top-k pruning bounds: column factors in the ranking, every competitive (frequency, norm) pair per block, and a starting threshold the index can prove

Индивидуальный

Проект посвящён ускорению полнотекстовых запросов с ранжированием top-k в СУБД SereneDB за счёт более эффективного отсечения блоков постинг-листов. Блок пропускается, если верхняя граница его оценки не может превзойти текущий k-й результат. Сейчас эти границы неточны для части функций ранжирования, порог начинается с минимального значения и растёт только после заполнения кучи, а при добавлении в ранжирование значений столбцов (свежесть, популярность) отсечение отключается и оцениваются все совпадения. В работе рассматриваются три взаимодополняющих направления: сохранение отсечения при ранжировании с колоночными факторами, хранение в каждом блоке всех конкурентных пар (частота терма, норма) по образцу Lucene и вычисление доказуемо безопасного начального порога по данным индекса.

Сократить число оцениваемых блоков и время выполнения top-k запросов в SereneDB без изменения результатов поиска. Для этого нужно получить более точные верхние границы оценки блоков, безопасный стартовый порог и отсечение, которое работает и при ранжировании с учётом значений столбцов.

1. Сохранить отсечение top-k при ранжировании с монотонными функциями столбцов (свежесть, популярность) по min/max в блоке. 2. Хранить в блоке все конкурентные пары (частота, норма) с нормами в 1 байт и сравнить с текущими границами. 3. Вычислять безопасный стартовый порог для OR-запросов по блочному индексу и по k лучшим документам терма. 4. Оценить пропуск блоков, время запросов и рост индекса на нескольких корпусах без изменения результатов.

Все механизмы будут реализованы в SereneDB как выбираемые опции. Тесты подтвердят, что результаты поиска совпадают с текущей реализацией. Будет проведено экспериментальное сравнение не менее чем на двух корпусах: число оцениваемых блоков, время запросов для k = 10, 100 и 1000, рост размера индекса и времени записи. Запросы из руководства по ранжированию со свежестью должны ускориться, а сценарии, где существующие механизмы уже подходят, не должны замедлиться.

Базы данных Промышленная разработка

Бесекешев Марат Саидович

msbesekeshev@edu.hse.ru

Исследование Низкоразмерной Структуры Представлений Фундаментальных Моделей Компьютерного Зрения

Analysis of Low-Dimensional Structure in Vision Foundation Model Representations

Исследовательский

Индивидуальный

Современные фундаментальные модели компьютерного зрения формируют высокоразмерные представления изображений и их локальных фрагментов, однако эффективная размерность этих представлений может быть значительно ниже номинальной. Проект направлен на исследование низкоразмерной линейной структуры признаков, извлекаемых предобученными vision foundation models.

В качестве основного инструмента анализа будет использоваться метод главных компонент (PCA). Планируется исследовать спектр собственных значений ковариационной матрицы признаков, эффективную размерность, долю объяснённой дисперсии, устойчивость найденных подпространств и ошибку реконструкции. Особое внимание будет уделено тому, как свойства низкоразмерной структуры зависят от выбранной модели, визуального домена, семантической и внутриклассовой вариативности изображений, а также способа построения выборки признаков.

Эксперименты будут проводиться на нескольких фундаментальных моделях компьютерного зрения и наборах данных из различных визуальных доменов, включая естественные, промышленные, аэрокосмические и медицинские изображения.

Работа мотивирована использованием линейных подпространств признаков в задачах обнаружения аномалий. Результаты проекта должны позволить количественно определить, в каких условиях PCA является адекватной моделью структуры представлений, а в каких линейное приближение становится недостаточным.

Выявить и количественно охарактеризовать условия, при которых высокоразмерные представления фундаментальных моделей компьютерного зрения обладают устойчивой низкоразмерной линейной структурой, а также определить зависимость этой структуры от модели и распределения анализируемых изображений.

1. Реализовать пайплайн извлечения признаков из vision foundation models. 2. Сформировать контролируемые выборки данных. 3. Исследовать PCA-спектры, эффективную размерность и ошибку реконструкции. 4. Сравнить модели и визуальные домены. 5. Изучить влияние разнообразия данных, размера выборки и аугментаций. 6. Определить условия устойчивого низкоразмерного линейного представления.

В результате проекта планируется получить воспроизводимый экспериментальный benchmark для анализа геометрии представлений фундаментальных моделей компьютерного зрения.

Будут получены и сопоставлены спектры ковариационных матриц, показатели эффективной размерности, кривые накопленной объяснённой дисперсии, ошибки реконструкции и показатели устойчивости PCA-подпространств для различных моделей и визуальных доменов.

Планируется установить, насколько низкоразмерная структура зависит от типа модели, визуального домена и степени разнообразия анализируемых изображений, а также проверить гипотезу о связи между однородностью данных и качеством их линейного низкоразмерного представления.

Будут сформулированы количественные критерии, позволяющие оценивать применимость PCA к представлениям vision foundation models и определять границы применимости линейного подпространственного моделирования.

Практическим результатом станет программный код для воспроизводимого извлечения признаков, построения PCA-моделей и проведения сравнительных экспериментов. Результаты исследования планируется оформить в виде научного отчёта и подготовить к представлению в формате научной статьи.

Компьютерное зрение Глубинное обучение Машинное обучение

dpbilalov@edu.hse.ru

Исследование эффективности методов causal inference на рандомизированных клинических данных

Evaluating the Performance of Causal Inference Methods on Randomized Clinical Trial Data

Исследовательский

Индивидуальный

Эффект лечения всё чаще оценивают по наблюдательным клиническим данным: медкартам, регистрам, реанимационным базам. В таких данных лечение назначают не случайно, а по решению врача, поэтому наивное сравнение групп даёт смещённые оценки. Методы causal inference призваны исправить это смещение, но на реальных данных истинный эффект неизвестен, и проверить их нельзя.

В проекте методы проверяются на открытых данных рандомизированных исследований, в первую очередь International Stroke Trial (19 435 пациентов), где эффект лечения оценён честно благодаря рандомизации. Из данных РКИ контролируемо строятся наблюдательные выборки со смещением назначения лечения, имитирующим клиническую практику. На них тестируются методы causal inference: от регрессионной поправки и propensity score до doubly robust оценок, мета-лёрнеров и causal forest. Оценка каждого метода сравнивается с эффектом из полного РКИ. Итог - воспроизводимый бенчмарк и рекомендации, каким методам и при каких условиях можно доверять при анализе реальных больничных данных.

Определить, какие методы causal inference надёжно восстанавливают эффект лечения по клиническим данным со смещением назначения, и описать условия, при которых они дают ошибочные оценки.

Обзор методов causal inference и подходов к их оценке на данных РКИ. Подготовка данных и оценка эталонного эффекта по полному РКИ. Построение наблюдательных выборок из РКИ для клинических сценариев смещения разной силы. Реализация методов оценки эффекта с двумя типами вспомогательных моделей. Сравнение методов по смещению, RMSE, покрытию интервалов и ошибкам знака. Проверка анализа чувствительности при скрытом факторе. Рекомендации по выбору методов и текст статьи.

1. Воспроизводимый открытый пайплайн: от сырых данных РКИ до сравнения методов.
2. Бенчмарк из 11 методов causal inference на клинических сценариях смещения.
3. Карта метод-условия: описание, где каждый метод даёт надёжную оценку, а где ошибается.
4. Оценка того, насколько анализ чувствительности помогает обнаружить скрытые факторы.
5. Практические рекомендации для исследователей, работающих с наблюдательными клиническими данными.
6. Обученные модели, конфигурации экспериментов и индексы подвыборок для всех сценариев, сохранённые в реестре экспериментов для полной воспроизводимости результатов.
7. Статья для подачи на конференцию по ML в медицине (MLHC 2027 или воркшоп по ML в медицине).

Машинное обучение Аналитика данных Биоинформатика

Бинеман Марат Рустамович

mrbikbaev@edu.hse.ru

@maratkawaii2006

DEEPFIN: Мультимодальное Прогнозирование Финансовых Показателей Компаний на Основе Числовых Данных и Текстов Годовой Отчётности

DEEPFIN: Multimodal Corporate Financial Forecasting Using Numerical Data and Annual Report Text

Исследовательский

Индивидуальный

Проект DEEPFIN направлен на разработку и исследование мультимодальной системы прогнозирования финансовых показателей компаний на основе числовых данных и текстов годовой отчётности. В качестве источника информации используются финансовые отчёты публичных компаний, представленные в базе SEC EDGAR.

Разработка и совершенствование мультимодальной системы DEEPFIN

Сбор и подготовка финансовых данных SEC EDGAR; разработка финансовых признаков; анализ текстов годовой отчётности с использованием Word Power и FinBERT; учёт индивидуальных особенностей компаний; разработка числовых и мультимодальных моделей прогнозирования; интеграция финансовых и текстовых признаков; сравнительная оценка точности моделей; анализ результатов и определение направлений совершенствования DEEPFIN.

Задачи проекта

Сбор и подготовка данных. Формирование набора данных на основе годовой финансовой отчётности публичных компаний из системы SEC EDGAR, включая числовые показатели и текстовые разделы отчётов.

Разработка числовых признаков. Расчёт финансовых коэффициентов, показателей рентабельности, ликвидности, динамики выручки и других характеристик финансового состояния компаний.

Анализ текстовой информации. Применение метода Word Power для выделения финансово значимых фрагментов отчётности и модели FinBERT для получения их контекстных представлений.

Учёт индивидуальных особенностей компаний. Разработка методов анализа изменений в текстовых раскрытиях, финансовых стратегиях и факторах риска отдельных компаний.

Разработка и совершенствование моделей прогнозирования. Исследование методов градиентного бустинга, регрессии и рекуррентных нейронных сетей, а также способов объединения числовых и текстовых признаков.

Экспериментальная оценка. Сравнение разработанных моделей с базовыми методами прогнозирования с использованием метрик MAE, MSE и R², временной валидации и проверки способности моделей обобщать результаты на ранее не встречавшиеся компании.

Анализ результатов. Определение факторов, влияющих на качество прогнозирования, оценка вклада текстовой информации и формулирование рекомендаций по дальнейшему развитию системы.

NLP Машинное обучение Финтех

Биннатов Сахават Эльханович

sebinnatov@edu.hse.ru

AutoInfra: агентная система для автономного управления инфраструктурой

AutoInfra: an agentic system for unattended infrastructure management

Командный (не более 4 человек)

Биннатов Сахават Эльханович, КНАД 3 курс; Проскуряков Дмитрий Андреевич, КНАД 3 курс

Всё чаще люди прибегают к помощи ИИ при разработке, развёртывании и диагностике своих систем. Такие системы могут умещаться в одном контейнере или охватывать целый дата-центр с географически распределёнными кластерами.
Как правило, пользователь собирает скриншоты, логи или другой срез состояния системы и передаёт их LLM.
При этом возникает существенная неопределённость: достаточно ли у модели информации, чтобы действительно помочь? Результаты такой помощи могут заметно различаться по воспроизводимости, последствиям и затратам ресурсов. В рамках проекта мы сосредоточимся на устранении проблем, из-за которых помощь LLM в инфраструктурных задачах оказывается непоследовательной

Создать агентную систему для автономного управления инфраструктурой

1. Разработать ядро на основе графа зависимостей 2. Реализовать безопасный удалённый доступ к узлам 3. Ввести ограничения, аудит и версионирование действий агентов 4. Интегрировать разные LLM-провайдеры 5. Создать интерфейс взаимодействия 6. Оценить работу системы на наборе задач

Биннатов Сахават - бэкенд и интерфейс: интеграция с LLM-провайдерами и harness агента, удаленный агент на Go, интерфейс взаимодействия с системой и ее развертывание.

Проскуряков Дмитрий - бэкенд и ядро системы: граф зависимостей и операции над ним, управление удаленным доступом со стороны Controller, периодический сбор данных, ограничения и аудит действий агентов.

Совместно - валидация и бенчмаркинг: подготовка набора задач, тестовые окружения и оценка системы.

1. Работающая система автономного управления инфраструктурой
2. Результаты оценки системы на наборе задач: качество решения, безопасность действий агента и затраты
3. Открытый репозиторий с исходным кодом, документацией и инструкциями

Моделирование и автоматизация процессов Веб- и десктоп-приложения Промышленная разработка

Богданов Алексей Владимирович

alvlbogdanov@edu.hse.ru

Командный (не более 4 человек)

Богданов Алексей Владимирович + ДРИП, 3 курс; Надиров Турал Ахмед оглы + ДРИП, 3 курс

Все больше людей не ищут в поисковиках, а спрашивают у ChatGPT, Gemini или DeepSeek. Модель сама решает, какие компании назвать, и владелец сайта обычно не знает, попадает ли он в эти ответы. Привычные SEO-сервисы показывают только место в поисковой выдаче.

SearchCite будет смотреть на обе стороны. Каждый день сервис будет проверять, на каком месте сайт по нужным запросам в Яндексе, Google и других поисковиках. Еще он будет задавать нейросетям те же вопросы, что задают покупатели, и считать, как часто модели называют бренд, ссылаются ли на сайт и кого из конкурентов упоминают вместо него. За каждой цифрой в кабинете будет храниться исходная выдача или текст ответа со временем проверки, чтобы любой результат можно было перепроверить. Кроме того, сервис будет проверять, пускает ли сайт поисковых и ИИ-ботов, и собирать готовые файлы правок, такие как robots.txt, sitemap.xml, разметка организации, заголовки и описания страниц.

Разработать и запустить SearchCite — сервис для мониторинга позиций сайтов в поисковиках и упоминаний брендов в ответах нейросетей, с проверяемой историей результатов, аудитом доступности сайта для ботов и готовыми файлами правок.

Ежедневно собирать позиции сайта в Яндексе, Google и других поисковиках и хранить снимок выдачи за каждой позицией; опрашивать ChatGPT, Claude, Gemini и DeepSeek, а затем Алису и GigaChat, и считать долю ответов с брендом; проверять сайт на доступность для поисковых и ИИ-ботов и генерировать файлы правок; сделать личный кабинет с историей, конкурентами и тарифами; запустить сервис на реальных клиентах и проверить, помогают ли правки попадать в ответы нейросетей.

Богданов Алексей: бэкенд на FastAPI и PostgreSQL, сбор позиций в поисковиках, опрос нейросетей.

Надиров Турал: фронтенд на Next.js, лендинг и личный кабинет, а также выкладка сервиса на сервер, настройка CI/CD и мониторинга.

- Сервис с лендингом, где можно бесплатно проверить сайт, и личным кабинетом для клиентов

- Ежедневный мониторинг позиций в Яндексе, Google и других поисковиках до топ-100 с выбором региона и устройства, историей до года и снимком выдачи за каждой позицией

- Трекер ответов нейросетей ChatGPT, Claude, Gemini, DeepSeek, Алисы и GigaChat. Для каждой модели он будет показывать долю ответов с брендом, ссылки на сайт и сайты, на которые модели опираются

- Аудит сайта по 8 поисковым и ИИ-ботам и набор готовых файлов правок

- Бэкенд на FastAPI и PostgreSQL с описанным API и фронтенд на Next.js

Веб- и десктоп-приложения Промышленная разработка Аналитика данных

Богданова Мария Алексеевна

maralebogdanova@edu.hse.ru

Интеллектуальная система адаптивного планирования работы над проектами с элементами геймификации

An Intelligent System for Adaptive Project Planning with Elements of Gamification

Индивидуальный

Разработка ведется в рамках веб-приложения Project Odyssey, которое превращает процесс создания проектов в космическое RPG-приключение с использованием искусственного интеллекта для представления идеи пользователя в виде ориентированного ациклического графа задач.

Узлы графа соответствуют задачам, а рёбра отражают зависимости между ними. Соответственно, задача становится доступной к выполнению только после завершения всех предшествующих. Для автоматической декомпозиции цели проекта на задачи и определения их взаимосвязей используется языковая модель. Система визуализирует граф в виде интерактивной карты, где состояние задачи (заблокирована, доступна, выполнена) определяется на основе структуры графа. При изменении пользователем плана (добавлении, удалении или перестановке задач) модель выполняет перепланирование с сохранением уже достигнутого прогресса.

У пользователя также есть планета проекта, а каждая задача представляет собой космический объект, за взаимодействие с которым пользователь получает очки. Их можно направить на улучшение характеристик планеты, что является одной из главных мотиваций.

Практическая значимость работы состоит в снижении трудоёмкости начального планирования и в повышении наглядности структуры проекта для пользователей без опыта проектного управления.

Разработать веб-приложение, позволяющее автоматически строить граф зависимостей задач по текстовому описанию цели проекта, визуализировать его в виде интерактивной карты и адаптировать план при изменении условий и действий пользователя с целью упрощения планирования.

Проанализировать существующие методы проектного планирования. Разработать модель проекта в виде графа задач. Реализовать алгоритмы обработки графа: проверку на циклы, топологическую сортировку, определение доступных задач. Разработать модуль генерации и перепланировки графа с помощью языковой модели с валидацией ответа. Реализовать веб-интерфейс с интерактивной картой задач. Протестировать систему (пользовательское тестирование/unit-тестирование/...) и оценить качество генерируемых планов.

1. Формальная графовая модель проекта.
2. Программный модуль обработки графа зависимостей.
3. Модуль ИИ-планирования с адаптивной перепланировкой.
4. Прототип веб-приложения с интерактивной картой.
5. Результаты тестирования и оценка качества планов.

Веб- и десктоп-приложения Машинное обучение Методологии разработки ПО

Бойко Владислав Игоревич

viboyko@edu.hse.ru

TensorQL: SQL-подобный движок для запросов к тензорным данным

TensorQL: An SQL-Like Engine for Querying Tensor Data

Индивидуальный

SQL - мощный язык, но крайне ограничен для популярных данных в области ML/AI, моделирования, климата, спутниковых и других данных в виде тензоров. Для выполнения запросов на таких данных нужен новый синтаксис и подходы. В проекте предлагается начать работу с реализации синтаксиса, затем baseline алгоритмов выполнения запросов с их дальнейшим развитием.

Реализовать разбор синтаксиса, подходы обработки данных

Программная реализация разбора синтаксиса, подходов обработки данных

Ознакомление с предметной областью, данными, разработка синтаксиса, реализация; оценка производительности методов, написание отчета; защита проекта

Базы данных Алгоритмы и структуры данных

Борисова Виктория Александровна

viktalekborisova@edu.hse.ru

Разработка однопользовательской атмосферной 3D-головоломки «Эхо станции» на Unreal Engine

Development of a Single-Player Atmospheric 3D Puzzle Game Echo Station in Unreal Engine

Индивидуальный

Проект посвящён разработке однопользовательской атмосферной 3D-головоломки «Эхо станции» на Unreal Engine для PC. Игрок от первого лица исследует обесточенную исследовательскую станцию из пяти помещений: шлюз, коридор обслуживания, щитовая, лаборатория и генераторная. Он находит предохранитель, направляет ограниченную энергию по линиям питания и запускает главный генератор. Подача питания включает рабочий свет, звук оборудования и электрические двери. Сессия длится 15-20 минут, управление - клавиатура и мышь. Результат - играбельный прототип с одним прохождением и одной концовкой.

Разработать играбельный прототип игры «Эхо станции», в котором игрок проходит путь от шлюза до генераторной и запускает главный генератор станции.

1. Реализовать перемещение от первого лица и цепочку из пяти помещений станции. 2. Реализовать поиск и перенос предохранителя и переключение линий питания. 3. Связать подачу энергии с включением света, звука и открытием дверей. 4. Реализовать финальную последовательность рубильников и запуск главного генератора. 5. Собрать играбельный прототип на PC со сценарием на 15-20 минут и одной концовкой.

Играбельный прототип «Эхо станции» на Unreal Engine для PC: пять связанных помещений, перенос предохранителя, управление питанием, реакция света, звука и дверей, запуск генератора. Вместе с прототипом сдаётся репозиторий с исходным кодом и описание проекта.

Создание игры Веб- и десктоп-приложения Методологии разработки ПО

Бородин Александр Игоревич

aiborodin@edu.hse.ru

Разработка прототипа пошаговой ролевой игры (JRPG) с динамической боевой системой на основе управления глобальным состоянием поля боя и Data-Driven архитектурой на движке Unreal Engine 5

Development of a Turn-Based Role-Playing Game (JRPG) Prototype Featuring a Dynamic Combat System Based on Global Battlefield State Management and Data-Driven Architecture in Unreal Engine 5

Индивидуальный

В рамках курсового проекта разрабатывается прототип пошаговой ролевой игры «Ivory» в жанре dark fantasy JRPG на движке Unreal Engine 5 с использованием C++ и Blueprint Visual Scripting. Игра повествует о семье, раздираемой конфликтом поколений, и ставит центральный вопрос нарратива «Стоит ли любая сила во Вселенной жизни семьи?», ответ на который раскрывается через жертвы и потери. Эта тема отражена игровых механиках, где каждая система связана с нарративом.
В основе технической реализации лежат индустриальные архитектурные паттерны: Data-Driven Design, Component-Based Architecture и Event-Driven Architecture с использованием нативных возможностей UE5 (UGameInstanceSubsystem, UWorldSubsystem). Архитектура разделена на пять слоёв: Data Layer, Entity Layer, Core Logic Layer, Presentation Layer и Service Locator Layer. Ключевая особенность — динамическая боевая система, построенная вокруг управления глобальной шкалой Равновесия между светом (Ivory) и тьмой (Onyx), которая влияет на модификаторы урона, защиты и стоимости навыков для всех участников боя. Среди дополнительных реализаций: системы Крови (жертвенная механика с накоплением ресурса и комбинированными атаками), Устойчивости врагов (пробой Onyx/Ivory-защиты) и Натяжения Реальности (конвертация критического шанса в боевой ресурс).

