Платформа АСТРА ИИ (ASTRA AI Platform)

Платформа для разработки и развертывания ИИ-решений. Визуальная среда для построения и отладки в режиме low code через визуальное редактирование пайплайнов.
ML Ops модуль - cервисно-ориентированный low-code модуль создания и внедрения ML/AI‑конвейеров для обработки и анализа различных типов данных.
LLM Ops модуль - интеллектуальный роботизированный модуль разработки и интеграции безопасных AI-агентов для автоматизации бизнес-процессов, конвертации и бесшовной интеграции данных.
Платформа обеспечивает инструменты для анализа данных, обработки естественного языка и реализации задач предиктивной аналитики в медицине, промышленности и других областях

Функциональные характеристики

ML Ops модуль – интеграционный low-code модуль предиктивной аналитики и анализа больших данных, предназначенная для обработки структурированных и неструктурированных массивов данных, обучения моделей искусственного интеллекта для задач создания баз знаний. В.

Функциональные возможности модуля:

1. Администрирование пользователей и ролей

● Функционал администратора: создание пользователей через CMS сервис (развернутый на платформе).

● Личный кабинет пользователя: персонализированный интерфейс для управления аккаунтом (изменение почты, пароля, ФИО, включение двухфакторной аутентификации).

2. Организация и управление проектами

● Управление проектами: организация проектов с возможностью добавления датасетов, дашбордов, рабочих областей обучения и использования моделей.

● Модуль импорта/экспорта: перенос проектов, рабочих областей, обученных моделей, датасетов и дашбордов между аккаунтами.

3. Хранение, интеграция и формирование данных

● Возможность хранения структурированных данных с использованием внутренних хранилищ для таблиц, временных рядов и других форматов (внутренняя файловая система).

● Интеграция с базами данных: подключение к ClickHouse для высокопроизводительных аналитических запросов, PostgreSQL для реляционных данных и MongoDB для неструктурированных документов.

● Формирование датасетов из внешних БД (инструмент извлечения и трансформации данных

(ETL)), импортируемого датасета или файлового хранилища

● Автоматическая валидация датасета при созданиии

4. Визуализация и дашборды

● Визуализация данных: отображение временных рядов, табличных данных и изображений с поддержкой зума и управлением легендой.

● Поддержка основных типов графиков:

○ Линейный график

○ Столбчатая диаграмма

○ Круговая диаграмма

○ Гистограмма

○ Ящик с усами

○ Свечной график

○ Тепловая карта

○ Точечная диаграмма (двумерная)

○ Точечная диаграмма (трёхмерная)

○ Трёхмерный график поверхности

● Запускаемые (исполняемые) дашборды: создание интерактивных панелей с выносом параметров блоков для удобной динамической настройки.

● Экспорт визуализаций в изображения, таблиц и текста.

5. Препроцессинг и подготовка данных

● Структурирование и препроцессинг временных рядов и табличных данных: нормализация, заполнение пропусков, агрегация и фильтрация.

● Препроцессинг текстов: токенизация, лемматизация и векторизация.

● Возможность подготовки обучающего и валидационного датасета

● Создание датасетов для классификации изображений

● Автоматизированные пайплайны для последовательной обработки данных.

6. Обучение, настройка и управление моделями ML ● Обучение моделей:

○ Обучение моделей классификации:

■ Категориальный наивный байесовский классификатор

■ Бернуллиевский наивный байесовский классификатор

■ Комплементарный наивный байесовский классификатор

■ Категориальный наивный байесовский классификатор

■ Модель Catboost для классификации

■ Дерево решений для классификации

■ Логистическая регрессия

■ Случайный лес для классификации

■ Модель XGBClassifier

■ Модель поиска аномалий

■ Метод k-бли