Разработка и программная реализация играбельного прототипа пошаговой JRPG с применением принципов Data-Driven Design, Component-Based Architecture и Event-Driven Architecture для создания масштабируемой и расширяемой игровой архитектуры.

Проект включает разработку: 1. Ядра боевой системы: пошаговый бой, очередь ходов, расчёт урона с учётом зоны Равновесия, защита, уклонение. 2. Ключевых механик: Шкала Равновесия, Кровь, Устойчивость, Натяжение Реальности. 3. Систем прогрессии: дерево навыков, пассивные навыки, экипировка. 4. Систем взаимодействия с миром: квесты, диалоги с выбором, сохранения. 5. Инфраструктуры: Event Bus, Database Assets, UI. 6. Контента прототипа: 2 персонажа, 5 типов врагов, 2 игровые зоны.

По итогам проекта будет создан играбельный прототип пошаговой JRPG продолжительностью 20-30 минут, запускаемый на платформе Windows. Прототип включает законченный игровой цикл: исследование локации, переход в бой, использование уникальных механик (Равновесие, Кровь, Устойчивость, Натяжение Реальности), победу над боссом и сохранение прогресса.
Ядром программной части станет модульная архитектура на основе Data-Driven Design, Component-Based Architecture и Event-Driven Architecture. Дополнительно будут реализованы системы сохранения/загрузки с версионированием, квестов, диалогов, адаптивный пост-процессинг и toon-shading шейдер.
В процессе работы будут получены практические навыки разработки на Unreal Engine 5 с использованием C++ и Blueprint, работы с нативными подсистемами игрового движка, создания Event-Driven архитектуры, разработки UI на UMG с разделением логики и представления, а также оптимизации производительности.
Итогом проекта станет играбельный прототип с демонстрацией всех ключевых механик, техническая документация с описанием архитектуры и контрактов, документация по расширению системы и презентация для защиты курсового проекта.

Создание игры Алгоритмы и структуры данных

isbosiakova@edu.hse.ru

Индивидуальный

ReelMind — интеллектуальная платформа для автоматизированного анализа, структурирования и хранения видеоконтента с использованием технологий искусственного интеллекта.

Проект направлен на решение проблемы организации и поиска полезной информации из коротких видеороликов, публикуемых в социальных сетях (Instagram Reels, TikTok, YouTube Shorts и других).

Система позволит пользователям добавлять видеоролики посредством ссылок или загрузки файлов, после чего будет автоматически выполнять извлечение аудиодорожки и ключевых кадров, распознавание речи, анализ визуального содержимого и формирование краткого текстового описания.

На основе полученных данных система будет определять тематические категории видеороликов, выделять значимые сущности (товары, места, заведения, рецепты и другие объекты) и сохранять структурированную информацию в персональной библиотеке пользователя.

Платформа предусматривает возможность создания пользовательских категорий, автоматической классификации контента, полнотекстового и семантического поиска, а также фильтрации сохранённых материалов.

Архитектура системы будет основана на асинхронной обработке видеоконтента с использованием фоновых задач, реляционной базы данных и интеграции с мультимодальными моделями искусственного интеллекта.

Разработка интеллектуальной платформы для автоматизированного мультимодального анализа, классификации, структурированного хранения и поиска информации из видеоконтента с использованием технологий искусственного интеллекта.

1. Спроектировать архитектуру приложения, базу данных и API. 2. Реализовать добавление видео по ссылке или через загрузку файла. 3. Настроить фоновую обработку видеороликов. 4. Добавить распознавание речи и анализ кадров. 5. Подключить AI для создания кратких описаний и извлечения полезной информации. 6. Реализовать автоматическую сортировку видео по категориям. 7. Создать личную библиотеку с удобным поиском. 8. Провести тестирование и подготовить приложение к запуску.

В рамках проекта планируется разработать мобильное приложение ReelMind, которое поможет пользователям сохранять, анализировать и удобно организовывать интересные видеоролики из социальных сетей.

Основные результаты проекта:

1. Мобильное приложение, в котором пользователи смогут создавать аккаунты, добавлять видео по ссылке или загружать их самостоятельно, просматривать результаты анализа и управлять сохранёнными материалами.
2. Серверная часть с REST API, базой данных и системой фоновой обработки видеороликов.
3. Интеграция искусственного интеллекта для распознавания речи, анализа кадров, создания краткого содержания видео и выделения полезной информации.
4. Автоматическое распределение видеороликов по категориям с возможностью создавать собственные категории и добавлять теги.
5. Извлечение информации о товарах, местах, заведениях, рецептах и других объектах, которые встречаются в видео.
6. Поиск по сохранённым роликам, в том числе по смыслу запроса, чтобы пользователь мог быстро находить нужную информацию.
7. Фоновая обработка видео с возможностью отслеживать её статус и повторно запускать обработку в случае ошибки.

В результате получится мобильное приложение, которое позволит не просто сохранять понравившиеся ролики, но и превращать их в удобную библиотеку полезной информации, к которой можно вернуться в любой момент.

Мобильная разработка Android Промышленная разработка Базы данных

Брайчук Сергей Валерьевич

svbraychuk@edu.hse.ru

@bachasuperstar

Разработка Интерактивной Образовательной Платформы для Изучения Python с ИИ-Наставником

Development of an Interactive Python Learning Platform with an AI Tutor

Индивидуальный

Проект направлен на разработку интерактивной образовательной веб-платформы PyMentor для самостоятельного изучения языка программирования Python с использованием технологий искусственного интеллекта.
Платформа объединяет теоретические материалы, практические задания, встроенный редактор программного кода, систему автоматической проверки решений и персонального ИИ-наставника на основе большой языковой модели (LLM).

Разработать интерактивную образовательную веб-платформу для изучения Python, объединяющую автоматизированную проверку программного кода, визуализацию учебного прогресса и персонализированную интеллектуальную поддержку пользователей на основе больших языковых моделей.

1)Определить функциональные требования к разрабатываемой системе.2) Спроектировать архитектуру веб-приложения и структуру базы данных. 3)Разработать серверную часть. 4)Реализовать интерактивную среду написания и выполнения программного кода. 5)Разработать интерактивную карту знаний на основе графовой структуры. 6)Интегрировать ИИ-наставника для контекстного анализа ошибок и формирования персонализированных подсказок. 7)Реализовать личный кабинет с системой отслеживания образовательного прогресса.

В результате выполнения проекта планируется разработать функционирующий прототип образовательной веб-платформы PyMentor для интерактивного изучения языка Python.
Разрабатываемая система будет включать:
1. Образовательный веб-интерфейс с системой регистрации, авторизации и личным кабинетом пользователя.
2. Интерактивные уроки Python с теоретическими материалами, практическими заданиями и встроенным редактором кода.
3. Механизм автоматической проверки решений, позволяющий выполнять программы, выявлять ошибки и оценивать корректность написанного кода.
4. Интеллектуального ИИ-наставника на основе большой языковой модели, способного анализировать код, объяснять ошибки и предоставлять контекстные подсказки.
5. Интерактивную карту знаний, реализованную в виде графа взаимосвязанных учебных тем с визуальным отображением прогресса.
6. Систему отслеживания успеваемости, обеспечивающую сохранение результатов обучения, истории решений и статистики пользователя.
Планируется создать демонстрационный курс по основам Python, включающий не менее 15 интерактивных уроков и 30 практических заданий.
Итоговым результатом станет работающее веб-приложение, исходный код проекта, техническая документация и результаты тестирования основных компонентов системы.

Веб- и десктоп-приложения NLP Алгоритмы и структуры данных

Бредихин Станислав Леонидович

slbredikhin@edu.hse.ru

Улучшение ресурсоёмких компонентов систем Поиска и Рекомендаций Яндекс Маркета

Improving resource-intensive components of Yandex Market’s search and recommendation systems

Индивидуальный

Поисковые и рекомендательные системы Яндекс Маркета работают с большими объёмами данных и требуют значительных вычислительных ресурсов. Оптимизация их инфраструктуры позволяет снизить потребление ресурсов и повысить эффективность работы без ухудшения качества выдачи

Сократить потребление вычислительных ресурсов поисковой и рекомендательной систем Яндекс Маркета за счёт оптимизации существующих компонентов и исключения избыточных элементов инфраструктуры

1. Исследовать существующие компоненты системы и выявить ресурсоёмкие части, вклад которых в работу системы не оправдывает затраты. 2. Выполнить перенос kNN-компонента. 3. Оптимизировать инфраструктуру путём исключения избыточного балансера. 4. Оценить влияние изменений на потребление ресурсов и производительность системы

Снижение потребления вычислительных ресурсов за счёт переноса kNN и упрощения инфраструктуры. Определение потенциальных направлений дальнейшей оптимизации на основе анализа ресурсоёмкости компонентов

Промышленная разработка Аналитика данных Алгоритмы и структуры данных

Бритин Тимофей Алексеевич

tabritin@edu.hse.ru

Платформа коллегиальных решений для СНТ («Decidim для СНТ»)

A Platform for Collective Decision‑Making for SNTs (“Decidim for SNTs”)

Индивидуальный

Лёгкая open-source self-hosted платформа для дачного кооператива / коттеджного посёлка: лендинг с демо-режимом, авторизация с подключаемыми провайдерами идентификации (мок -> Госуслуги/ЕСИА -> банк-ID), ролевая модель (председатель/правление/член), реестр участников и участков. Ядро — модуль коллегиальных решений: инициативы, голосования (простое большинство, квалифицированное 2/3, очно-заочное, ранжирование, выборы совета) с кворумами и таймерами, автоматический протокол. Легитимность — конструкция «устав + ПЭП-соглашение + идентификация + подписанный протокол + неизменяемый журнал с хэш-цепочкой».

Отличие от аналогов: Decidim/Consul — муниципальный масштаб, тяжёлые, без локализации под ФЗ-217; Loomio/Polis — без реестра и верификации; СНТ.Онлайн/1С — учёт взносов, не процедуры решений. Наш вариант — лёгкая система под небольшое сообщество с юридической процедурой СНТ.

Разработать открытую программную платформу для организации и проведения голосований в СНТ, обеспечивающую управление участниками, поддержку основных процедур голосования и проверяемость результатов

Проанализировать предметную область, Определить требования к системе, Спроектировать архитектуру платформы, Разработать механизм управления участниками, Реализовать механизм голосования, Обеспечить проверяемость результатов, Провести тестирование системы, Подготовить демонстрационную версию

Работающий прототип сервиса, включающий реестр участников, земельных участков, авторизацию, разграничение прав доступа, механизм голосования с автоматическим подсчётом результатов, формирование протоколов и ведение журнала событий для проверки целостности данных

Промышленная разработка Базы данных

Бронникова Анастасия Сергеевна

asbronnikova@edu.hse.ru

Разработка алгоритма адаптации глубоких нейронных сетей к неизвестным искажениям изображений

Development of an Algorithm for Adapting Deep Neural Networks to Unseen Image Corruptions

Индивидуальный

В рамках курсового проекта планируется разработать и реализовать алгоритм адаптации глубоких нейронных сетей к искажениям изображений, не встречавшимся в процессе обучения. Актуальность задачи обусловлена тем, что качество работы нейросетевых моделей классификации изображений может существенно снижаться при изменении характеристик входных данных, например при появлении шума, размытия или изменении освещения.

Основой проекта станет подход Test-Time Adaptation (TTA), позволяющий адаптировать предварительно обученную нейронную сеть к новым данным без использования их истинных меток и без полного переобучения модели. Планируется реализовать базовый алгоритм адаптации и разработать его модификацию, направленную на повышение устойчивости модели к ранее неизвестным искажениям.

Программная реализация будет выполнена на языке Python с использованием библиотеки PyTorch. Для проверки работоспособности алгоритма предполагается использовать архитектуру ResNet и наборы данных CIFAR-10 и CIFAR-10-C. Эффективность разработанного решения будет оцениваться путём сравнения точности классификации исходной модели, базового алгоритма адаптации и предложенной модификации при различных типах и интенсивностях искажений.

разработка и программная реализация алгоритма адаптации глубоких нейронных сетей к ранее неизвестным искажениям изображений на основе подхода Test-Time Adaptation (TTA), позволяющего повышать устойчивость моделей классификации к изменениям входных данных без использования размеченных данных и полного переобучения нейронной сети.

Изучить существующие подходы к адаптации глубоких нейронных сетей к изменениям входных данных, в частности методы Test-Time Adaptation (TTA). Выбрать архитектуру нейронной сети и подготовить наборы данных для обучения и тестирования модели на изображениях с различными типами искажений. Реализовать базовую модель классификации изображений и алгоритм адаптации к ранее неизвестным искажениям

Результатом проекта станет программный модуль для адаптации глубоких нейронных сетей к искажённым изображениям, позволяющий выполнять адаптацию модели и оценивать её эффективность

Глубинное обучение Компьютерное зрение Компьютерное зрение

itbuzin@edu.hse.ru

SereneDB: Модели ранжирования: DFR, IB, аксиоматические, BM25F и MultiSimilarity

SereneDB: Ranking Models: DFR, IB, Axiomatic Similarity, BM25F and MultiSimilarity

Индивидуальный

Реализация моделей ранжирования DFR и IB, аксиоматических моделей, BM25F для поиска по полям документа и MultiSimilarity для объединения оценок релевантностей нескольких моделей. SQL интеграция в SereneDB.

Расширение возможностей ранжирования в SereneDB.

Изучение, реализация и сравнение моделей ранжирования и SQL интеграция для настройки в SereneDB.

Реализованы модели ранжирования и их настройка и использование через SQL. Проведены эксперименты и собран отчет со сравнением качества ранжирования моделей.

Буйначева Вероника Андреевна

vabuynacheva@edu.hse.ru

Веб-сервис для организации работы репетитора

Web Service for Managing a Tutor’s Work

Командный (не более 4 человек)

Ржавин Дмитрий Андреевич "Программная инженерия", 2 курс. Буйначева Вероника Андреевна "Программная инженерия", 2 курс

Проект направлен на разработку веб-сервиса для организации работы репетитора и взаимодействия с его учениками и их родителями. Сервис позволит вести карточки учеников и расписание занятий, фиксировать пройденные темы, результаты занятий и замеченные учебные затруднения, создавать домашние задания и предоставлять учебные материалы. Ученик сможет просматривать задания и материалы, отправлять текстовые ответы или файлы, а родитель — знакомиться с информацией об обучении ребёнка, опубликованной репетитором. Для репетитора также будет предусмотрен учёт статуса оплаты занятий и хранение связанных документов. Доступ к данным будет разграничен в соответствии с ролями пользователей. Сервис не будет принимать платежи или автоматически проверять домашние задания: учебные результаты и комментарии вносит репетитор.

Разработать веб-сервис, позволяющий репетитору централизованно вести информацию об учениках, расписании, занятиях, домашних заданиях и учебных материалах, а также предоставлять ученикам и родителям доступ к предназначенной для них информации.

1. Проанализировать потребности репетитора, ученика и родителя и определить основные пользовательские сценарии. 2. Определить функциональные требования к приложению и правила/права доступа для разных пользователей. 3. Реализовать регистрацию и авторизацию пользователей. 4. Разработать функциональность ведения карточек учеников и расписания занятий с фиксацией репетитором пройденных тем, результатов занятий, домашних заданий. 5. Разработать интерфейсы кабинетов репетитора, ученика и родителя

Ржавин Д.А.:
Спроектировать структуру базы данных и связи между основными сущностями приложения.
Разработать серверную часть и API на Python с использованием современных методов.
Реализовать серверную логику для работы с учениками, занятиями, заданиями, ответами, материалами и записями об оплате.
Реализовать проверку прав доступа к данным в соответствии с ролями пользователей.
Настроить взаимодействие приложения с PostgreSQL и обработку файловых вложений.
Участвовать в тестировании backend и подготовке технической документации.

Буйначева В.А.:
Спроектировать структуру пользовательских интерфейсов для репетитора, ученика и родителя.
Разработать клиентскую часть приложения на React и TypeScript.
Реализовать экраны, формы и пользовательские сценарии для работы с расписанием, занятиями, заданиями и материалами.
Подключить интерфейс к API и обработать состояния загрузки, ошибок и подтверждения действий.
Участвовать в тестировании интерфейса и подготовке демонстрационной версии.

1. Разработанное веб-приложение для организации работы репетитора.
2. Кабинеты репетитора, ученика и родителя с разграничением доступа.
3. Возможность вести карточки учеников, расписание занятий и историю занятий с возможность фиксировать учебные итоги и замечания, создавать домашние задания и добавлять материалы.
4. Возможность отправлять ответы на задания в виде текста или файла и оставлять комментарии по результатам проверки.
5. Возможность учитывать статус оплаты и хранить связанные документы, доступные только репетитору.
6. Документация по требованиям, архитектуре, API и проверенным пользовательским сценариям.

Веб- и десктоп-приложения Базы данных Аналитика данных

Бурлаков Никита Антонович

nianburlakov@edu.hse.ru

Разработка программной платформы автоматизированной проверки решений по программированию в изолированной среде

Development of a Software Platform for Automated Grading of Programming Solutions in an Isolated Environment

Индивидуальный

Курсовая работа посвящена разработке программной платформы для
автоматизированной проверки решений учебных задач по программированию на языке Python. Платформа обеспечивает создание преподавателем задач и тестовых случаев, приём решений студентов и их асинхронную проверку. Исполнение пользовательского кода осуществляется в ограниченной изолированной среде с контролем потребления ресурсов. По результатам выполнения тестовых случаев формируются индивидуальные результаты и итоговый вердикт, доступные через REST API. Разрабатываемое решение предназначено для автоматизации проверки практических заданий по программированию и сокращения объёма ручной проверки.

Разработать backend-платформу автоматизированного тестирования программных решений на Python с выполнением кода в ограниченном изолированном окружении, управлением очередью проверок и предоставлением результатов через REST API.

1. Изучить существующие системы проверки решений и определить требования к платформе. 2. Спроектировать модели данных и архитектуру с REST API, очередью и worker. 3. Реализовать запуск Python-кода в контейнере с лимитами времени, памяти и сети. 4. Реализовать создание задач и тестов, приём решений, асинхронную проверку и выдачу вердикта через REST API. 5. Протестировать платформу на учебных задачах, оценить вердикты и соблюдение ограничений.

backend-платформа автоматизированной проверки решений на языке Python, обеспечивающая создание преподавателем задач и тестовых случаев, приём исходного кода от студентов, регистрацию попыток и асинхронную обработку заданий через очередь. Проверка решений выполняется отдельным Worker в изолированном окружении с ограничением времени выполнения, потребления памяти и других ресурсов. По каждому тестовому случаю система фиксирует результат выполнения, сопоставляет фактический вывод с ожидаемым и формирует итоговый вердикт. REST API предоставляет доступ к задачам, отправленным решениям, статусам проверок и подробным результатам тестирования.

Промышленная разработка Базы данных Методологии разработки ПО

ivvaburov@edu.hse.ru

L7-балансировщик нагрузки с проверкой доступности серверов и поддержкой различных алгоритмов балансировки

L7 Load Balancer with Server Health Checking and Support for Multiple Load Balancing Algorithms

Индивидуальный

Проект посвящён созданию HTTP-балансировщика нагрузки (reverse proxy, уровень L7 модели OSI) на языке Go. Балансировщик распределяет входящие запросы между несколькими серверами приложения, поддерживает различные алгоритмы балансировки (Round Robin, Smooth Weighted Round Robin, Least Connections, Power of Two Choices, Consistent Hashing) и отслеживает доступность серверов с помощью активных и пассивных проверок, автоматически исключая отказавшие серверы из пула и возвращая их после восстановления. В работе рассматриваются структуры данных и асимптотическая сложность алгоритмов выбора сервера. Для оценки решения разрабатывается стенд нагрузочного тестирования со случайной инъекцией отказов (ошибки, рост задержек, остановка серверов, обрывы соединений), на котором алгоритмы сравниваются по задержке, доле успешных запросов, равномерности распределения нагрузки и времени восстановления после отказов

Разработать HTTP-балансировщик нагрузки на языке Go с поддержкой различных алгоритмов балансировки и проверкой доступности серверов и оценить эффективность алгоритмов с помощью нагрузочного тестирования, в том числе в условиях отказов.

1) Обзор алгоритмов балансировки и аналогов (nginx, HAProxy, Envoy); 2) проектирование архитектуры; 3) реализация проксирования и алгоритмов Round Robin, Weighted Round Robin, Least Connections, Power of Two Choices, Consistent Hashing; 4) активная и пассивная проверка доступности серверов; 5) конфигурация YAML и метрики Prometheus; 6) стенд нагрузочного тестирования с инъекцией отказов; 7) нагрузочные испытания и сравнение алгоритмов

1. Балансировщик нагрузки на Go с пятью алгоритмами балансировки и проверкой доступности серверов; исходный код в открытом репозитории.
2. Стенд нагрузочного тестирования с моделированием отказов (Docker Compose, k6, Prometheus, Grafana).
3. Результаты сравнительного анализа алгоритмов: графики и выводы о применимости каждого алгоритма.
4. Модульные и интеграционные тесты, настроенная непрерывная интеграция (CI).
5. Программная документация по ГОСТ 19 ЕСПД: техническое задание, пояснительная записка, программа и методика испытаний, руководство оператора, текст программы.

Алгоритмы и структуры данных Промышленная разработка

Бусыгина Ксения Сергеевна

kssebusygina@edu.hse.ru

Программная система для поиска и верификации B2B-партнеров в мебельном бизнесе

Software System for Searching and Verifying B2B Partners in the Furniture Business

Командный (не более 4 человек)

Бусыгина Ксения Сергеевна, программная инженерия, 2 курс; Сиротина Дарья Николаевна, программная инженерия, 2 курс

Разрабатываемый проект решает проблему рутинного поиска и первичной квалификации лидогенераторов (дизайнеров интерьера, архитекторов, бригад премиум-ремонта).
Проект представляет собой комплексную B2B-систему для автоматизации построения партнерской сети для заказчика (мебельного бизнеса). Ядро системы включает парсер для сбора данных из открытых источников, модуль верификации для отсева нецелевых специалистов и оценки их портфолио, а также агента для ведения диалога. Агент работает по принципу permission-based marketing (сначала знакомство и предложение ценности, затем запрос разрешения на отправку полного коммерческого предложения). Вся воронка статусов партнеров отображается в административной панели

Разработать клиент-серверную систему, автоматизирующую процесс поиска, интеллектуальной верификации и первичного прогрева B2B-партнеров с целью формирования сети лидогенераторов, для мебельного бизнеса

1. Собрать требования заказчика 2. Спроектировать архитектуру системы 3. Разработать парсер для сбора профилей дизайнеров, архитекторов и ремонтных компаний из открытых источников 4. Реализовать модуль квалификации партнеров 5. Реализовать оправку персонализированных сообщений отобранным партнерам 6. Создать админ-панель 7. Создать сайт-визитку для компании-заказчика

Бусыгина Ксения (серверная часть):
- Разработка парсера и базы данных
- Реализация модуля квалификации партнеров
- Написание Unit-тестов

Сиротина Дарья (клиентская часть):
- Разработка админ-панели
- Создание сайта-визитки
- Реализация отправки сообщений отобранным партнерам

1. Действующий программный комплекс, готовый к запуску в отделе продаж мебельного бизнеса.
2. Программные модули:
- Прототип парсера, собирающий базу потенциальных партнеров (дизайнеров, архитекторов и т.п.).
- Модуль верификации, отсеивающий нецелевых специалистов и оценивающий их
- Агент, способный отправлять первое сообщение, подчеркивать коммерческую выгоду и запрашивать разрешение на отправку полного предложения
3. Админ-панель: интерфейс для визуализации воронки партнеров и мониторинга диалогов
4. Сайт-визитка для компании-заказчика

Промышленная разработка Веб- и десктоп-приложения Базы данных

Бухарина Василиса Александровна

vasalebukharina@edu.hse.ru

@whereismyjuul

Проектирование сервиса поиска соавторов и участников команд на основе образовательной платформы школы дизайна НИУ ВШЭ

Designing a service for finding co‑authors and team members based on the educational platform of the HSE School of Design.

Исследовательский

Индивидуальный

Проект направлен на разработку концепции цифрового сервиса для поиска соавторов и участников команд на образовательной платформе Школы дизайна НИУ ВШЭ. Сервис призван упростить поиск специалистов с необходимыми навыками для реализации учебных, творческих и междисциплинарных проектов.

В рамках работы предполагается исследование потребностей пользователей, разработка пользовательских сценариев, проектирование интерфейса и формирование технических требований. Основным результатом станет интерактивный прототип сервиса, позволяющего публиковать запросы на поиск участников, находить специалистов по компетенциям и откликаться на предложения о сотрудничестве. Концепция будет протестирована на потенциальных пользователях и подготовлена к возможной дальнейшей реализации и интеграции в платформу HSE Design.

Разработать и протестировать концепцию цифрового сервиса для поиска соавторов и участников проектных команд на платформе HSE Design, обеспечивающего удобный поиск специалистов по навыкам и интересам для совместной реализации проектов.

1. Исследовать способы поиска соавторов, потребности и проблемы пользователей. 2. Проанализировать существующие аналогичные сервисы. 3. Определить целевую аудиторию и основные функции сервиса. 4. Разработать пользовательские сценарии и структуру сервиса. 5. Спроектировать интерфейс и создать интерактивный прототип. 6. Провести пользовательское тестирование и доработать прототип. 7. Сформировать технические требования и рекомендации для дальнейшей разработки и интеграции в HSE Design.

В результате проекта планируется разработать проработанную и протестированную концепцию микросервиса поиска соавторов и участников команд для платформы HSE Design.

Основные результаты:
1. Результаты исследования целевой аудитории, её потребностей и существующих проблем поиска участников проектов.
2. Анализ аналогичных сервисов и обоснование выбранного продуктового решения.
3. Описание функциональных возможностей сервиса, пользовательских сценариев.
4. Разработанный дизайн интерфейса и интерактивный прототип, демонстрирующий основные пользовательские сценарии.
5. Результаты пользовательского тестирования и внесённые по его итогам улучшения.
6. Технические требования и рекомендации для дальнейшей реализации продукта.

Итогом станет интерактивный прототип, готовый к передаче на следующий этап разработки. При наличии технических возможностей и заинтересованности команды HSE Design концепция может быть реализована и интегрирована в существующую образовательную платформу.

Веб- и десктоп-приложения Методологии разработки ПО Базы данных

Буянов Александр Сергеевич

alsebuyanov@edu.hse.ru

Дообучение генеративных рекомендательных систем с помощью обучения с подкреплением и GFlowNets

Fine-Tuning Generative Recommendation Models with Reinforcement Learning and GFlowNets

Исследовательский

Индивидуальный

Генеративные рекомендательные системы предсказывают следующий интересный пользователю объект, последовательно формируя его код из дискретных токенов. В проекте предстоит исследовать, как дообучение таких моделей с помощью обучения с подкреплением и генеративных потоковых сетей (GFlowNets) влияет на точность и разнообразие рекомендаций. Работа будет опираться на существующие реализации и результаты экспериментов. Индивидуальная задача может быть связана с выбором функции награды, сравнением способов дообучения или анализом того, для каких пользователей рекомендации улучшаются.

Исследовать влияние дообучения генеративных рекомендательных систем с помощью обучения с подкреплением и генеративных потоковых сетей (GFlowNets) на точность и разнообразие рекомендаций.

1. Изучить существующие реализации генеративных рекомендательных систем и результаты экспериментов. 2. Исследовать влияние дообучения с помощью обучения с подкреплением и GFlowNets на точность и разнообразие рекомендаций. 3. В зависимости от индивидуальной задачи рассмотреть выбор функции награды, сравнить способы дообучения или проанализировать, для каких пользователей рекомендации улучшаются.

Результаты исследования влияния дообучения генеративных рекомендательных систем с помощью обучения с подкреплением и генеративных потоковых сетей (GFlowNets) на точность и разнообразие рекомендаций.
В зависимости от согласованной индивидуальной задачи результат будет связан с исследованием выбора функции награды, сравнением способов дообучения или анализом улучшения рекомендаций для различных пользователей.

Машинное обучение Глубинное обучение Алгоритмы и структуры данных

Быреева Александра Алексеевна

aabyreeva@edu.hse.ru

Систематический поиск гигантских галактик низкой поверхностной яркости по данным фотометрических обзоров неба

Systematic Search for gLSB Galaxies in Photometric Sky Surveys

Исследовательский

Индивидуальный

Гигантские галактики низкой поверхностной яркости с дисками радиусом до 130 кпк, что почти в 10 раз превышает характерный радиус звёздного диска Млечного Пути, представляют отдельную проблему для современных теорий формирования галактик. Объяснение происхождения таких систем позволило бы значительно продвинуться в понимании формирования и последующей эволюции дисковых галактик в целом. Проблема поиска таких систем кроется в их названии – их протяжённые диски имеют чрезвычайно низкую поверхностную яркость, что затрудняет автоматическое обнаружение и классификацию. В данный момент, часть gLSB галактик ошибочно классифицируются как эллиптические, из-за того, что на недостаточно глубоких изображениях видна только яркая центральная часть – балдж. Благодаря новым глубоким фотометрическим обзорам, таким как Hyper Suprime-Cam Subaru Strategic Program (HSC SSP) и DESI Legacy Imaging Surveys DR10, стало возможным видеть всё более и более тусклые структуры галактик. Однако поиск таких систем всё ещё часто требует визуального просмотра изображений, что при покрытии в несколько тысяч квадратных градусов становится крайне трудоёмким.
В ходе работы предлагается методами компьютерного зрения разработать способ обнаружения таких слабых структур вокруг галактик, проанализировать доступные фотометрические данные и найти новых кандидатов в gLSB галактики. Также благодаря разложению изображения галактики на компоненты балдж+диск и использованию расстояния до неё, можно оценить физический размер и поверхностную яркость диска и проверить принадлежность объекта к классу gLSB.

Разработка методов автоматического поиска гигантских галактик низкой поверхностной яркости (giant low-surface brightness galaxies, gLSB) в фотометрических обзорах неба и расширение выборки известных объектов

1. Сбор обучающей выборки gLSB-галактик и обычных галактик для сравнения, обучение и проверка модели на небольшом участке неба. 2. Применение модели к выбранным областям фотометрических обзоров и поиск новых кандидатов в gLSB-галактики. 3. Проверка найденных кандидатов с помощью разложения изображений на компоненты балдж+диск, оценка физических размеров и поверхностной яркости дисков и расширение известной выборки gLSB-галактик.

1. Собрана обучающая выборки gLSB-галактик и обычных галактик для сравнения, обучение и проверка модели на небольшом участке неба.
2. К выбранным областям фотометрических обзоров применена разработанная мл модель, произведен поиск новых кандидатов в gLSB-галактики.
3. Найденные кандидаты проверены с помощью разложения изображений на компоненты балдж+диск, оценены физические размеры и поверхностные яркости дисков, расширена известная выборка gLSB-галактик.

Компьютерное зрение Аналитика данных Машинное обучение в физике

iibychkov@edu.hse.ru

@chto_ya_cdelal

Расширение возможностей подсветки результатов полнотекстового поиска в СУБД SereneDB

Extending Full-Text Search Result Highlighting in SereneDB

Индивидуальный

Проект посвящён расширению подсистемы подсветки результатов полнотекстового поиска в СУБД SereneDB. Подсветка формирует короткие фрагменты найденных документов и выделяет совпадения с поисковым запросом, помогая пользователю оценить релевантность результатов. Планируется добавить возможность получать подсветку для нескольких текстовых полей одним вызовом, выбирать язык для определения границ предложений, экранировать исходный текст для отображения в HTML, использовать разные теги для слов запроса и независимо задавать условия поиска документов и выделения совпадений в тексте. Разработка будет выполнена на C++ с интеграцией в существующий механизм выполнения SQL-запросов.

Расширить возможности подсветки в СУБД SereneDB: поддержать обработку нескольких текстовых полей одним вызовом, учитывать язык при выборе фрагментов и предоставить возможность настраивать правила и параметры выделения найденных совпадений.

1. Изучить подсветку SereneDB и аналоги. 2. Спроектировать SQL-интерфейс и данные о совпадениях. 3. Добавить подсветку нескольких полей одним вызовом. 4. Учесть язык при выборе границ предложений. 5. Добавить HTML-экранирование, теги для разных слов и независимое условие подсветки. 6. Разработать автотесты. 7. Оценить накладные расходы. 8. Подготовить документацию и примеры.

1. Реализация расширений подсветки на C++, интегрированная в код SereneDB.
2. Автоматические тесты, проверяющие новые возможности и сохранение существующего поведения.
3. Результаты измерений времени выполнения на текстах разной длины и при различном количестве полей.
4. Документация SQL-интерфейса с примерами использования.

Базы данных Алгоритмы и структуры данных NLP

Бюрчиев Тимур Зольванович

tzbiurchiev@edu.hse.ru

Маршрутизация в дорожной сети с учётом меняющейся загруженности дорог на основе Customizable Contraction Hierarchies

Road Network Routing under Changing Traffic Using Customizable Contraction Hierarchies

Индивидуальный

Проект посвящён быстрому поиску маршрутов в дорожной сети, где время проезда постоянно меняется из-за пробок. Стандартный метод Contraction Hierarchies отвечает на запрос за доли миллисекунды, но после изменения весов дорог его приходится перестраивать целиком, а это занимает минуты. В проекте реализуется метод Customizable Contraction Hierarchies (CCH). В нём подготовка делится на две части: тяжёлую, которая зависит только от формы графа, и быструю кастомизацию весов. При локальном изменении пересчитывается только затронутая часть. Программа пишется на Java, работает с дорожным графом Москвы из OpenStreetMap, строит маршруты и матрицы времени в пути и показывает их на веб-карте. Методы сравниваются экспериментально по времени обновления и скорости запросов.

Разработать на Java программу построения маршрутов и матриц времени в пути по дорожному графу, которая учитывает пробки и обновляет данные за миллисекунды без полной перестройки индекса.

1) Реализовать алгоритм Дейкстры и Contraction Hierarchies; 2) реализовать Customizable Contraction Hierarchies с полной и частичной кастомизацией; 3) реализовать импорт графа из OpenStreetMap и построение матриц «многие ко многим»; 4) реализовать обработку событий о пробках и веб-интерфейс на карте; 5) экспериментально сравнить способы обновления весов; 6) подготовить программную документацию.

1. Программа на Java: импорт графа из OpenStreetMap, поиск маршрутов алгоритмом Дейкстры, Contraction Hierarchies и CCH, построение матриц «многие ко многим», обработка событий о пробках с частичной кастомизацией.
2. Веб-интерфейс на карте, где маршрут перестраивается после появления пробки.
3. Результаты экспериментов: время предобработки, кастомизации и запросов; сравнение перестройки CH с полной и частичной кастомизацией CCH; проверка корректности сравнением с алгоритмом Дейкстры.
4. Программная документация и пояснительная записка.

Алгоритмы и структуры данных Промышленная разработка Моделирование и автоматизация процессов

kevanzha@edu.hse.ru

@xvost_bobra_72

Реализация в рамках ОСРВ средств обнаружения нарушения правил строгого алиасинга типов в языке C

Implementation of Facilities for Detecting Strict Type Aliasing Violations in an RTOS for C Programs

Исследовательский

Индивидуальный

Работа посвящена реализации в операционной системе реального времени (ОСРВ) средств обнаружения нарушений правил строгого алиасинга типов в программах на языке C на базе инструмента TypeSanitizer инфраструктуры LLVM. Рассматриваются особенности адаптации и интеграции инструмента в ОСРВ с учётом ограниченных ресурсов и требований к предсказуемости времени выполнения. Предполагается оценка корректности обнаружения нарушений, а также влияния инструмента на производительность и потребление памяти.

Разработать и интегрировать в ОСРВ средства обнаружения нарушений правил строгого алиасинга типов в программах на языке C на базе инструмента TypeSanitizer инфраструктуры LLVM.

1) Проанализировать правила строгого алиасинга типов в языке C. 2) Изучить принципы работы TypeSanitizer, определить требования к его адаптации для ОСРВ. 3) Адаптировать runtime библиотеку TypeSanitizer к программному интерфейсу и механизмам управления памятью ОСРВ. 4) Интегрировать средство в процесс сборки программ для ОСРВ. 5) Разработать набор тестов и проверить корректность обнаружения нарушений. 6) Оценить расходы по времени выполнения и потреблению памяти, ограничения применения средства в ОСРВ.

В результате проекта планируется разработать и интегрировать в целевую ОСРВ средство обнаружения нарушений строгого алиасинга типов в программах на C на базе LLVM TypeSanitizer, включить средство в сборку, подготовить тесты и оценить накладные расходы по времени и памяти, а также ограничения применимости в ОСРВ.

Теоретическая информатика Алгоритмы и структуры данных Промышленная разработка

Варламов Артём Алексеевич

aavarlamov@edu.hse.ru

Индивидуальный

Более 30% студентов начинают сомневаться в корректном выборе образовательной программы уже через два года обучения. Это является большой проблемой как для самих студентов, так и для университета: принимая решение продолжить обучение, студент теряет мотивацию, его обучение становится слабее, а конечные знания не отвечают достаточному для успешного освоения специальности уровню. В случае если студент принимает решение об отчислении, то он теряет уже потраченное на обучение время, изученный материал, а в некоторых случаях и деньги. Для университета же любое развитие событий обозначает либо понижение уровня квалификации выпускников, либо потерю студентов.

Чтобы решить эту проблему, предлагается создать чат-бот, интегрируемый на сайт университета и производящий корректировку учебного плана в соответствии с изменившимися приоритетами студента за счет прохождения дополнительных мини-курсов, ДПО, майноров.

Данный бот также имеет функционал консультации абитуриентов, которые хотят определить, какая образовательная программа подходит им наибольшим образом, основываясь на результатах сдачи государственных экзаменов и индивидуальных достижениях. Это поможет сократить проблему смены образования в дальнейшем.

Разработать чат-бот, работающий на основе учебных планов и документов образовательных программ ВШЭ с внедренным ИИ, проводящем анализ пользователя и дающем ответ на вопросы о корректировке/определению учебного плана

Написание алгоритма работы чат-бота; интеграция ИИ; Обучение ИИ для сбора характеристики пользователя и последующей консультации в соответствии с заданным вопросом

Чат-бот, готовый ответить на вопросы абитуриентов и студентов о выборе/смене образовательной программы, а также произвести анализ и корректировку учебного процесса студента в соответствии с изменившимися приоритетами.

Создание чат-бота Аналитика данных Веб- и десктоп-приложения

Васильев Демьян Александрович

dealvasilev@edu.hse.ru

Анализ пространственной структуры биомов в Minecraft и исследование методов прогнозирования их распределения

Analysis of the structure of Minecraft biomes and the study of methods for predicting their distribution

Исследовательский

Индивидуальный

Проект посвящен исследованию карты биомов в мирах Minecraft Java Edition. Планируется собрать набор данных о распределении биомов с разными значениями ключа генерации, исследовать зависимости между биомами и определить характеристики, определяющие их распределение.

исследовать закономерности распределения карты биомов в Minecraft

1. изучить принципы процедурной генерации мира 2. сформировать набор данных для нескольких миров 3. исследовать получившиеся карты биомов 4. определить характеристики, полезные для прогноза остальной части карты биомов.

результаты
1. набор данных о распределении биомов в Minecraft
2. описание характеристик биомов - частота встречаемости, размеры областей, границы, соседние биомы итд
3. модель для прогнозирования распределния биомов
4. сравнение прогнозов с фактическим распределением биомов

Алгоритмы и структуры данных

iivelikikh@edu.hse.ru

Риск последовательности доходностей при накоплении и изъятиях из портфеля акций и государственных облигаций США: сравнение нормальной модели и методов бутстрапа

Return Sequence Risk in Accumulation and Withdrawal Scenarios for a Portfolio of U.S. Stocks and Government Bonds: A Comparison of the Normal Model and Bootstrap Methods

Исследовательский

Индивидуальный

Проект посвящён исследованию риска последовательности доходностей при накоплении и регулярных изъятиях из инвестиционного портфеля на рынке США. Этот риск связан с тем, что порядок благоприятных и неблагоприятных периодов влияет на результат инвестирования при наличии взносов и изъятий.

В рамках проекта будет разработан симулятор на Python на основе исторических доходностей американских акций и государственных облигаций с учётом инфляции США. Планируется использовать годовые данные за 1928–2025 годы. Базовый портфель включает 60% акций и 40% облигаций с ежегодной ребалансировкой.

Будут сопоставлены три способа генерации сценариев: независимая нормальная модель, независимый бутстрап и блочный бутстрап. Исследование позволит оценить, как выбор модели влияет на вероятность исчерпания капитала и допустимую начальную ставку изъятия на горизонте 30 лет. Дополнительно будет изучена чувствительность результатов к доле акций, горизонту планирования и длине блока бутстрапа.

Разработать симулятор накопления и изъятий для портфеля акций и государственных облигаций США и количественно оценить влияние модели доходностей на риск исчерпания капитала и допустимую ставку изъятия.

1. Подготовить данные по доходности акций, гособлигаций и инфляции США. 2. Разработать симулятор накопления и изъятий с учётом инфляции. 3. Реализовать нормальную модель, независимый и блочный бутстрап. 4. Сравнить вероятность исчерпания капитала и допустимые ставки изъятия. 5. Оценить влияние порядка доходностей, состава портфеля, горизонта и длины блока. 6. Сформулировать выводы и ограничения моделей.

Будет разработан воспроизводимый симулятор на Python и подготовлен набор исторических данных по рынку США. Будут получены сравнительные оценки вероятности исчерпания капитала для трёх моделей доходностей, графики зависимости риска от ставки изъятия и оценки максимальной начальной ставки изъятия при допустимой вероятности исчерпания капитала 5%.

Будет количественно оценена «цена модельного допущения»: изменение оценённого риска и допустимой ставки изъятия при замене генератора сценариев. Также будут представлены результаты анализа чувствительности и наглядная демонстрация риска последовательности доходностей. Выводы будут сопровождаться оценкой статистической неопределённости и обсуждением ограничений переноса результатов на другие рынки.

Финтех Временные ряды Моделирование и автоматизация процессов

Величко Дмитрий Алексеевич

dmalvelichko@edu.hse.ru

Виртуальный стол для игры в D&D "V Table"

Индивидуальный

Проект посвящён разработке многопользовательского приложения V Table на базе Unity для проведения настольных ролевых игр Dungeons & Dragons онлайн. Приложение представляет собой виртуальный игровой стол, позволяющий участникам совместно взаимодействовать с полем-картой и создавать собственные карты с помощью встроенного редактора.

Создать удобное виртуальное пространство для подготовки и проведения игр в D&D онлайн.

- Провести сравнительный анализ альтернатив; - Реализовать осн. механики стола: бросок костей, перемещение и добавление объектов окружения и фишек, перемещение камеры и др; - Добавить анимации для объектов во время взаимодействия; - Реализовать мультиплеер (единовременную работу нескольких участников над одним столом); - Создать инструментарий для редактирования онлайн-стола.

Готовое многопользовательское приложение, позволяющее организовывать игровые сессии, совместно управлять игровыми объектами, выполнять броски костей и создавать пользовательские карты.

Веб- и десктоп-приложения Создание игры

Веляев Алексей Владимирович

avveliaev@edu.hse.ru

Разработка системы прогнозирования риска закрытия предприятий общественного питания методами машинного обучения

Development of a Machine Learning System for Predicting the Closure Risk of Food Service Establishments

Индивидуальный

Закрытие предприятий общественного питания зависит от совокупности факторов, связанных с характеристиками заведения, изменением интереса посетителей, расположением и конкурентным окружением. В проекте предполагается собрать данные о заведениях за несколько временных периодов и на их основе определить признаки, связанные с прекращением работы предприятия. Для оценки риска закрытия будут обучены и сопоставлены различные модели машинного обучения. Полученные результаты будут представлены в программном приложении в виде оценки риска, основных влияющих факторов, таблиц, графиков и интерактивной карты.

Разработать программный прототип системы, использующей методы машинного обучения для оценки риска закрытия предприятий общественного питания и определения факторов, влияющих на полученный прогноз.

1. Собрать и подготовить данные о предприятиях общественного питания за несколько временных периодов. 2. Разработать критерии определения закрывшихся заведений и сформировать обучающую выборку. 3. Выделить характеристики заведений и внешние факторы, которые могут быть связаны с риском закрытия. 4. Обучить, сравнить и оценить модели машинного обучения для прогнозирования риска закрытия. 5. Разработать программный прототип для расчёта, объяснения и визуализации результатов прогнозирования

1. Собранный и очищенный датасет предприятий общественного питания за несколько временных периодов.
2. Методика определения факта закрытия заведения на основе доступных данных.
3. Набор признаков для оценки устойчивости предприятий общественного питания.
4. Обученная модель машинного обучения, рассчитывающая вероятность или категорию риска закрытия заведения.
5. Результаты сравнения алгоритмов машинного обучения и оценки качества их прогнозов.
6. Перечень наиболее значимых факторов риска закрытия предприятий.
7. Программный прототип, позволяющий просматривать уровень риска для отдельных заведений и анализировать результаты с помощью таблиц, графиков и интерактивной карты.

Машинное обучение Аналитика данных NLP

Веляев Алексей Владимирович

avveliaev@edu.hse.ru

Разработка системы прогнозирования риска закрытия предприятий общественного питания методами машинного обучения

Development of a Machine Learning System for Predicting the Closure Risk of Food Service Establishments

Исследовательский

Индивидуальный

Закрытие предприятий общественного питания зависит от совокупности факторов, связанных с характеристиками заведения, изменением интереса посетителей, расположением и конкурентным окружением. В проекте предполагается собрать данные о заведениях за несколько временных периодов и на их основе определить признаки, связанные с прекращением работы предприятия. Для оценки риска закрытия будут обучены и сопоставлены различные модели машинного обучения. Полученные результаты будут представлены в программном приложении в виде оценки риска, основных влияющих факторов, таблиц, графиков и интерактивной карты.

Разработать программный прототип системы, использующей методы машинного обучения для оценки риска закрытия предприятий общественного питания и определения факторов, влияющих на полученный прогноз.

1. Собрать и подготовить данные о предприятиях общественного питания за несколько временных периодов. 2. Разработать критерии определения закрывшихся заведений и сформировать обучающую выборку. 3. Выделить характеристики заведений и внешние факторы, которые могут быть связаны с риском закрытия. 4. Обучить, сравнить и оценить модели машинного обучения для прогнозирования риска закрытия. 5. Разработать программный прототип для расчёта, объяснения и визуализации результатов прогнозирования.

1. Собранный и очищенный датасет предприятий общественного питания за несколько временных периодов.
2. Методика определения факта закрытия заведения на основе доступных данных.
3. Набор признаков для оценки устойчивости предприятий общественного питания.
4. Обученная модель машинного обучения, рассчитывающая вероятность или категорию риска закрытия заведения.
5. Результаты сравнения алгоритмов машинного обучения и оценки качества их прогнозов.
6. Перечень наиболее значимых факторов риска закрытия предприятий.
7. Программный прототип, позволяющий просматривать уровень риска для отдельных заведений и анализировать результаты с помощью таблиц, графиков и интерактивной карты.

Машинное обучение Аналитика данных NLP

Веселинович Александра Александровна

aaveselinovich@edu.hse.ru

aleksandra_veselinovich

Разработка веб-приложения для обучения сотрудников сети „Кофемания“

Development of a Web Application for Employee Training at Coffeemania

Индивидуальный

Аннотация
Проект посвящён разработке корпоративного веб-приложения для обучения и информационного сопровождения сотрудников сети ресторанов «Кофемания». Приложение объединит учебные материалы, внутренние регламенты, сведения о меню и актуальные объявления. Сотрудники смогут получать необходимую для работы информацию, проходить обучение и проверять знания. Администраторы смогут управлять материалами, публиковать новости и отслеживать результаты обучения и ознакомление сотрудников с важной информацией

Разработать корпоративное веб-приложение, обеспечивающее сотрудникам сети «Кофемания» единый доступ к рабочей информации, обучению и внутренним объявлениям

1. Определить требования к приложению. 2. Спроектировать интерфейс, архитектуру и базу данных. 3. Реализовать авторизацию и роли пользователей. 4. Создать базу знаний и раздел объявлений. 5. Разработать тестирование и отслеживание прогресса обучения. 6. Реализовать панель администратора. 7. Провести тестирование приложения.

Корпоративное веб-приложение, адаптированное для компьютеров и мобильных устройств.
Единая база знаний для сотрудников различных должностей.
Лента новостей и объявлений с возможностью подтверждения ознакомления.
Модули обучения и проверки знаний.
Личный кабинет сотрудника с результатами обучения.
Панель администратора для управления контентом и пользователями.
Исходный код, документация и результаты тестирования.

Веб- и десктоп-приложения Базы данных Моделирование и автоматизация процессов

Виктор Павлов Виктор Павлович

vppavlov@edu.hse.ru

Реализация и экспериментальное исследование LTL-LRTA* с учётом характеристик среды и темпоральных целей

Implementation and Experimental Evaluation of LTL-LRTA* Considering Environment Characteristics and Temporal Goals

Исследовательский

Индивидуальный

Проект посвящён реализации и экспериментальному исследованию алгоритма LTL-LRTA* для поиска маршрутов в сеточных средах с темпоральными целями.

В рамках работы планируется воспроизвести основные компоненты алгоритма на языке C++ на основе опубликованной авторами реализации на Python, а также разработать инструмент для пошаговой визуализации процесса поиска.

Основной исследовательский вопрос заключается в том, как структурные характеристики графа среды, используемые эвристики и вычислительный бюджет поиска влияют на эффективность механизма Automata Subgoaling — формирования промежуточных целей на основе состояний автомата.

Для ответа на этот вопрос предполагается провести сравнительное экспериментальное исследование вариантов LTL-LRTA* с использованием Automata Subgoaling и без него. Основной метрикой будет стоимость фактически пройденного маршрута до выполнения темпоральной цели, дополнительной — вычислительные затраты.

Отдельное внимание будет уделено влиянию характеристик среды, таких как плотность препятствий, доля тупиков и расхождение между манхэттенским и кратчайшим расстояниями.

Результаты исследования позволят оценить вклад Automata Subgoaling в эффективность поиска и определить условия, при которых его применение наиболее целесообразно.

Экспериментально определить влияние структурных характеристик сеточной среды, используемых эвристик и вычислительного бюджета поиска на эффективность Automata Subgoaling в алгоритме LTL-LRTA*.

Изучить и воспроизвести LTL-LRTA* на C++; реализовать механизм Automata Subgoaling и визуализацию поиска; подготовить сеточные среды для экспериментов; сравнить варианты алгоритма при различных эвристиках и бюджетах поиска; исследовать влияние структурных характеристик среды на результаты.

В результате выполнения проекта планируется получить:

1. Реализацию алгоритма LTL-LRTA* на C++ в двух вариантах: с использованием Automata Subgoaling и без него, с тестированием и проверкой соответствия опубликованной авторской реализации.
2. Инструмент интерактивной визуализации, позволяющий пошагово наблюдать процесс поиска и работу алгоритмов.
3. Набор экспериментальных сеточных сред с различными структурными характеристиками.
4. Результаты сравнительного экспериментального исследования влияния Automata Subgoaling, используемых эвристик и вычислительного бюджета поиска на стоимость маршрута и вычислительные затраты.
5. Анализ зависимости эффективности алгоритмов от характеристик графа среды, включая выявленные закономерности и ограничения рассмотренных подходов.

Алгоритмы и структуры данных Теоретическая информатика Моделирование и автоматизация процессов

Винер Даниил Александрович

daviner@edu.hse.ru

Разработка банка задач по программированию и программной надстройки над Яндекс.Контестом для Лицея НИУ ВШЭ

Development of a Programming Problem Bank and a Software Extension for Yandex Contest for the HSE University Lyceum

Индивидуальный

Проект направлен на создание банка задач по программированию для Лицея НИУ ВШЭ и программной надстройки над Яндекс.Контестом, обеспечивающей автоматизацию разработки, проверки качества и использования этих задач в учебном процессе.

Банк задач формируется с учётом образовательных программ Лицея, уровня подготовки учащихся и потребностей преподавателей. Для каждой задачи предусматривается подготовка условия, примеров, эталонного решения, тестового набора и методических материалов. Задачи систематизируются по тематике, сложности и проверяемым знаниям и умениям.

Программная надстройка должна поддерживать автоматизированную подготовку задач и их вариантов, генерацию и проверку тестов, хранение и редактирование материалов, формирование учебных контестов и анализ результатов учащихся. Взаимодействие с Яндекс.Контестом осуществляется через API в пределах доступных возможностей сервиса. Подготовленные с применением автоматизации материалы проходят проверку и утверждение преподавателем.

Требования и результаты обсуждаются с представителями Лицея, включая заведующего профильной кафедрой, готового предоставить экспертную обратную связь.

Создать и апробировать банк качественных задач по программированию, соответствующий потребностям Лицея НИУ ВШЭ, и программную надстройку над Яндекс.Контестом, автоматизирующую подготовку задач, проверку материалов, организацию учебных контестов и анализ результатов учащихся

1. Анализ программ, заданий и работы преподавателей Лицея; требования к системе.2. Темы, уровни сложности, критерии качества.3. Изучение API Яндекс.Контеста.4. Архитектура надстройки и хранение задач.5. Разработка задач с решениями, тестами и разборами.6. Автогенерация вариантов и тестов.7. Проверка задач: валидаторы, эталоны, неверные решения, лимиты.8. Интерфейс преподавателя, сборка контестов, интеграция с API.9. Документация и сопровождение.

1. Структурированный банк задач по программированию для Лицея НИУ ВШЭ, включающий условия, примеры, эталонные решения, тесты и разборы.
2. Программная надстройка над Яндекс.Контестом с интерфейсом преподавателя и интеграцией через API.
3. Средства автоматизированной разработки задач и их вариантов, генерации тестов и проверки качества материалов.
4. Подготовленные на основе банка задач тематические подборки и учебные контесты.
5. Средства анализа результатов учащихся и формирования отчётности.
6. Результаты апробации и оценки качества задач, корректности работы системы и трудозатрат преподавателей.
7. Исходный код, техническая и методическая документация, инструкции по использованию и пополнению банка.

Алгоритмы и структуры данных Аналитика данных Веб- и десктоп-приложения

dovitko@edu.hse.ru

@cyrexskywalker

Система интеллектуальной маршрутизации для электромобилей

Intelligent Routing System for Electric Vehicles

Командный (не более 4 человек)

Витько Дмитрий Олегович ДРИП 3 курс БДРИП241, Емельянов Владислав Сергеевич ДРИП 3 курс БДРИП241.

Проект «Ampere» представляет собой веб-приложение для интеллектуального построения маршрутов электромобилей, разрабатываемое с использованием языка Java и фреймворка Spring Boot. Система предназначена для планирования поездок с учётом особенностей электротранспорта, включая ограниченный запас энергии, необходимость подзарядки и доступность зарядной инфраструктуры.

Пользователь выбирает модель электромобиля, указывает текущий уровень заряда аккумулятора, начальную и конечную точки маршрута. На основе этих данных система рассчитывает оптимальный путь, учитывая расстояние, прогнозируемое энергопотребление, расположение зарядных станций, их мощность и предполагаемое время зарядки. Для построения маршрутов планируется использовать модифицированные алгоритмы поиска кратчайшего пути, такие как Дейкстра и A*, с дополнительными ограничениями по запасу энергии. Пользователь сможет выбирать между несколькими вариантами маршрута, например наиболее быстрым, экономичным или обеспечивающим больший запас заряда.

Одной из ключевых особенностей проекта станет возможность динамического перестроения маршрута при изменении внешних условий. Например, если запланированная зарядная станция окажется недоступной или фактический расход энергии превысит прогнозируемый, система сможет подобрать альтернативный маршрут с учётом оставшегося заряда аккумулятора. Дополнительно планируется учитывать погодные условия, особенности дорожного рельефа и индивидуальные характеристики электромобиля. Проект сочетает алгоритмы теории графов, методы оптимизации, обработку геопространственных данных и технологии серверной разработки для создания адаптивной навигационной системы.

Разработка интеллектуальной системы маршрутизации электромобилей, обеспечивающей построение оптимальных маршрутов с учётом уровня заряда аккумулятора, энергопотребления автомобиля, расположения и характеристик зарядных станций, а также динамического изменения дорожных условий. Система должна минимизировать время и стоимость поездки, обеспечивать достаточный запас энергии и предоставлять возможность автоматического перестроения маршрута при изменении внешних факторов.

Разработка архитектуры системы и базы данных, интеграция с внешними API для получения информации о дорогах, зарядных станциях и погодных условиях. Реализация модели энергопотребления электромобиля и алгоритма оптимальной маршрутизации на основе Дейкстры или A*. Разработка механизма выбора зарядных остановок и динамического перестроения маршрута при изменении внешних условий. Создание серверной части на Java и Spring Boot, тестирование и оптимизация алгоритмов.

1) Витько Д. О.

Разработка алгоритма построения оптимальных маршрутов на основе модифицированных алгоритмов Дейкстры и A*.

Реализация модели расчёта энергопотребления электромобиля с учётом характеристик аккумулятора, расстояния, рельефа и погодных условий.

Разработка механизма оптимизации остановок для зарядки с учётом оставшегося заряда, мощности станций и времени зарядки.

Реализация многокритериальной оптимизации маршрутов по времени поездки, стоимости и запасу энергии.

Оптимизация производительности алгоритмов и проведение сравнительного тестирования различных подходов.

2) Емельянов В. С.

Проектирование серверной архитектуры приложения и базы данных.

Разработка REST API для взаимодействия с пользовательским интерфейсом и алгоритмическим модулем.

Реализация интеграции с внешними API для получения данных о дорожной сети, зарядных станциях и погодных условиях.

Организация хранения и обработки геопространственных данных с использованием PostgreSQL и PostGIS.

Разработка механизма отслеживания доступности зарядных станций и динамического обновления их состояния.

Реализация системы событий и уведомлений для автоматического перестроения маршрута при изменении внешних условий.

Разработка механизмов кэширования, обработки ошибок и обеспечения стабильной работы серверной части.

3) Совместные задачи участников

Проектирование общей архитектуры системы и согласование взаимодействия модулей.

Интеграция алгоритмического ядра с серверной инфраструктурой.

Разработка автоматизированных и интеграционных тестов.

Проведение нагрузочного тестирования и анализа производительности системы.

Подготовка технической документации, развёртывание приложения и демонстрация результатов проекта.

В результате выполнения проекта планируется разработать работоспособное веб-приложение «Ampere» для интеллектуального построения маршрутов электромобилей с учётом энергопотребления и зарядной инфраструктуры.

Основные планируемые результаты:

Алгоритм интеллектуальной маршрутизации, позволяющий строить оптимальные маршруты с учётом уровня заряда аккумулятора, характеристик электромобиля и необходимости остановок для зарядки.

Модель прогнозирования энергопотребления, учитывающая расстояние, характеристики автомобиля, дорожный рельеф и погодные условия.

Механизм оптимизации зарядных остановок, позволяющий выбирать подходящие станции с учётом их расположения, мощности, доступности и предполагаемого времени зарядки.

Система динамического перестроения маршрутов, обеспечивающая поиск альтернативного пути при изменении доступности зарядных станций или фактического энергопотребления.

Серверная часть приложения на Java и Spring Boot с REST API, интеграцией внешних источников данных и базой данных PostgreSQL с расширением PostGIS.

Пользовательский веб-интерфейс с интерактивной картой, отображением маршрутов, зарядных остановок, прогнозируемого остатка заряда и времени прибытия.

Результаты тестирования и сравнительного анализа алгоритмов маршрутизации, включающие оценку времени вычисления маршрутов, их продолжительности, энергопотребления и эффективности выбора зарядных остановок.

Итоговым результатом станет прототип адаптивной навигационной системы, демонстрирующий применение алгоритмов теории графов, методов оптимизации и геопространственных технологий для решения практической задачи планирования поездок на электромобилях.

Веб- и десктоп-приложения Алгоритмы и структуры данных Моделирование и автоматизация процессов

aivitiuk@edu.hse.ru

Методы нечёткого сопоставления имён и строковых значений в SereneDB

Fuzzy Matching of Names And String Values in SereneDB

Индивидуальный

Проект посвящён разработке методов поиска имён и строковых значений при различиях в написании. Планируется добавить в SereneDB фонетические кодировки и транслитерацию, ранжирование совпадений по подпоследовательности символов и оценку сходства по триграммам. Разработанные методы будут проверены на тестовых наборах данных; их качество и время выполнения будут сравнены с существующими способами поиска.

Разработать и оценить методы нечёткого сопоставления имён и строковых значений в SereneDB.

Изучить методы фонетического сопоставления, транслитерации, поиска по подпоследовательности символов и триграммного сходства, затем реализовать их в SereneDB. Проверить корректность разработанных методов и сравнить их по качеству результатов и времени выполнения запросов.

Реализация указанных методов в SereneDB, тесты корректности, набор воспроизводимых примеров запросов и сравнительная оценка качества и скорости поиска.

Базы данных Алгоритмы и структуры данных

Воейков Александр Валерьевич

avvoeykov@edu.hse.ru

"GoWatch" — веб-сервис мониторинга доступности сайтов и API

"GoWatch" — Website and API Availability Monitoring Service

Командный (не более 4 человек)

Галиаскаров Камиль Русланович Программная инженерия 2 курс

Проект направлен на разработку веб-сервиса для автоматического мониторинга сайтов и API. Пользователь сможет добавлять адреса для проверки, задавать периодичность запросов и допустимое время ответа. Сервис будет выполнять проверки в фоновом режиме, сохранять результаты, фиксировать сбои и отправлять уведомления в Telegram о недоступности и восстановлении работы. В личном кабинете будут представлены текущие статусы, история сбоев, графики времени ответа и статистика доступности. Серверная часть будет реализована на Go, хранение данных — в PostgreSQL, пользовательский интерфейс — с использованием HTML, CSS и JavaScript.

Разработать веб-сервис, позволяющий пользователям автоматически отслеживать доступность и время ответа сайтов и API, получать уведомления о сбоях и анализировать историю их работы.

Анализ аналогов, формирование требований и проектирование архитектуры. Регистрация, авторизация и разграничение доступа. API управления мониторингом и настройками проверок. Параллельные фоновые проверки с ограничением запросов. Хранение результатов в БД и расчёт доступности. Определение сбоев, их длительности и уведомления в Telegram. Формы входа и регистрации, личный кабинет и настройки. Статусы, история сбоев и графики времени ответа. Тестирование и документация.

Участник 1 — разработка подсистемы мониторинга и статистики:
- Реализация фоновых проверок сайтов и API, измерения времени ответа и получения HTTP-кодов — бэкенд, Go.
- Организация параллельных проверок, настройка тайм-аутов и ограничение количества одновременных запросов — бэкенд, Go.
- Сохранение результатов проверок в PostgreSQL, определение начала и окончания сбоев, расчёт статистики доступности — бэкенд.
- Разработка страницы статистики с графиками времени ответа и историей сбоев — фронтенд.
- Написание тестов для подсистемы мониторинга.

Участник 2 — разработка личного кабинета и подсистемы уведомлений:
- Реализация регистрации, авторизации и разграничения доступа к данным пользователей — бэкенд, Go.
- Разработка API для добавления, редактирования и удаления объектов мониторинга и настройки проверок — бэкенд, Go.
- Реализация привязки Telegram и отправки уведомлений о сбоях и восстановлении — бэкенд, Go.
- Разработка страниц регистрации, входа и личного кабинета с формами управления мониторингом — фронтенд.
- Написание тестов для личного кабинета и уведомлений.

Совместная работа: определение требований, проектирование архитектуры и базы данных, интеграция компонентов, проверка работы сервиса, подготовка документации и демонстрации проекта.

Работающий веб-сервис GoWatch с серверной частью на Go, базой данных PostgreSQL и веб-интерфейсом. Пользователь сможет настроить мониторинг нескольких ресурсов, просматривать результаты проверок и получать уведомления о сбоях и восстановлении. Также будут подготовлены исходный код, автоматизированные тесты, результаты тестирования, инструкция по запуску и руководство пользователя.

Веб- и десктоп-приложения Базы данных Аналитика данных

nvoloshin@edu.hse.ru

Серверная часть для приложения учёта лекарств

Server Side for a Medication Tracking Application

Индивидуальный

Приложения для учёта лекарств хранят чувствительные данные: какие препараты есть у человека, сколько их и что он о них записывает.
Проект продолжает предметную область моего прошлого курсового проекта - системы учёта домашней аптечки MedApp (Kotlin, Spring). Там приватность обеспечивалась анонимностью: о пользователе сервер хранил только идентификатор и хеш ключа, но содержимое аптечек видел в открытом виде. Архитектура, построенная на минимуме серверных данных, сильно усложняла развитие системы: офлайн-синхронизацию, работу с нескольких устройств, разграничение прав.
В новом проекте сервер разрабатывается заново на Java (Spring Boot, PostgreSQL) и строится на другом принципе: он хранит данные пользователей, но не может прочитать идентифицирующие части. Названия препаратов и на устройстве пользователя; в открытом виде сервер получает только обезличенные количественные значения, необходимые для его логики. Это позволяет добавить то, чего в прошлой версии не было: разрешение конфликтов при синхронизации офлайн-изменений, несколько устройств у одного пользователя и роли участников общей аптечки (владелец, участник, наблюдатель) с распределением ключей между ними, а также открывает возможность интеграции с другими сервисами.
Работа включает модель угроз, проектирование схемы шифрования и REST API, реализацию сервера и модульные, интеграционные и параллельные тесты. Клиентская часть и интеграция с ней выходят за рамки этого курсового проекта.

Разработать серверную часть приложения для учёта лекарств, которая хранит и синхронизирует данные, не раскрывая сведения о здоровье пользователей оператору сервера.

1. Проанализировать прошлую версию MedApp 2. Составить модель угроз и спроектировать схему шифрования, модель данных и REST API. 3. Реализовать сервер на Java (Spring Boot, PostgreSQL): аутентификацию, хранение зашифрованных записей, работу одного пользователя с нескольких устройств. 4. Реализовать синхронизацию офлайн-изменений с разрешением конфликтов. 5. Покрыть сервер тестами и подготовить пояснительную записку с моделью угроз и результатами проверки.

• Работающий сервер приложения для учёта лекарств на Java (Spring Boot, PostgreSQL) с исходным кодом в открытом репозитории на GitHub.
• REST API для аутентификации, хранения и синхронизации зашифрованных данных, с документацией в формате OpenAPI.
• Поддержка нескольких устройств одного пользователя, ролей участников общей аптечки и разрешения конфликтов при синхронизации.
• Схема шифрования на стороне клиента и распределения ключей между участниками и устройствами.
• Модель угроз с оценкой того, от каких угроз защищает выбранная схема и от каких нет.
• Набор модульных, интеграционных и параллельных тестов.
• Пояснительная записка по курсовому проекту.

Промышленная разработка Базы данных

Вронская Злата Евгеньевна

zevronskaia@edu.hse.ru

Онлайн-обнаружение аномалий и структурных изменений в телеметрии

Online detection of anomalies and structural changes in telemetry

Исследовательский

Индивидуальный

Проект посвящён разработке и исследованию методов автоматического обнаружения аномалий в данных серверной инфраструктуры. В процессе работы серверов непрерывно собираются различные показатели, например загрузка процессора, использование памяти и сетевой трафик. Необычные изменения этих показателей могут указывать на сбои или нарушения в работе системы.

В рамках проекта планируется исследовать классические методы машинного обучения и статистического анализа для своевременного выявления таких отклонений. Особое внимание будет уделено скорости обнаружения аномалий, снижению количества ложных срабатываний и способности алгоритмов адаптироваться к изменениям нормального поведения системы.

Разработать и исследовать алгоритм обнаружения аномалий в потоковых данных серверной инфраструктуры на основе классических методов машинного обучения и статистического анализа, обеспечивающий своевременное выявление отклонений при контролируемом уровне ложных срабатываний.

В рамках проекта планируется изучить методы обнаружения аномалий во временных рядах, подготовить и проанализировать данные серверной инфраструктуры. Предполагается реализовать и сравнить классические методы машинного обучения (PCA, Isolation Forest, расстояние Махаланобиса), разработать алгоритм обнаружения изменений на основе CUSUM или GLR и исследовать применение адаптивных порогов. Также планируется оценить точность, скорость обнаружения аномалий и частоту ложных срабатываний.

В результате выполнения проекта планируется получить программную реализацию алгоритма обнаружения аномалий в потоковых данных, объединяющего классические методы машинного обучения и последовательный статистический анализ.

Будет проведено экспериментальное сравнение различных методов обнаружения аномалий, включая исследование влияния адаптивных порогов на скорость выявления отклонений и количество ложных срабатываний.

Также планируется разработать механизм моделирования различных типов аномалий и изменений в данных для проверки устойчивости алгоритмов. Результаты исследования будут представлены в виде программного кода, графиков, сравнительных таблиц и аналитического отчёта с выводами об эффективности рассмотренных подходов.

Машинное обучение Временные ряды Аналитика данных

Вылкова Амалия Алексеевна

amalvylkova@edu.hse.ru

Анализ генетического профиля и клинических проявлений у пациентов с дилатационной кардиомиопатией

Analysis of the Genetic Profile and Clinical Manifestations in Patients with Dilated Cardiomyopathy

Исследовательский

Индивидуальный

Проект посвящён исследованию ландшафта некодирующих вариантов у пациентов с дилатационной кардиомиопатией с использованием AlphaGenome. Планируется описать распределение вариантов и их предполагаемые функциональные эффекты, исследовать структуру генетических профилей пациентов и их связь с клиническими проявлениями заболевания.

Исследовать ландшафт некодирующих вариантов у пациентов с дилатационной кардиомиопатией на основе оценок AlphaGenome и его связь с клиническими проявлениями заболевания.

1. Подготовить генетические и клинические данные пациентов. 2. Описать ландшафт некодирующих вариантов и их предполагаемые эффекты по оценкам AlphaGenome. 3. Исследовать структуру генетических профилей пациентов и их связь с клиническими проявлениями. 4. Оценить возможность прогнозирования клинических исходов методами машинного обучения.

1. Подготовленный набор генетических и клинических данных пациентов;
2. Описание ландшафта некодирующих вариантов;
3. Результаты анализа структуры генетических профилей пациентов;
4. Оценка связи генетических профилей с клиническими проявлениями;
5. Оценка возможности прогнозирования клинических исходов методами машинного обучения.

Биоинформатика Аналитика данных Машинное обучение

Габрия Владислав Александрович

vlad.gabriya@yandex.ru

Разработка рекомендательной системы для формирования баскетбольной команды на основе профилирования игроков по статистическим и медийным данным

Development of a Recommender System for Basketball Team Formation Based on Player Profiling Using Statistical and Media Data

Индивидуальный

Проект посвящён разработке рекомендательной системы, которая помогает формировать баскетбольную команду с учётом совместимости игроков.
Существующие сервисы не учитывают, насколько игроки дополняют друг друга по стилю игры и медийному образу, то есть то, что в спорте называют «командной химией».
На текущем этапе уже создан программный конвейер для сбора данных из открытых API и веб-источников. Источники: РФБ, Единая лига ВТБ, Евролига, Еврокубок, NBA, WNBA, G League, ведущие национальные чемпионаты Европы.
Данные объединены в единую базу. В ней около 4 500 игроков из 20 мужских и женских лиг, статистика приведена к общей схеме, есть около 18 000 новостных публикаций об игроках.
Также разработана интерактивная аналитическая панель.
На следующих этапах планируется построить многомерный профиль каждого игрока по игровым, антропометрическим и медийным характеристикам и разработать модель их совместимости. На этой основе будет создан прототип платформы, где пользователь сможет собирать сбалансированную команду.

Разработать рекомендательную систему, которая подбирает состав баскетбольной команды на основе многомерного профиля игроков и оценки их взаимной совместимости.

Собрать и интегрировать статистические и медийные данные об игроках из открытых источников в единую базу; провести разведочный анализ данных и визуализировать их; построить профили игроков методами кластеризации и анализа тональности; разработать модель совместимости игроков и алгоритм подбора состава; реализовать прототип веб-платформы и оценить качество рекомендаций.

Единая база данных статистики баскетболистов европейских и американских лиг. В неё входят данные о результативности, бросках, антропометрии и игровом времени, а также новостные публикации. Есть автоматическое обновление и кэширование запросов.
Интерактивная аналитическая панель для сравнения игроков и лиг по ключевым показателям.
Методика построения многомерного профиля игрока: игровой стиль, физические параметры, медийный образ по тональности публикаций.
Модель оценки совместимости игроков и алгоритм, который рекомендует состав команды по заданным пользователем критериям.
Прототип веб-платформы для конструирования команды с объяснением рекомендаций.
Сравнение рекомендованных составов с реальными командами и их результатами.

Аналитика данных NLP Машинное обучение

Гаврилин Станислав Васильевич

svgavrilin@edu.hse.ru

Носимый персональный ИИ-агент

Командный (не более 4 человек)

Гаврилин Станислав Васильевич ДРИП 3 курс, Клушин Артём Алексеевич ДРИП 3 курс, Чернышёв Сергей Дмитриевич ДРИП 3 курс, Сафронов Максим Александрович ДРИП 3 курс

«Носимый персональный ИИ-агент» — проект персонального помощника с голосовым управлением и минимальным интерфейсом. Пользователь сможет создавать заметки и задачи, находить сохранённую информацию и получать краткие ответы. На первом этапе предполагается разработка программного симулятора носимого устройства для проверки основных сценариев и удобства взаимодействия.

Разработать и проверить программный прототип носимого персонального ИИ-агента для быстрого сохранения и поиска повседневной информации с помощью голосовых команд.

Определить основные пользовательские сценарии; разработать интерфейс симулятора; реализовать голосовой ввод и обработку запросов; добавить сохранение заметок и задач, поиск по записям; проверить работу прототипа.

Для всех участников предполагается участие в уточнении требований и пользовательских сценариев, разработке и тестировании программного прототипа, подготовке документации и демонстрации результатов проекта.
Распределение конкретных задач будет согласовано внутри команды на начальном этапе работы с учётом интересов и компетенций участников.

Программный прототип, демонстрирующий голосовое создание заметок и задач, а также поиск по сохранённой информации. Интерфейс будет отображать состояние обработки запроса и краткий результат. Запись голоса будет запускаться пользователем с видимой индикацией. По итогам работы будут подготовлены описание прототипа, результаты проверки и предложения по дальнейшему развитию.

Промышленная разработка Методологии разработки ПО Обработка звука и речи

saisgaziev@edu.hse.ru

Командный (не более 4 человек)

Газиев Саидрасул Исламбекович 3 курс ПИ Парпиев Озодбек Зафарович 3 курс ПМИ

Проект «Code Tavern» представляет собой 2D-игру с видом сверху, разрабатываемую на Unreal Engine 5 с использованием языка C++. Игрок управляет одноглазым роботом преимущественно посредством написания программ на встроенном псевдо-Python языке. Робот перемещается между различными игровыми объектами и выполняет заданные программой действия.
Основной игровой процесс строится вокруг выполнения заказов посетителей таверны. NPC могут запрашивать определённое количество юнитов с заданными характеристиками, зелья и другие ресурсы. Для выполнения заказа игрок должен написать программу, которая организует производство необходимых объектов. Например, для выращивания юнита требуется контролировать количество воды, питательных веществ, удобрения и другие параметры, а для создания зелий — использовать соответствующие ингредиенты и соблюдать условия приготовления.
Ошибки в алгоритмах игрока могут приводить не только к ошибкам выполнения программы, но и к игровым последствиям: получению юнита с пониженными характеристиками, отрицательными особенностями или неудачно приготовленного зелья. За выполнение заказов игрок получает игровую валюту, которую может использовать для покупки ресурсов, готовых предметов и развития игровых возможностей. Проект сочетает элементы программирования, автоматизации, управления ресурсами и экономической стратегии.

Разработать компьютерную игру, в которой основной игровой механикой является управление игровым миром и производственными процессами посредством написания программ на встроенном псевдо-Python языке, позволяя пользователю решать игровые задачи с помощью алгоритмов, автоматизации и оптимизации программного кода.

Разработать игру на Unreal Engine 5 с управлением роботом через псевдо-Python; реализовать интерпретатор пользовательского кода, перемещение и взаимодействие робота с игровым миром; создать системы выращивания юнитов, приготовления зелий, ресурсов и производственных зданий; реализовать NPC-заказы, экономику, магазин, прогрессию и сохранение состояния игры и пользовательских программ.

Газиев С.И.: отвечает за разработку подсистемы программирования и управления роботом, включая встроенный псевдо-Python язык, лексический и синтаксический анализ, выполнение пользовательского кода, поддержку переменных, условий, циклов и функций, обработку ошибок, программный API взаимодействия с игровым миром, перемещение и выполнение действий роботом, редактор кода, консоль, запуск и остановку программ, а также сохранение пользовательского кода.
Парпиев О.З.: отвечает за разработку подсистемы игрового мира и симуляции, включая выращивание юнитов, расчёт их характеристик, особенностей и дефектов, систему ресурсов, производственные здания, алхимию и рецепты зелий, заказы NPC, экономику, магазин, прогрессию, хранение и обработку состояния игрового мира, а также интерфейсы, связанные с заказами, ресурсами, юнитами и производственными объектами.
Совместно: проектирование общей архитектуры, интеграция подсистем, Git, code review, интеграционное тестирование и разработка интерфейсов взаимодействия между интерпретатором и игровыми системами.

Результатом проекта должна стать работоспособная версия игры «Code Tavern» для операционных систем Windows и macOS, разработанная на Unreal Engine 5.
В итоговой версии должен быть реализован 2D-игровой мир с управляемым программным роботом и встроенным редактором кода. Пользователь должен иметь возможность писать программы на псевдо-Python языке, используя последовательные команды, переменные, условия, циклы и функции, запускать их и наблюдать выполнение команд роботом непосредственно в игровом мире.
Планируется реализовать не менее трёх типов выращиваемых юнитов, трёх типов зелий и нескольких производственных зданий. Характеристики произведённых юнитов и качество зелий должны зависеть от действий и алгоритмов пользователя. Также должна быть реализована система NPC-заказов, игровая экономика, возможность покупки ресурсов и готовых объектов, система прогрессии и сохранение состояния игрового мира и пользовательских программ.
Итоговый программный продукт должен представлять собой завершённый игровой прототип, демонстрирующий взаимодействие собственного интерпретатора программного языка с игровой симуляцией и позволяющий проходить основной игровой цикл: получение заказа → написание программы → производство необходимых объектов → проверка результата → выполнение заказа → получение награды → развитие игровых возможностей.

Галиаскаров Камиль Русланович

karugaliaskarov@edu.hse.ru

"GoWatch"— веб-сервис мониторинга доступности сайтов и API.

"GoWatch" — Website and API Availability Monitoring Service.

Командный (не более 4 человек)

Воейков Александр Валерьевич Программная инженерия 2 курс, Галиаскаров Камиль Русланович Программная инженерия 2 курс

Проект направлен на разработку веб-сервиса для автоматического мониторинга сайтов и API. Пользователь сможет добавлять адреса для проверки, задавать периодичность запросов и допустимое время ответа. Сервис будет выполнять проверки в фоновом режиме, сохранять результаты, фиксировать сбои и отправлять уведомления в Telegram о недоступности и восстановлении работы. В личном кабинете будут представлены текущие статусы, история сбоев, графики времени ответа и статистика доступности. Серверная часть будет реализована на Go, хранение данных — в PostgreSQL, пользовательский интерфейс — с использованием HTML, CSS и JavaScript.

Разработать веб-сервис, позволяющий пользователям автоматически отслеживать доступность и время ответа сайтов и API, получать уведомления о сбоях и анализировать историю их работы.

Анализ аналогов, формирование требований и проектирование архитектуры. Регистрация, авторизация и разграничение доступа. API управления мониторингом и настройками проверок. Параллельные фоновые проверки с ограничением запросов. Хранение результатов в БД и расчёт доступности. Определение сбоев, их длительности и уведомления в Telegram. Формы входа и регистрации, личный кабинет и настройки. Статусы, история сбоев и графики времени ответа. Тестирование и документация.

Участник 1 — разработка подсистемы мониторинга и статистики:
- Реализация фоновых проверок сайтов и API, измерения времени ответа и получения HTTP-кодов — бэкенд, Go.
- Организация параллельных проверок, настройка тайм-аутов и ограничение количества одновременных запросов — бэкенд, Go.
- Сохранение результатов проверок в PostgreSQL, определение начала и окончания сбоев, расчёт статистики доступности — бэкенд.
- Разработка страницы статистики с графиками времени ответа и историей сбоев — фронтенд.
- Написание тестов для подсистемы мониторинга.

Участник 2 — разработка личного кабинета и подсистемы уведомлений:
- Реализация регистрации, авторизации и разграничения доступа к данным пользователей — бэкенд, Go.
- Разработка API для добавления, редактирования и удаления объектов мониторинга и настройки проверок — бэкенд, Go.
- Реализация привязки Telegram и отправки уведомлений о сбоях и восстановлении — бэкенд, Go.
- Разработка страниц регистрации, входа и личного кабинета с формами управления мониторингом — фронтенд.
- Написание тестов для личного кабинета и уведомлений.

Работающий веб-сервис GoWatch с серверной частью на Go, базой данных PostgreSQL и веб-интерфейсом. Пользователь сможет настроить мониторинг нескольких ресурсов, просматривать результаты проверок и получать уведомления о сбоях и восстановлении. Также будут подготовлены исходный код, автоматизированные тесты, результаты тестирования, инструкция по запуску и руководство пользователя.

Веб- и десктоп-приложения Базы данных Аналитика данных

Гамала Станислав Алексеевич

sagamala@edu.hse.ru

Модуль симуляции микроклимата умного дома с проверкой достижения целей пользователя

Smart home microclimate simulation module with verification of user-defined goal achievement

Командный (не более 4 человек)

Гамала Станислав Алексеевич ПАД, 2 курс, Федоренко Лука Львович ПАД, 2 курс, Давыдов Денис Ахтямович, ПАД, 2 курс

Проект выполняется в рамках сервиса, который помогает человеку собрать или расширить умный дом: подобрать устройства, проверить, что они заработают вместе, и уложиться в бюджет. Сейчас сервис принимает план квартиры только в формате САПР (DXF), которого у обычного пользователя нет: у него есть план БТИ, скан или PDF от застройщика. Кроме того, климатическая часть сервиса остаётся приблизительной: правила расстановки зашиты в код (например, увлажнитель считается с фиксированной площадью 25 м², дальность и угол ИК-пульта не проверяются), расстановка идёт до выбора модели, проверки произвольной расстановки нет, а симуляция не моделирует физику воздуха и показывает лишь, какие автоматизации сработали.
В проекте разрабатывается связанный набор из трёх модулей. Первый восстанавливает по изображению плана комнаты, стены, двери, окна и масштаб и выдаёт результат в формате, который уже использует сервис; обучающие данные получаются почти без ручной разметки из 10 размеченных DXF-планов (с искажениями: шум сканера, перекос, сжатие) и открытых наборов, например CubiCasa5k. Второй реализует схему: “требования из плана → подбор моделей → размещение в точки с учётом реальных характеристик” для вентиляции, увлажнения и кондиционирования; требования выносятся в декларативное описание, а также добавляется обратная функция проверки любой расстановки с объяснением нарушений. Третья часть проверяет, достигнет ли климатическая техника целей пользователя ещё до покупки. Каждую комнату считаем как один объём воздуха, между комнатами воздух перетекает через проёмы. Проверяем тяжёлые случаи (закрытые окна, сильный мороз или скопление людей): держится ли CO₂ ниже порога, попадает ли влажность в 40–60 % и хватает ли мощности.

Разработать единый модуль сервиса умного дома, который по изображению плана квартиры восстанавливает её геометрию и масштаб, размещает климатические устройства по требованиям конкретных моделей с проверкой расстановки и подтверждает симуляцией микроклимата, что цели пользователя достигаются.

https://docs.google.com/document/d/1YgIwow3yLU2ok0z95D_pzBKaTg3T054MjB2CERoptTc/edit?usp=sharing Обзор подходов к распознаванию планов. Обучающий набор из DXF с искажениями и открытые наборы. Сегментация стен и комнат, двери и окна. Масштаб. Оценка. Правила размещения климатических устройств, декларативный формат требований, проверка расстановки. Нормативы и зональная модель. Граничные сценарии и таблица “комнаты × сценарии”. Сравнение с расчётом по площади. Документация и сборка.

Гамала Станислав Алексеевич:
1) Изучить нормативы (СП, ГОСТ: воздухообмен, CO2, влажность) и подходы к зональному моделированию.
2) Спроектировать каркас целей и критериев достижения.
3) Реализовать зональную модель микроклимата не менее чем с 4 климатическими устройствами, перетоками между комнатами и инерцией.
4) Реализовать набор граничных сценариев (окна закрыты; мороз −25 °C, окна не открыть; 5 человек; вечеринка на 10 человек) и таблицу результатов: комнаты × сценарии, в ячейке — достигнута ли цель, по клику — динамика во времени.
5) Сравнить с простым расчётом по площади (как в онлайн-калькуляторах магазинов и производителей) и измерить, в скольких тестовых квартирах симуляция меняет выбор устройств по сравнению с таким расчётом.
6) Задокументировать формат результатов симуляции.

Федоренко Лука Львович:
1) Сформулировать правила размещения для климатических устройств (увлажнители, очистители и бризеры, кондиционеры и ИК-пульты, датчики CO2 и влажности).
2) Разработать декларативный формат требований и перенести в него правила.
3) Реализовать схему «требования → подбор → размещение».
4) Реализовать проверку расстановки с разделением жёстких и мягких нарушений.
5) Измерить число нарушений текущей автоматической расстановки на тестовых планах.
6) Встроить в сервис.

Давыдов Денис Ахтямович:
1) Обзор подходов к распознаванию и векторизации планов.
2) Генерация обучающего набора из DXF-планов с искажениями.
3) Обучение модели сегментации стен и комнат, распознавание дверей и окон.
4) Восстановление масштаба (по размерным подписям или по одной известной длине).
5) Оценка качества на отложенной выборке.
6) Встраивание модуля в сервис.

1. Модуль распознавания плана с API. Показатели качества: IoU полигонов комнат не ниже 0,85; отклонение площади комнаты не более 7 % для 80 % комнат; масштаб восстановлен верно не менее чем на 85 % планов. Загрузка JPG-плана работает в демо-сценарии.
2. Модуль размещения климатических устройств и проверки расстановки. Требования не менее чем для 6 типов устройств вынесены в данные. Есть метрика нарушений на наборе тестовых планов; нарушения подсвечиваются в интерфейсе с понятной причиной.
3. Модуль симуляции микроклимата с проверкой целей. Таблица «комнаты × сценарии» с динамикой по клику на ячейку. Отчёт о том, как часто симуляция меняет выбор устройств по сравнению с простым расчётом по площади; модель честно отмечает случаи на границе нормы. Сценарий "Утро" на демо-квартире виден в интерфейсе симуляции.
4. Обязательное условие: все три модуля работают в общей сборке проекта на демо-сценарии “изображение плана → расстановка → симуляция”.

Алгоритмы и структуры данных Промышленная разработка Глубинное обучение

Гареев Амирхан Ильдарович

aigareev@edu.hse.ru

Обучение представлений биржевого стакана на основе данных третьего уровня для решения задач рыночной микроструктуры

Representation Learning from Level 3 Limit Order Book Data for Market Microstructure Tasks

Исследовательский

Индивидуальный

Проект посвящён исследованию методов машинного обучения для построения числовых представлений биржевого стакана на основе данных третьего уровня (L3). Основная исследовательская задача заключается в определении того, позволяют ли такие представления повысить качество прогнозирования краткосрочных рыночных событий по сравнению с традиционными показателями биржевого стакана.

В рамках работы предполагается реализовать и обучить одну или несколько моделей кодирования истории биржевых событий, исследовать различные подходы к их предварительному обучению и оценить полезность полученных представлений на прикладных задачах рыночной микроструктуры. Особое внимание может быть уделено прогнозированию токсичности сделок, анализу жизненного цикла индивидуальных заявок и переносимости моделей между финансовыми инструментами.

Дополнительно рассматривается возможность оценки экономической ценности полученных прогнозов на примере простой стратегии поддержания двусторонних котировок.

Исследовать, позволяют ли модели, обученные на данных биржевого стакана третьего уровня (L3), извлекать дополнительную прогностическую информацию по сравнению с традиционными показателями рыночной микроструктуры, а также оценить эффективность различных способов формирования таких представлений и их способность сохранять прогностические свойства на новых данных и финансовых инструментах.

1. Изучить существующие методы построения представлений биржевого стакана. 2. Подготовить данные L3 и проверить корректность событий. 3. Реализовать и обучить модели кодирования истории заявок, включая предварительное обучение без разметки. 4. Сравнить качество прогнозов с традиционными признаками и базовыми моделями. 5. Проверить устойчивость результатов на новых периодах и инструментах. 6. При возможности исследовать историю отдельных заявок и применение прогнозов в торговых стратегиях.

Программная реализация одной или нескольких моделей кодирования биржевых событий на основе данных L3 и воспроизводимого порядка их обучения и оценки.

Сравнительный анализ прогностической ценности полученных представлений относительно традиционных показателей биржевого стакана и базовых моделей машинного обучения на независимых данных.

Оценка влияния выбранных архитектур и способов предварительного обучения на качество прогнозирования, а также исследование устойчивости результатов при переносе между финансовыми инструментами.

Выявление условий, при которых использование обученных представлений обеспечивает дополнительную прогностическую ценность, либо установление отсутствия такого преимущества.

При успешном выполнении основных задач возможна дополнительная оценка экономической эффективности прогнозов на основе исторического моделирования торговой стратегии.

Итоговым результатом станет программная реализация исследования и отчёт с описанием методологии, проведённых экспериментов, полученных результатов и выявленных ограничений.

Финтех Временные ряды Глубинное обучение

Германов Артём Дмитриевич

adgermanov@edu.hse.ru

@temagermanov

Разработка кроссплатформенного мобильного приложения для организации любительских спортивных мероприятий

Development of a Cross-Platform Mobile Application for Organizing Amateur Sports Events

Индивидуальный

Проект предусматривает разработку кроссплатформенного мобильного приложения на Flutter для организации любительских спортивных мероприятий. Пользователи смогут находить мероприятия по виду спорта, дате и месту проведения, просматривать подробную информацию и подавать заявки на участие. Организаторы смогут создавать мероприятия, указывать условия проведения, устанавливать количество участников и управлять поступившими заявками. В приложении будут реализованы регистрация и авторизация пользователей, поиск и фильтрация мероприятий, работа с заявками и хранение информации о мероприятиях и участниках.

Разработать кроссплатформенное мобильное приложение на Flutter, позволяющее организовывать любительские спортивные мероприятия, находить подходящие игры и подавать заявки на участие.

Проанализировать предметную область и существующие решения; определить требования к приложению; спроектировать архитектуру и структуру базы данных; разработать пользовательский интерфейс; реализовать регистрацию и авторизацию пользователей; реализовать создание, поиск и фильтрацию спортивных мероприятий; реализовать подачу и обработку заявок на участие; провести тестирование приложения на мобильных устройствах.

В результате выполнения проекта будет разработано кроссплатформенное мобильное приложение на Flutter для Android и iOS. Приложение позволит пользователям создавать любительские спортивные мероприятия, находить игры по заданным параметрам, подавать заявки на участие и управлять составом участников. Также будут разработаны пользовательский интерфейс и структура базы данных, проведено тестирование основных функций приложения и подготовлена программная документация.

Мобильная разработка IOS Мобильная разработка Android Базы данных

Германов Артём Дмитриевич

adgermanov@edu.hse.ru

@temagermanov

Разработка кроссплатформенного мобильного приложения для организации любительских спортивных мероприятий

Development of a Cross-Platform Mobile Application for Organizing Amateur Sports Events

Индивидуальный

Проект предусматривает разработку кроссплатформенного мобильного приложения на Flutter для организации любительских спортивных мероприятий. Пользователи смогут находить мероприятия по виду спорта, дате и месту проведения, просматривать подробную информацию и подавать заявки на участие. Организаторы смогут создавать мероприятия, указывать условия проведения, устанавливать количество участников и управлять поступившими заявками. В приложении будут реализованы регистрация и авторизация пользователей, поиск и фильтрация мероприятий, работа с заявками и хранение информации о мероприятиях и участниках.

Разработать кроссплатформенное мобильное приложение на Flutter, позволяющее организовывать любительские спортивные мероприятия, находить подходящие игры и подавать заявки на участие.

Проанализировать предметную область и существующие решения; определить требования к приложению; спроектировать архитектуру и структуру базы данных; разработать пользовательский интерфейс; реализовать регистрацию и авторизацию пользователей; реализовать создание, поиск и фильтрацию спортивных мероприятий; реализовать подачу и обработку заявок на участие; провести тестирование приложения на мобильных устройствах.

В результате выполнения проекта будет разработано кроссплатформенное мобильное приложение на Flutter для Android и iOS. Приложение позволит пользователям создавать любительские спортивные мероприятия, находить игры по заданным параметрам, подавать заявки на участие и управлять составом участников. Также будут разработаны пользовательский интерфейс и структура базы данных, проведено тестирование основных функций приложения и подготовлена программная документация.

Мобильная разработка IOS Мобильная разработка Android

tagefter@edu.hse.ru

Методы Visual Place Recognition в изменяющихся условиях наблюдения

Visual Place Recognition Methods under Changing Observation Conditions

Индивидуальный

В рамках курсового проекта планируется разработать и реализовать систему Visual Place Recognition для сопоставления изображений одного и того же места, полученных в различных условиях наблюдения. Задача представляет практический интерес для систем визуальной локализации, поскольку одному и тому же месту могут соответствовать существенно различающиеся изображения, снятые при другом освещении, времени суток или ракурсе.
Основой проекта станет подход, при котором изображения преобразуются с помощью предварительно обученной нейронной сети в векторные представления, после чего выполняется поиск наиболее похожих изображений в базе известных мест. Планируется реализовать базовый алгоритм Visual Place Recognition и сравнить несколько способов построения визуальных представлений изображений, в том числе на основе CNN и Vision Transformer. Дополнительно предполагается исследовать один из способов повышения устойчивости метода к изменению условий наблюдения.
Программная реализация будет выполнена на языке Python с использованием библиотеки PyTorch, OpenCV и NumPy. Эффективность разработанных методов будет оцениваться с использованием метрик Recall@k и путем сравнения качества поиска правильного места для различных моделей и условий съемки.

Разработка и программная реализация системы Visual Place Recognition, а также исследование устойчивости различных способов построения визуальных представлений изображений к изменению условий наблюдения.

1. Анализ методов VPR и требований к системе. 2. Подготовка датасета. 3. Проектирование и реализация pipeline: предобработка, encoder, embeddings, поиск совпадений. 4. Сравнение CNN и Vision Transformer. 5. Исследование устойчивости к освещению, времени суток и ракурсу. 6. Реализация одного способа улучшения. 7. Эксперименты, Recall@K, визуализация и анализ ошибок. 8. Документация и воспроизводимый запуск.

Результатом проекта станет программная реализация системы Visual Place Recognition, позволяющей сопоставлять изображения одного и того же места, полученные в различных условиях наблюдения. Будут реализованы и сравнены несколько подходов к построению визуальных представлений изображений, включая модели на основе CNN и Vision Transformer, а их устойчивость будет оценена с использованием метрик Recall@K.
Также будет разработан воспроизводимый программный pipeline, объединяющий предобработку изображений, получение векторных представлений, поиск наиболее похожих изображений, расчет метрик и визуализацию результатов. Будет подготовлена документация по установке, запуску системы и повторению экспериментов.

Компьютерное зрение Машинное обучение Глубинное обучение

Гилета Александр Романович

argileta@edu.hse.ru

"Нотли" — Web/Mobile игра по угадыванию музыки

"Notly" — Web/Mobile Music Guessing Game

Командный (не более 4 человек)

Зайцев Владислав Витальевич ДРИП 3 курс

«Нотли» — музыкальная Web/Mobile игра, в которой пользователям предлагается угадывать музыкальные композиции по отдельным инструментальным аудиодорожкам.

Основная особенность игры заключается в поэтапном воспроизведении инструментальных партий: первоначально игрок слышит только одну дорожку, а затем постепенно добавляются остальные, что позволяет использовать их в качестве подсказок.

Для подготовки музыкального контента предусмотрено использование искусственного интеллекта, позволяющего разделять музыкальные композиции на отдельные инструментальные дорожки. Управление композициями, процессом их обработки и проверкой полученных результатов осуществляется через веб-панель администратора.

В рамках проекта планируется разработка веб- и мобильного приложений с игровыми механиками, системой начисления очков и отображением результатов, а также административной панели для управления музыкальным контентом.

Разработать игру по угадыванию музыкальных композиций на основе поэтапного воспроизведения аудио отдельных инструментальных дорожек

Разработка веб- и мобильного приложений для угадывания музыки с поэтапным воспроизведением инструментальных дорожек, системой подсказок, очков и статистики. Создание веб-панели администратора для управления композициями, игровыми настройками, отправки аудио на ИИ-обработку через бэкенд-сервис и валидации результатов. Реализация синхронизации аудиодорожек, игровой логики и пользовательских интерфейсов. Тестирование и оптимизация приложений.

Участник №1 — веб-приложение и административная панель

Разработка архитектуры веб-приложения для игры по угадыванию музыкальных композиций.

Разработка адаптивного пользовательского интерфейса веб-приложения.

Разработка веб-панели администратора для управления музыкальными композициями, инструментальными дорожками и игровым контентом.

Реализация функционала добавления, редактирования и удаления музыкальных композиций через панель администратора.

Разработка интерфейса управления музыкальными композициями, отправленными на обработку нейросетевой моделью, с возможностью отслеживания статуса обработки.

Реализация интерфейса валидации администратором результатов ИИ-обработки, включая прослушивание, проверку качества и подтверждение корректности выделенных инструментальных аудиодорожек.

Реализация взаимодействия административной панели с бэкенд-сервисом для повторной отправки музыкальных композиций на ИИ-обработку в случае неудовлетворительного результата.

Реализация интерфейса взаимодействия административной панели с бэкенд-сервисом для отправки музыкальных аудиофайлов и параметров обработки (промпта или набора настроек) в нейросетевую модель и получения результатов разделения композиций на отдельные инструментальные аудиодорожки.

Разработка интерфейса загрузки музыкальных композиций и управления их обработкой.

Разработка аудиоплеера с поддержкой поэтапного воспроизведения отдельных инструментальных дорожек в веб-приложении.

Реализация механизма синхронизации и наложения инструментальных аудиодорожек в веб-приложении.

Разработка игровой механики угадывания музыкальных композиций в веб-приложении.

Реализация системы подсказок в виде постепенного добавления дорожек в веб-приложении.

Разработка системы проверки ответов и начисления игровых очков в веб-приложении.

Реализация отображения результатов и статистики игровых сессий в веб-приложении.

Разработка интерфейса администрирования игровых настроек, управления уровнями сложности и последовательностью воспроизведения инструментальных дорожек.

Тестирование и оптимизация веб-приложения и административной панели.

Участник №2 — мобильное приложение

Разработка архитектуры мобильного приложения для игры по угадыванию музыкальных композиций.

Разработка пользовательского интерфейса мобильного приложения.

Разработка аудиоплеера с поддержкой поэтапного воспроизведения отдельных инструментальных дорожек в мобильном приложении.

Реализация механизма синхронизации и наложения инструментальных аудиодорожек в мобильном приложении.

Разработка игровой механики угадывания музыкальных композиций в мобильном приложении.

Реализация системы подсказок в виде постепенного добавления дорожек в мобильном приложении.

Разработка системы проверки ответов и начисления игровых очков в мобильном приложении.

Реализация отображения результатов и статистики игровых сессий в мобильном приложении.

Тестирование и оптимизация мобильного приложения.

Разработанное веб-приложение и мобильное приложение для игры по угадыванию музыкальных композиций.

Реализованная игровая механика с поэтапным воспроизведением, синхронизацией и наложением инструментальных аудиодорожек.

Реализованная система подсказок, проверки ответов, начисления очков и отображения результатов игры.

Разработанная веб-панель администратора для управления музыкальными композициями и игровыми настройками.

Реализованная веб-панель администратора для взаимодействия с бэкенд-сервисом для отправки композиций на ИИ-обработку и получения результатов.

Разработанная система валидации результатов ИИ-обработки с возможностью проверки администратором качества и повторной отправки композиций на обработку.

Протестированные и оптимизированные веб-приложение, мобильное приложение и административная панель.

Веб- и десктоп-приложения Мобильная разработка IOS Мобильная разработка Android

Глазов Михаил Николаевич

mnglazov@edu.hse.ru

Оптимизация файлового кеша Trino

Optimizing Trino’s File System Cache

Исследовательский

Индивидуальный

Проект посвящён исследованию файлового кеша Trino при аналитических запросах к данным в объектном хранилище. На основе доступных метрик и истории запросов действующего кластера будет изучен характер нагрузки и выявлены проблемы, снижающие эффективность кеширования. Для обнаруженных проблем планируется предложить способы устранения, реализовать применимые изменения и оценить их экспериментально.

Исследовать эффективность файлового кеша Trino в условиях наблюдаемой нагрузки и по возможности улучшить его работу.

Задачи проекта: изучить устройство файлового кеша Trino; проанализировать нагрузку действующего кластера и выявить проблемы кеширования; подготовить воспроизводимые тесты; предложить и по возможности реализовать улучшения; сравнить работу кеша до и после изменений и оценить применимость решений.

Описание профиля нагрузки и выявленных проблем кеширования; воспроизводимые тестовые сценарии; результаты измерения исходной работы кеша; предложенные и, при возможности, реализованные улучшения. Сравнительный анализ покажет, как изменения влияют на время выполнения запросов, попадания в кеш и объём чтения из объектного хранилища.

Базы данных Аналитика данных

Глухарева Дарья Михайловна

dmglukhareva@edu.hse.ru

@gel_dlya_stirki

Разработка Симулятора Эволюционного Отбора Генетических Последовательностей с Визуализацией

Development of a Genetic Sequence Evolution Simulator with Visualization

Индивидуальный

Проект направлен на разработку программного приложения для моделирования эволюционных процессов в популяциях виртуальных организмов.

В рамках проекта планируется реализовать упрощённую модель генетических последовательностей, механизмы мутаций, скрещивания и естественного отбора. Пользователь сможет задавать параметры симуляции, включая размер популяции, вероятность мутаций и количество поколений.

Приложение будет предоставлять инструменты визуализации результатов моделирования, позволяющие наблюдать изменение приспособленности и генетического разнообразия популяции в зависимости от заданных параметров.

Проект объединяет методы объектно-ориентированного программирования, генетические алгоритмы и визуализацию данных. Разрабатываемая система может использоваться для наглядной демонстрации базовых принципов эволюционных процессов и проведения вычислительных экспериментов.

Разработка программной системы для моделирования эволюционного отбора генетических последовательностей с возможностью интерактивной настройки параметров симуляции и визуализации изменений характеристик популяции на протяжении поколений.

1. Разработать объектно-ориентированную модель ДНК, организмов и популяций. 2. Реализовать алгоритмы мутаций, скрещивания и естественного отбора. 3. Разработать механизм симуляции эволюции с настраиваемыми параметрами. 4. Создать графический интерфейс для управления симуляцией. 5. Реализовать визуализацию приспособленности и генетического разнообразия популяции. 6. Обеспечить сравнение результатов экспериментов. 7. Провести тестирование разработанной системы.

В результате выполнения проекта планируется разработать работающее программное приложение для моделирования эволюционного отбора генетических последовательностей.

Приложение будет включать:

1. Программную модель популяции виртуальных организмов с генетическими последовательностями.
2. Реализованные алгоритмы мутаций, скрещивания и естественного отбора.
3. Графический интерфейс для настройки и запуска симуляции.
4. Интерактивные графики изменения приспособленности и генетического разнообразия популяции по поколениям.
5. Возможность проведения и сравнения вычислительных экспериментов с различными параметрами моделирования.
6. Набор тестов для проверки корректности основных алгоритмов.

Предполагаемые технологии реализации: C#, .NET, Windows Forms, ScottPlot.

Биоинформатика Алгоритмы и структуры данных Моделирование и автоматизация процессов

boglukhov@edu.hse.ru

GFlowNets для рекомендательных систем, использующих текстовые описания

GFlowNets for text-based recommendation

Исследовательский

Индивидуальный

Генеративные рекомендательные системы могут использовать названия и текстовые описания объектов для построения их семантических идентификаторов — последовательностей дискретных токенов, представляющих отдельные объекты. На основе истории взаимодействий пользователя модель последовательно генерирует токены идентификатора и тем самым выбирает объект для рекомендации. Более длинные идентификаторы потенциально позволяют сохранить больше информации об объекте, однако усложняют генерацию и дообучение модели.

В проекте предлагается исследовать дообучение рекомендательных систем, использующих текстовые описания, с помощью генеративных потоковых сетей, или GFlowNets. Отправной точкой станут метод GFlowGR [1] и подход к консервативному обучению GFlowNets, предложенный в работе [2]. GFlowNets обучаются воспроизводить распределение рекомендаций, в котором вероятности отдельных вариантов пропорциональны заданной функции вознаграждения. Такой подход может помочь модели сохранять несколько подходящих вариантов рекомендаций.

Основной вопрос проекта состоит в том, позволяют ли GFlowNets эффективнее использовать длинные семантические идентификаторы по сравнению с методами обучения с подкреплением. Для ответа на этот вопрос необходимо варьировать длину идентификаторов в моделях, использующих текстовые описания объектов, и сравнивать дообучение с помощью GFlowNets с дообучением с учителем и с методами обучения с подкреплением. При сравнении будут учитываться качество и разнообразие рекомендаций, а также вычислительные затраты. Предполагаемое преимущество GFlowNets перед обучением с подкреплением является исследовательской гипотезой, которую предстоит проверить экспериментально.

Литература
1. Wang Y. et al. GFlowGR: Fine-tuning Generative Recommendation Frameworks with Generative Flow Networks. 2025. https://arxiv.org/abs/2506.16114
2. Yu X., Niu F., Zhu R., Zhang Y., Wang X., Wang Y. Improving LLM-Based Recommenders with Conservative Generative Flow Networks. ICML, Proceedings of Machine Learning Research, 306:150907–150921, 2026. https://openreview.net/forum?id=FXIy6qfQIR&noteId=yu6VzFsLlk

Выяснить, позволяют ли GFlowNets эффективнее использовать длинные семантические идентификаторы по сравнению с методами обучения с подкреплением

Варьировать длину идентификаторов в моделях, использующих текстовые описания объектов. Сравнить дообучение с помощью GFlowNets с дообучением с учителем и с методами обучения с подкреплением. Оценить качество и разнообразие рекомендаций, а также вычислительные затраты

Экспериментальная проверка исследовательской гипотезы о предполагаемом преимуществе GFlowNets перед обучением с подкреплением.

Результаты сравнения подходов (GFlowNets, обучение с учителем, обучение с подкреплением) с учетом качества и разнообразия рекомендаций, а также вычислительных затрат

Обученная модель (или прототип), демонстрирующая работу с длинными семантическими идентификаторами на основе текстовых описаний

Машинное обучение Глубинное обучение NLP

nianglukhov@edu.hse.ru

Влияние размера одношаговых диффузионных моделей на качество восстановления изображений и методы его оценки

The influence of the size of single-step diffusion models on image reconstruction quality and methods for its evaluation

Исследовательский

Индивидуальный

В рамках проекта я планирую исследовать зависимость качества и достоверности восстановления изображений от размера однокроковой диффузионной модели, а также добавить детерминированную проверку через характеристики комплексии-энтропии. Проверка будет основана на согласованности восстановленного изображения с исходными наблюдаемыми данными и анализе локальных характеристик сложности и энтропии. Предполагается использовать полученные оценки для адаптивной коррекции результатов восстановления, в частности посредством изменения вклада диффузионной и детерминированной моделей в отдельных областях изображения. Также сделать сравнение методов оценки и их корреляции с человеческим оценщиком.

Исследовать влияние уменьшения размера однокроковых диффузионных моделей на достоверность восстановления изображений и также внедрить метод детерминированной проверки и коррекции результатов, учитывающий согласованность с исходными данными и характеристики сложности и энтропии изображения.

Выбрать базовую однокроковую диффузионную модель и получить уменьшенные версии этой модели. Исследовать зависимость качества восстановления и частоты недостоверных деталей от размера модели и вычислительных затрат. Реализовать детерминированный механизм проверки результата на основе согласованности с исходными наблюдениями и анализа текстурных характеристик. Реализовать метод адаптивной коррекции восстановления с использованием результатов проверки.

Планируется получить экспериментальную оценку влияния уменьшения размера однокроковой диффузионной модели на точность и достоверность восстановления изображений, а также определить, какие типы ошибок наиболее чувствительны к уменьшению модели, и проверить, позволяют ли согласованность с исходными данными и характеристики сложности и энтропии выявлять потенциально недостоверные детали. Будет исследована возможность использования этих характеристик для адаптивного объединения результатов диффузионной и детерминированной моделей.

Глубинное обучение Компьютерное зрение

Гнездилов Георгий Юрьевич

gignezdilov@edu.hse.ru

Статистика индексов и перекос в соединениях: оценка поисковых фильтров по словарю термов, статистика степеней и выборки ключей, верхние границы размеров соединений

Index Statistics and Join Skew: Search-Filter Estimates from the Term Dictionary, Degree Statistics and Key Samples, and Join-Size Bounds

Индивидуальный

Проект посвящён улучшению оценок кардинальности в оптимизаторе запросов СУБД SereneDB. Сейчас планировщик оценивает поисковые фильтры фиксированной долей таблицы и считает значения ключей соединения равномерно распределёнными, что при реальном перекосе данных приводит к ошибкам оценки на порядки и неудачным планам выполнения. В проекте предлагается использовать информацию, уже хранящуюся в поисковом индексе: число документов для каждого терма, упорядоченный словарь термов и длины posting-списков. На их основе будут реализованы оценки селективности поисковых фильтров, статистика степеней ключей и коррелированные выборки ключей для оценки соединений, а также верхние границы размеров соединений, защищающие выбор порядка соединений от недооценки. Эффект оценивается по q-error, изменению планов и времени выполнения запросов на бенчмарках JOB, TPC-H и SearchBench.

Повысить точность и надёжность оценок кардинальности поисковых фильтров и соединений в оптимизаторе SereneDB за счёт статистики поискового индекса и тем самым уменьшить число неудачных планов выполнения запросов.

1. Изучить оптимизатор SereneDB, поисковый индекс и методы оценки кардинальности. 2. Добавить оценку селективности поисковых фильтров по словарю термов. 3. Реализовать сбор статистики степеней и выборок ключей в сегментах индекса. 4. Реализовать оценку размеров соединений с учётом перекоса данных. 5. Встроить верхние границы размеров соединений в выбор порядка соединений. 6. Сравнить ошибку оценок, планы и время выполнения запросов с текущей версией.

1. Добавлены оценки поисковых фильтров и размеров соединений по статистике индекса, а также верхние границы размеров соединений.
2. Повышение точности оценок числа строк для поисковых фильтров и для соединений при перекосе данных.
3. Ускорение выполнения запросов на JOB, TPC-H и SearchBench за счёт более точных оценок и выбора порядка соединений с учётом верхних границ их размеров.
4. Новые оценки не ухудшают планы там, где текущие оценки уже верны, и не замедляют планирование.

Базы данных Алгоритмы и структуры данных Промышленная разработка

Голубев Никита Дмитриевич

ndgolubev@edu.hse.ru

Алгоритмический сговор ценовых ИИ-агентов: от Q-learning к языковым моделям

Algorithmic Collusion of AI Pricing Agents: From Q-Learning to Language Models

Исследовательский

Индивидуальный

Calvano и соавт. (2020) показали, что два независимых Q-learning-агента в повторяющейся ценовой игре без коммуникации выучивают надконкурентные цены и наказывают друг друга за отклонения. Ценообразование всё чаще передаётся LLM-агентам, и открыт вопрос, переносится ли на них этот эффект и при каких условиях сговор возникает. Проект: репликация на Q-learning, перенос на LLM-агентов, сканирование параметров среды и анализ логов рассуждений.

Определить, при каких условиях среды у ценовых ИИ-агентов разных классов (табличное Q-learning и LLM-агенты) возникает или разрушается алгоритмический сговор, и построить карту этих условий.

1) Обзор литературы по алгоритмическому сговору (Calvano et al., 2020). 2) Среда повторяющейся дуополии Бертрана и репликация результата для двух Q-learning-агентов. 3) Перенос эксперимента на LLM-агентов на локальных открытых моделях. 4) Сканирование параметров среды: частота пересмотра цен, наблюдаемость, асимметрия. 5) Анализ логов рассуждений LLM-агентов. 6) Сравнение классов агентов, отчёт и текст статьи.

1) Воспроизводимый код среды, Q-learning- и LLM-агентов. 2) Репликация результата Calvano et al. (2020). 3) Карта условий возникновения и разрушения сговора для разных классов агентов. 4) Анализ логов рассуждений LLM-агентов. 5) Отчёт и черновик статьи (ACM ICAIF / JEBO).

Машинное обучение Финтех NLP

Гольдберг Дмитрий Максимович

dmgoldberg@edu.hse.ru

Экспериментальное исследование политик внешнего планирования транзакций в СУБД

An Experimental Study of External Transaction Scheduling Policies in Database Management Systems

Исследовательский

Индивидуальный

При одновременном выполнении большого количества транзакций производительность СУБД зависит не только от алгоритма Concurrency Control, но и от того, сколько транзакций допущено к выполнению и в каком порядке они запускаются. Выбор политики планирования может влиять на пропускную способность системы, задержки и число отменяемых транзакций.

В рамках работы предлагается реализовать стенд для исследования политик внешнего планирования транзакций без изменения механизма Concurrency Control самой СУБД. Необходимо провести эксперименты с различными политиками и их сочетаниями и сделать выводы, при каких нагрузках какие подходы показывают себя лучше. Ожидается, что разработанный стенд позволит воспроизводить эксперименты и расширять набор исследуемых политик и поддерживаемых СУБД.

Разработать экспериментальный стенд и исследовать влияние политик внешнего планирования транзакций и их сочетаний на производительность СУБД, задержки выполнения транзакций и поведение системы при перегрузке.

1. Изучить существующие подходы и результаты исследований. 2. Разработать на C++ стенд с подключаемыми СУБД и политиками планирования. 3. Реализовать выбранные политики и генераторы различных нагрузок. 4. Организовать сбор метрик производительности, задержек и откатов. 5. Сравнить политики и их сочетания на PostgreSQL и MySQL(возможно также для других СУБД). 6. Определить условия эффективного применения рассмотренных подходов.

Экспериментальный стенд на C++ с подключаемыми политиками планирования и адаптерами для PostgreSQL и MySQL(возможно также для других СУБД)

Набор генераторов нагрузок и сценариев для воспроизводимого сравнения политик.

Результаты экспериментов, показывающие влияние отдельных механизмов и их сочетаний на исследуемые метрики.

Выводы о преимуществах, накладных расходах и ограничениях применения рассмотренных политик при разных нагрузках.

Базы данных Алгоритмы и структуры данных

Гончаров Никита Михайлович

nmgoncharov@edu.hse.ru

Улучшение предобучения БЯМ с помощью рассуждений

Reasoning-Augmented Pretraining for LLMs

Исследовательский

Индивидуальный

Основная идея проекта - обучать модель генерировать рассуждения, которые помогают предсказывать следующие токены в pretraining данных.

За основу для нового метода берется работа "RLP: Reinforcement as a Pretraining Objective" от Nvidia (https://arxiv.org/abs/2510.01265v2). Планируется разработать новый метод обучения, который использует в качестве награды log-likelihood не одного токена, а правдоподобие токенов следующего предложения (стартовая гипотеза) или другую схему вознаграждения.

Разработать и исследовать новый подход к обучению LLM через reasoning-augmented pretraining.

1) Анализ актуальной исследовательской литературы. 2) Изучение возможностей фреймворка verl. 3) Разработка и теоретический анализ вариантов метода. 4) Планирование экспериментов: выбор бейзлайнов, абляций и оценка вычислительного бюджета. 5) Подготовка обучающих данных, реализация метода, первичное сравнение с бейзлайнами и итеративное улучшение. 6) Тестирование на широком наборе бенчмарков и анализ влияния гиперпараметров. 7*) При хороших результатах — подготовка статьи для подачи на конференцию A/A*.

1) Реализация нового подхода к обучению LLM через reasoning-augmented pretraining с возможностью воспроизведения экспериментов.

2) Отчет о результатах проведенной работы, включающий общее описание метода, его сравнение с бейзлайн подходами и другие эксперименты.

NLP Глубинное обучение

Горбуля Мария Николаевна

manigorbulya@edu.hse.ru

Может ли универсальная VLM заменить специализированные модели сегментации, и где она проигрывает

Can a Universal VLM Replace Specialized Segmentation Models, and Where Does It Fall Short?

Исследовательский

Индивидуальный

Публичный датасет Happywhale содержит 51 тысячу фотографий 30 видов китов и дельфинов, но не имеет разметки объектов — рамок вокруг животных, а ручная разметка такого объёма стоит сотен часов. Проект исследует, может ли универсальная визуально-языковая модель (VLM) — модель, которой вместо обучения на размеченных данных задаётся текстовый запрос, например «whale» или «orca», — разметить такие фотографии автоматически, включая определение вида животного. Будет создан эталонный набор ручной разметки, измерена точность автоматической разметки по видам и ракурсам, построена зависимость «порог уверенности — доля ручной проверки — качество». Затем специализированный лёгкий детектор YOLOv8 будет обучен на автоматической, ручной, гибридной и итеративно дополненной разметке (детектор сам находит пропуски автозметки, они проверяются вручную) — так измеряется влияние шума меток. Итог: методика, рекомендации, новый размеченный набор данных; лёгкий детектор пригоден для бортовых систем, например дронов.

Определить, может ли универсальная визуально-языковая модель заменить ручную разметку и специализированные обучаемые модели при обнаружении китов и дельфинов с определением вида на фотографиях, и при каких условиях это выгодно по качеству и трудозатратам.

1) собрать подвыборку Happywhale и создать эталонную ручную разметку боксов (класс — вид); 2) применить универсальные модели (VLM, например Grounding DINO, и SAM) с общими и видовыми промптами при разных порогах уверенности; 3) оценить точность авторазметки по видам и ракурсам, построить кривую «порог — трудозатраты — качество»; 4) обучить YOLOv8 на ручной, автоматической, гибридной и итеративно дополненной разметке, сравнить качество (mAP); 5) выработать рекомендации, опубликовать код и разметку.

1) Оценка точности универсальной визуально-языковой модели при автоматической разметке фотографий 30 видов китов и дельфинов (точность, полнота, IoU — в разрезе видов, промптов и порогов).
2) Карта ненадёжных случаев: виды, ракурсы и условия съёмки, где автоматическая разметка требует ручной проверки.
3) Зависимость качества итоговой разметки и трудозатрат от порога уверенности модели.
4) Сравнение детектора YOLOv8, обученного на ручной, автоматической, гибридной и итеративно дополненной разметке.
5) Новый размеченный набор данных (боксы, 30 классов видов) для Happywhale и открытый код пайплайна.
6) Практические рекомендации: выбор промптов, порога уверенности и доли ручной проверки.

Компьютерное зрение Машинное обучение Аналитика данных

Горшунов Максим Игоревич

maiggorshunov@edu.hse.ru

@maksonchik200

Разработка серверной части интеграции сервиса «Яндекс Мастера» с Яндекс Маркетом

Backend Development for Integrating Yandex Mastera with Yandex Market

Индивидуальный

Проект посвящён разработке серверной части интеграции сервиса «Яндекс Мастера» с маркетплейсом Яндекс Маркет. Интеграция позволит покупателям заказывать сборку мебели, установку и подключение техники вместе с приобретением товаров, а после доставки — вызывать специалиста и отслеживать состояние услуги.

В отличие от существующих дополнительных услуг, организуемых отдельными магазинами-продавцами, новое решение предполагает подбор исполнителей специализированным сервисом. Это позволяет предлагать услуги независимо от наличия соответствующей возможности у продавца товара.

С технической стороны проект включает разработку серверной интеграции: получение доступных услуг и их стоимости, отображение при выборе товара, оформление, оплату, автоматизация пробивки чеков для налоговой, а также показ статуса, вызов мастера и обработку возвратов и отмен

Разработать серверную интеграцию Яндекс Маркета с сервисом «Яндекс Мастера», обеспечивающую выбор и покупку дополнительных услуг вместе с товарами, а также последующее управление купленными услугами без нарушения работы существующих сценариев оформления заказов.

Проанализировать существующие услуги и требования к интеграции. Спроектировать архитектуру, модели данных и API-контракты. Реализовать получение предложений и цен, покупку и оплату услуг, формирование чеков. Подготовить данные для отображения услуг, вызова мастера и отслеживания статусов. Обеспечить обмен событиями, обработку возвратов и отмен. Разработать автоматизированные тесты и техническую документацию.

Серверная реализация интеграции с сервисом «Яндекс Мастера», встроенная в существующую архитектуру Яндекс Маркета.
API-контракты и модели данных для предложений, покупки, отображения и управления услугами.
Поддержка основных сценариев: выбор услуги, оформление и оплата, отображение после покупки, вызов мастера, получение статуса и отмена.
Набор автоматизированных тестов, проверяющих корректность интеграции и сохранение существующей функциональности.
Техническая документация с описанием архитектуры, взаимодействия компонентов и результатов тестирования.

Промышленная разработка Финтех Веб- и десктоп-приложения

oggrekova@edu.hse.ru

Автоматические алгоритмы обработки языковых корпусов

Automated Algorithms for Processing Language Corpora

Исследовательский

Индивидуальный

Проект посвящён разработке комплексной автоматизированной системы обработки текстовых корпусов, подготовки лингвистических ресурсов и построения языковых моделей, ориентированной в том числе на языки с ограниченными цифровыми ресурсами. Актуальность работы обусловлена недостатком качественных обучающих данных для многих языков, а также тем, что значительная часть доступных текстовых материалов представлена в неструктурированных форматах, включая сканированные документы, научные публикации, словари и грамматические описания. В рамках проекта реализуется воспроизводимый конвейер обработки данных, объединяющий автоматический сбор текстовых источников, преобразование документов в структурированный формат, очистку и нормализацию текстов, автоматическую разметку и обучение моделей. Особое внимание уделяется сравнению четырёх подходов к построению языковых эмбеддингов: обучению собственной модели с нуля, дообучению предварительно обученной многоязычной модели, использованию большой языковой модели с параметрически эффективной настройкой LoRA и классическому методу CBOW. Для обеспечения объективности результаты будут оцениваться по корреляции Спирмена между косинусным сходством эмбеддингов и экспертными оценками семантической близости предложений на изолированном тестовом наборе. Дополнительным направлением является формализация грамматических знаний с помощью языка программирования ответных множеств ASP. Разрабатываемые инструменты позволяют представлять грамматические правила и исключения в формализованном виде, обеспечивать единообразную разметку грамматических признаков, сохранять сведения об источниках правил и автоматизировать тестирование лингвистических гипотез.

Провести сравнительный анализ алгоритмов для обработки языковых корпусов, направленный на поиск закономерностей между эффективностью конкретных подходов на текстовых данных с разными параметрами.

1. Подготовка данных к обработке 2. Формулирование гипотез о зависимости характеристик эмбеддингов от метода обработки текста 3. Классификация корпусных данных по их свойствам 4. Применение различных алгоритмов создания эмбеддингов 5. Исследование метрик оценки эмбеддингов 6. Формулирование вывода из полученных данных

Конвейер обработки данных, сравнительный анализ алгоритмов составления эмбеддингов

NLP Машинное обучение Машинное обучение

Григорьева Мария Юрьевна

migrigoreva@edu.hse.ru

Стабильность алгоритмов двухуровневой оптимизации

Stability of Bilevel Optimization Algorithms

Исследовательский

Командный (не более 4 человек)

ПМИ 3 курс: Ибодова Ева Фирузджоновна, Чугунова Александра Андреевна, Григорьева Мария Юрьевна, Антропенко Анна Александровна

Bilevel optimization chooses an outer variable while an inner variable is constrained to solve another optimization problem. The main goal of this course project is to study the stability of bilevel optimization methods, including a deterministic specialization of the Stochastic Bilevel Algorithm (SOBA), in which exact inner and adjoint solves are replaced by one simultaneous gradient step each.
For the SOBA variant described above, the inner objective is a fixed strongly convex quadratic, while the upper objective may be nonlinear and has a Lipschitz-continuous gradient. Under these assumptions, global linear convergence can be established for every finite inner and upper condition ratio. For poorly conditioned upper objectives, the sufficient stepsize boundary is within two percent of an admissible scalar instability bound as the inner condition bound grows.
An exact finite-horizon performance estimation formulation is also considered, retaining joint function interpolation and shared linear operators within a semidefinite program. The project will extend the stability analysis to other bilevel optimization methods under related assumptions.

To establish necessary and sufficient conditions for the algorithmic stability in the form of upper and lower bounds on the step size.

To review the relevant literature, analyze the algorithms under consideration using the performance estimation problem (PEP) framework, derive sufficient conditions for algorithmic stability, and construct counterexamples to identify necessary conditions.

A research paper ready for submission to a journal or a conference.

Машинное обучение

Гришин Алексей Андреевич

aleandgrishin@edu.hse.ru

Разработка отказоустойчивого сервиса бронирования билетов на концерты

Development of a Fault-Tolerant Concert Ticket Booking Service

Индивидуальный

Проект посвящён разработке отказоустойчивого сервиса бронирования билетов на концерты. Сервис позволит выбирать места на концертах и бронировать их для себя или компании с отдельной оплатой каждого билета. Основная техническая задача — исключить повторную продажу мест и сохранить данные о бронированиях при одновременных запросах и сбоях. Для пользователей и администратора будут доступны простые веб-страницы.

Разработать отказоустойчивый сервис группового бронирования билетов на концерты с раздельной оплатой, сохранением состояния бронирований и корректным продолжением их обработки после перезапуска сервиса.

1. Изучить аналоги, определить требования и выбрать технологии. 2. Спроектировать хранение данных, резервирование мест, кэширование и фоновые задачи. 3. Реализовать групповую бронь, сроки оплаты, тестовую оплату и защиту от повторной выдачи билетов. 4. Разработать веб-интерфейс для пользователей и администратора. 5. Провести нагрузочные испытания и проверки восстановления после сбоев; измерить время ответа и восстановления.

Сервис с веб-интерфейсом, исходный код, конфигурация Docker Compose и документация по запуску и архитектуре. Отчёт об испытаниях с условиями проведения, временем ответа, долей ошибок и временем восстановления.

Веб- и десктоп-приложения Базы данных Промышленная разработка

fagromakov@edu.hse.ru

Моделирование заражения рисков между финансовыми рынками методами теории процессов Хоукса

Modeling financial contagion risks across financial markets using Hawkes process theory methods

Исследовательский

Индивидуальный

Проект посвящён моделированию эффекта «заражения» рисками между финансовыми рынками с помощью самовозбуждающихся точечных процессов (процессов Хоукса). Экстремальные движения на одном рынке часто повышают вероятность подобных событий на других рынках в ближайшем будущем, и обычные модели на основе корреляций и волатильности описывают это плохо. Многомерный процесс Хоукса позволяет оценить не только само явление, но и силу, направление и временную глубину межрыночных взаимодействий. Модель будет применена к данным российского рынка (MOEX), включая связи между рынком акций, валютным рынком и сырьевыми рынками.

Построить и оценить многомерную модель процессов Хоукса для количественного описания механизмов передачи рисков между сегментами российского финансового рынкв

Изучить теоретические основы самовозбуждающихся процессов и существующие работы по применению процессов Хоукса к финансовым данным и эффекту заражения. Собрать и подготовить высокочастотные и дневные данные MOEX. собрать и протестировать модель на синтетических данных. Запустить модель на реальных данных moex, провести эксперименты

Обзор литературы по применению процессов Хоукса в финансах.
Программная реализация (код на Python) для оценки и тестирования моделей на данных MOEX.
Оценки параметров модели и матрица межрыночного заражения для российского рынка.
Количественные выводы о том, какие рынки выступают источниками, а какие получателями шоков, и насколько долго шоки сохраняются.

kagriumova@edu.hse.ru

Система учёта средств и внутренних переводов

Funds Accounting and Internal Transfer System

Индивидуальный

Система учёта средств и внутренних переводов позволит пользователям просматривать остатки на счетах, историю операций, статистику поступлений по категориям, переводить средства между счетами внутри системы. Учёт средств и операций будет строиться на принципе двойной записи. Особое внимание уделяется предотвращению повторных списаний, корректной обработке одновременных переводов и восстановлению после сбоев, а также защите данных и безопасности взаимодействия по сети. Операции будут выполняться в тестовой среде без использования реальных денег.

Разработать и проверить систему учёта средств и внутренних переводов, обеспечивающую безопасный доступ к счетам, защиту данных и корректное выполнение внутренних переводов.

Определить требования к функциональности и безопасности системы; обосновать выбор архитектуры, оценив возможность применения закрытого блокчейна; реализовать учёт средств по принципу двойной записи и внутренние переводы; добавить возможность распределять поступления по категориям; разработать интерфейсы клиента и оператора; обеспечить защиту данных, разграничение доступа и аудит; организовать резервное копирование и восстановление; проверить безопасность взаимодействия с системой, корректность операций и обработку сбоев.

Работающая система учёта средств и внутренних переводов в тестовой среде с интерфейсами клиента и оператора, средствами защиты данных и управления доступом. Описание архитектуры и принятых решений по безопасности. Результаты испытаний, подтверждающие корректность учёта, предотвращение повторных списаний и доступа к счетам без разрешения в проверенных сценариях, а также возможность восстановления данных после сбоев.

Финтех Базы данных Веб- и десктоп-приложения

zegryaznev@edu.hse.ru

@Deer_of_chaos

Отображения, сохраняющие фиксированное ранговое расстояние на кососимметрических матрицах над конечным полем

Maps preserving a fixed rank-distance on skew-symmetric matrices over finite fields

Исследовательский

Индивидуальный

Классическая теорема Хуа описывает биекции пространства матриц, сохраняющие ранговое расстояние 1, то есть переводящие матрицы с разностью ранга 1 в матрицы с разностью ранга 1. В недавней работе А. М. Максаева, Н. Ю. Медведя и В. В. Промыслова (Finite Fields and Their Applications, 2026) показано, что над конечным полем пара биекций, сохраняющая одно фиксированное ранговое расстояние k, сохраняет все расстояния и потому совпадает с изометрией. Доказательство опирается на теорию схем отношений: достаточно установить, что квадраты собственных чисел матрицы смежности соответствующего отношения попарно различны. Проект посвящён переносу этого подхода на кососимметрические матрицы, то есть на схему знакопеременных форм Alt(n, q). Предполагается сочетать компьютерные эксперименты с собственными числами и числами пересечений схемы и алгебраические методы (анализ младших членов многочленов от q, идемпотенты алгебры Боуза–Меснера), а также использовать классические результаты о геометрии кососимметрических матриц. Отдельный интерес представляют случаи, в которых метод не работает: в них возможны как настоящие контрпримеры, так и альтернативные доказательства.

Выяснить, при каких n, q и k биекции пространства кососимметрических n×n матриц над полем из q элементов, сохраняющие фиксированное ранговое расстояние k (в одну или обе стороны, для одной биекции или для пары), с необходимостью являются изометриями, и описать вид таких отображений.

1. Изучить теорию схем отношений в объёме, необходимом для работы со схемой знакопеременных форм Alt(n, q) 2. Провести вычислительный эксперимент 3. Доказать различность квадратов собственных чисел алгебраически для всех параметров вне исключительных наборов, рассматривая собственные числа как многочлены от q. 4. Исследовать исключительные наборы параметров 5. На основе полученных результатов и известных теорем получить описание отображений, сохраняющих фиксированное ранговое расстояние

1. Вычислительный эксперимент: таблица собственных чисел схемы Alt(n, q) для малых n и q (программная реализация с точной арифметикой), проверка попарной различности их квадратов, список исключительных наборов параметров и гипотеза об их полном описании.
2. Доказательство различности квадратов собственных чисел схемы Alt(n, q) для части параметров (как минимум — замкнутые формулы для крайних собственных чисел и критерий исключительной серии; в полном объёме — для всех параметров вне исключительных наборов).
3. Разбор исключительных наборов параметров: контрпримеры для малых n и/или доказательства для остальных случаев.
4. Как следствие — теорема о том, что в рассмотренных случаях биекции, сохраняющие фиксированное ранговое расстояние на кососимметрических матрицах, являются изометриями, и описание их вида.
Результаты планируется оформить в виде текста курсовой работы; при достаточном продвижении — в виде доклада на семинаре «Алгебра. Матрицы. Графы.» и совместной публикации.

Теоретическая информатика

tbguzairov@edu.hse.ru

Универсальный фреймворк геометрии, кинематики и симуляции для мобильных колесных роботов

Universal Geometry, Kinematics and Simulation Framework for Wheeled Mobile Robots

Командный (не более 4 человек)

Колотилов Иван Олегович, ПМИ. 3 курс

Проект выполняется в ПУЛ роботехники ФКН и направлен на создание универсального программного «фундамента» для колесных мобильных роботов. В лаборатории уже существуют различные проекты, от небольших машинок с кинематикой Аккермана до роботизированного паллетоперевозчика с псевдо-велосипедной кинематикой. Из-за различий в кинематике, программной архитектуре и инструментах разработки, типовые задачи — работа с геометрией и траекториями, перевод команд управления в скорости колес, расчет и калибровка колесной одометрии, отладка планирования и следования по траектории — решаются в каждом проекте частично заново и образуют сильно-связанные библиотеки, которые сложно отделять и переиспользовать. В рамках проекта предлагается разработать набор библиотек и инструментов на базе ROS 2, включающий: библиотеку базовых математических, геометрических и прочих примитивов; библиотеку кинематических моделей для популярных колесных схем; быстрый 2D-симулятор для отладки алгоритмов планирования, следования по траектории и защиты от столкновений. Ядро библиотек планируется реализовать на C++ и сделать независимым от ROS, а интеграцию с ROS 2 и другими фреймворками реализовать через отдельные прослойки и адаптеры. Проект должен снизить дублирование кода, ускорить запуск новых робототехнических проектов лаборатории и создать основу для постепенной миграции существующих колесных роботов на единый программный стек.

Разработать универсальный фреймворк с интеграцией в существующие экосистемы на базе ROS 2 для колесных мобильных роботов, включающий библиотеку геометрических и математических примитивов, библиотеку кинематических моделей и быстрый 2D-симулятор, чтобы унифицировать разработку, снизить дублирование кода и ускорить создание и миграцию проектов колесной робототехники.

- Разработать библиотеку базовых математических и геометрических примитивов - Разработать библиотеку кинематических моделей для популярных колесных систем - Разработать 2D симулятор для отладки и симуляции работы колесной системы - Разработать интеграции с популярными фреймворками (ROS2, Nav2, ros2_control)

Колотилов Иван Олегович: разработка библиотек (математических и геометрических примитивов, кинематических моделей для популярных колесных систем)
Гузаиров Тимур Булатович: разработка 2D симулятора, интеграций с популярынми фреймворками и ROS2-пакетами

- Библиотека базовых примитивов, математики и геометрии: структуры данных для точек, векторов, прямых и лучей, проекций, сплайнов; структуры траектории и Twist; функции перевода Twist между точками робота, перевода Twist в кривизну и обратно; алгоритмы, не привязанные к конкретной кинематике и логике робота.
- Библиотека кинематических моделей: реализация прямой и обратной кинематики для diff drive, Ackermann, bicycle, tricycle, swerve drive, 3-omni-wheel и 4-omni-wheel/mecanum; контроллеры кинематики, переводящие команды управления в скорости и углы колес; простейший контроль ускорения/ramp; расчет колесной одометрии по показаниям датчиков вращения и угла колес.
- ROS-независимое ядро и обертки интеграции: основная математика и кинематика без зависимости от ROS; обертки/адаптеры для интеграции с ROS 2 и, при необходимости, другими фреймворками.
- Быстрый 2D-симулятор: расчет движения робота по идеальной кинематике; загрузка 2D-карт форматов .pgm и GeoJSON; проверка коллизий; публикация «идеальной» одометрии и карты в ROS-топики; возможность использования симулятора как заглушки для компонентов SLAM и одометрии на реальном роботе.
- Пакеты и примеры для ROS 2: демонстрационные конфигурации роботов, примеры запуска, интеграция библиотек и симулятора в типовой ROS 2-стек.
- Документация и тесты: описание API, руководство по подключению новых кинематических схем и роботов, модульные и интеграционные тесты, примеры использования.
- Пилотная интеграция/миграция: подключение хотя бы одного существующего проекта лаборатории или его упрощенного прототипа к разработанному стеку; рекомендации по миграции остальных проектов.

Робототехника

arolguz@edu.hse.ru

Разработка веб-приложения для адаптивной подготовки к техническим собеседованиям по Go с интеграцией языковой модели

Development of a Web Application for Adaptive Go Technical Interview Preparation with Language Model Integration

Индивидуальный

Проект посвящен разработке веб-приложения для адаптивной подготовки к техническим собеседованиям по языку Go. Система предоставляет вопросы из подготовленного банка и использует готовую языковую модель для оценивания ответов и формирования обратной связи по заданным критериям. Результаты ответов учитываются при выборе темы и сложности следующих вопросов.
Основной акцент работы — реализация REST API на Go, хранение данных в PostgreSQL, управление сессиями собеседований и интеграция готовой языковой модели через API с обработкой ошибок и ограничением времени ожидания ответа. Веб-интерфейс позволяет проходить собеседования, просматривать историю ответов и оценок и отслеживать результаты по отдельным темам.
Результатом станет готовое веб-приложение с автоматизированными тестами, документацией API и инструкцией по развертыванию. Обучение и дообучение языковой модели в объем проекта не входят.

Разработать и протестировать веб-приложение для адаптивной подготовки к техническим собеседованиям по Go, обеспечивающее оценивание ответов с помощью готовой языковой модели, выбор последующих вопросов с учетом результатов пользователя и сохранение истории подготовки.

Проанализировать аналоги и определить требования. Спроектировать архитектуру, REST API и БД PostgreSQL. Подготовить вопросы и критерии оценки. Реализовать Go-сервер: пользователей, сессии, ответы и историю. Подключить LLM через API с проверкой формата ответа, обработкой ошибок и тайм-аутов. Реализовать адаптивный выбор вопросов и минимальный веб-интерфейс. Провести модульные и интеграционные тесты, проверить параллельную работу. Подготовить документацию, инструкцию запуска и отчет.

- Готовое веб-приложение с серверной частью на Go и веб-интерфейсом.
- База данных PostgreSQL для хранения пользователей, вопросов, критериев оценивания, сессий, ответов и оценок.
- Подготовленный банк вопросов по выбранным разделам Go.
- Модуль интеграции готовой языковой модели для оценивания ответов и формирования обратной связи.
- Алгоритм адаптивного выбора вопросов с учетом результатов пользователя.
- Автоматизированные тесты и результаты проверки функциональности, обработки ошибок и параллельной работы.
- Исходный код, документация API, инструкция по развертыванию и итоговый отчет.

Веб- и десктоп-приложения Промышленная разработка NLP

ddguz@edu.hse.ru

Исчисление Маллявэна для одношагового генеративного моделирования

Malliavin Calculus for One-Step Generative Modelling

Исследовательский

Индивидуальный

Диффузионные и потоковые модели обладают высоким качеством генерации, но требуют большого числа шагов при инференсе. Одним из способов ускорения является обучение flow maps: отображений, переносящих точку вдоль траектории потока сразу на большой интервал времени. Такие модели обучаются с помощью самодистилляции и регуляризаторов, согласующих отображение с динамикой потока. В проекте исследуется альтернативный способ построения такого регуляризатора на основе исчисления Маллявэна: формула интегрирования по частям позволяет записать эйлерово условие на flow map в слабой форме и сократить число операций типа "якобиан на вектор" при вычислении функции потерь. Известные результаты воспроизводятся в новой формулировке и сравниваются с базовыми методами в численных экспериментах. Оцениваются качество аппроксимации распределения, динамика обучения и качество сэмплов

Экспериментально исследовать обучение flow maps с регуляризатором на основе исчисления Маллявэна и сравнить его с базовыми методами самодистилляции по качеству аппроксимации распределения и вычислительной стоимости

Изучить литературу по flow maps и методам их обучения. Разобрать формулировку функции потерь на основе формулы интегрирования по частям Маллявэна, предложенную в лаборатории. Провести численные эксперименты на модельных распределениях и сравнить динамику функций потерь, итоговые метрики качества. Исследовать, как выбор параметров влияет на обучение, и оценить, насколько точно обученное отображение восстанавливает целевое распределение при генерации. Проанализировать результаты и оформить отчёт

1. Воспроизведение базового метода с метриками, сопоставимыми с опубликованными
2. Реализация функции потерь на основе исчисления Маллявэна
3. Результаты численных экспериментов
4. Рекомендации по выбору параметров
5. Сравнительный анализ подходов по качеству
6. Отчёт с выводами о применимости предложенного подхода

Глубинное обучение Машинное обучение

igussev@edu.hse.ru

@goose123455678

Разработка высокопроизводительной системы In-Memory кэширования на базе алгоритма LRU

Development of a High-Performance In-Memory Caching System Based on the LRU Algorithm

Индивидуальный

Курсовая работа посвящена проектированию и разработке легковесного высокопроизводительного серверного In-Memory Key-Value хранилища на языке Go, предназначенного для высокоскоростной обработки операций чтения и записи данных в оперативной памяти.В рамках проекта реализована потокобезопасная архитектура кэширования, объединяющая хэш-таблицу и двусвязный список для обеспечения алгоритма вытеснения LRU (Least Recently Used) со сложностью основных операций O(1). Система решает проблему эффективного управления ресурсами памяти за счет строгого ограничения емкости хранилища и механизма автоматической инвалидации данных по времени жизни (TTL), функционирующего в фоновых горутинах. Сетевой слой сервиса построен на базе протокола TCP с конкурентной обработкой клиентских подключений и синхронизацией разделяемых структур данных при помощи примитивов sync.RWMutex.Результатом работы является готовый к контейнеризации (Docker) сервис с поддержкой базового набора команд (SET, GET, DELETE) и гибкой конфигурацией через YAML. Корректность логики подтверждена модульными тестами на состояние гонки (Race Condition), а производительность, устойчивость к параллельной нагрузке и задержки (latency) верифицированы с помощью профилирования и нагрузочного тестирования утилитами wrk/hey.

Разработка серверного In-Memory Key-Value хранилища (упрощенного аналога Redis/Memcached) для высокоскоростной записи и чтения данных с поддержкой автоматического вытеснения элементов при нехватке памяти.

Реализовать потокобезопасную связку хэш-таблицы и двусвязного списка для алгоритма вытеснения LRU со сложностью O(1). Разработать фоновый механизм удаления просроченных записей по TTL с помощью горутин. Организовать сетевой TCP/HTTP-сервер для конкурентной обработки клиентских запросов без гонок данных (RWMutex). Провести модульное и нагрузочное тестирование.

Работающий программный комплекс, способный обрабатывать конкурентные запросы по сети, автоматически очищать память от устаревших данных по алгоритму LRU и контролировать время жизни ключей. Результаты нагрузочного тестирования, подтверждающие высокую скорость отклика и стабильную работу под нагрузкой, будут представлены в сопроводительной документации (ТЗ, ПЗ, РО, ПМИ).

Базы данных Алгоритмы и структуры данных Промышленная разработка

iegustov@edu.hse.ru

@gucci_gengovo_limitless

Обратные задачи в финансовой математике

Исследовательский

Индивидуальный

В работе будут рассмотрены обратные задачи финансовой математики на примере уравнений Блэка—Шоулза, Хестона и системы уравнений среднего поля. Основное внимание будет уделено задачам восстановления неизвестных параметров и коэффициентов моделей по наблюдаемым данным, вопросам корректности и устойчивости таких задач, а также численным методам их решения и регуляризации.

Ознакомление с областью.

Ознакомиться с основными понятиями и их применениями в области финансовой математики