Как мы автоматизировали курс ООП для 360 студентов и открыли неожиданные закономерности. Почему посещаемость важна, а умеренное использование LLM даёт наивысшие баллы. История системы Frieren, которая спасла 7 преподавателей от рутины и показала, как студенты на самом деле учатся в эпоху AI.

В МАИ прошёл кейс-чемпионат AI Challenge: Engineering. Студенческие команды, в том числе по направлениям подготовки ТОП ИТ, решали прикладные задачи от промышленных партнёров. Один из кейсов был посвящён автоматизации сортировки титановой губки на производственной линии.

Хайп вокруг ИИ стихает. Начинается сложная работа: понять, как его строить, ломать и защищать. Рассказываем про обновленную лабораторию МАИ - Lambda, где ИИ перестаёт быть магией и становится инженерной дисциплиной.

На программах ТОП ИТ Московского авиационного института с 2025 года учатся будущие middle-разработчики. Что же делает нашу программу особенной и как мы погружаем студентов с первого семестра в ИТ-индустрию, об этом и расскажем от лица студента ТОП ИТ в этом кратком обзоре уже практически прошедшего семестра обучения…

У нас в МАИ, в 8-м институте, учатся будущие разработчики IT‑продуктов и софта для авиационных систем, аэропортов, логистики и много чего ещё интересного. Один из курсов с 2023 года мы решили посвятить разработке программного обеспечения для автопилота. В курсе всё как положено, с красивыми диаграммами регуляторов, кватернионами и кодами таких проектов как Ardupilot, PX4, Betaflight, iNav и другими.

Однако, довольно сложно сразу вкатиться в тему полетных прошивок — они переполнены всякими фичами и функционалом, так что неподготовленному разработчику сложно понять как же это всё работает. Поэтому долгое время я искал такой проект, который позволяет «на пальцах» объяснить как работает прошивка полётника. Таким проектом для меня стал Flix от Олега Калачева. Про опыт сборки проекта и изучения на его основе полетной прошивки со студентами и пойдет разговор в этой статье.

Как вы наверное знаете мы уже запустили много интересных учебных программ IT-магистратуры в МАИ. Есть у нас программа для менеджеров продуктов, где мы прокачиваем навыки работы с IT-продуктом, много программ для ML специалистов и приложению машинного обучения для разных целей. Найдут свои программы и бэкэндеры и специалисты по инфобезу и другие участники IT-сообщества.

При этом раньше мы как-то обходили вниманием такую интересную профессию, как ML-инженер. Про создание программы обучения для ML-инженеров "Большие данные и машинное обучение", да ещё и за один год и пойдет речь в этой статье.

В 2022 году наш Университет - московский ордена Ленина, ордена Октябрьской Революции авиационный институт имени Серго Орджоникидзе, ну или просто МАИ принял участие и победил в конкурсе Приоритет 2030. Мы, как самое передовое в Мире МАИ подразделение приобрели робота собаку Unitree A1 для опасных экспериментов развития науки и прокачивания навыков наших студентов IT-магистратур. Об опыте работы с данным чудом техники мы и решили поведать на Хабре. 

Уже полтора года мы активно наблюдаем за коллаборативными платформами, тестируем их функционал и делимся нашими находками с вами в цикле статей. Сегодня мы расскажем вам о новостях развития платформ,  вместе увидим, что поменялось за последние полгода и какие тенденции есть на рынке. А еще покажем на наших примерах, как вы можете использовать существующие решения в работе, учебе и развлечениях уже сейчас и во многих случаях бесплатно. 

Заметка от партнера IT-центра МАИ и организатора магистерской программы “VR/AR & AI” — компании PHYGITALISM.

В этой статье мы поделимся нашим опытом работы с системой Addressables и расскажем о самых существенных проблемах, с которыми столкнулись при разработке мобильного приложения. Поэтому здесь будут только сложные и неочевидные проблемы, которые отняли у нас значительное время на поиск и решение. Мы будем использовать термины из Addressables – подразумевается, что вы знакомы с этой системой хотя бы поверхностно.

Заметка от партнера IT-центра МАИ и организатора магистерской программы “VR/AR & AI” — компании PHYGITALISM.

Сегодня мы хотим поделиться нашими компетенциями и знаниями в области машинного обучения в графике и показать, как технологии позволяют упростить многие процессы, при этом не заменяя, а дополняя деятельность человека. Эта статья будет интересна разработчикам, дизайнерам и всем, кто интересуется новыми разработками в сфере ИИ и ML.  

Заметка от партнера IT-центра МАИ и организатора магистерской программы “VR/AR & AI” — компании PHYGITALISM.

В этой статье мы поделимся нашим опытом разработки системы SMS поп-апов в Unity, на базе которого мы реализовываем проект в области бизнес-аналитики. Вы узнаете, как можно сделать нативным и понятным добавление информации, и как никогда не программирующие люди могут легко управлять данными и, как следствие, принимать правильные решения на их основе. 

Заметка от партнера IT-центра МАИ и организатора магистерской программы “VR/AR & AI” — компании PHYGITALISM.

Всем привет!

Мы постоянно следим за миром phygital, актуальными событиями, новостями и аналитикой, и делимся им с вами в нашем ежемесячном дайджесте "DIGEST: Dive into phygital." В нем мы собираем всю информацию о последних исследованиях, разработках, новых гарнитурах и кейсах в сфере виртуальной и дополненной реальности. 

Почему привычные нам BI-системы меняются? Куда движется их развитие, какие технологии сейчас внедряются, как можно улучшить аналитику для бизнеса? В этой статье мы коснемся этих вопросов и постараемся ответить, чего следует ожидать в ближайшем будущем от систем бизнес-аналитики.

Как не запутаться в большом объеме информации о дополненной реальности, где ее применять и как она работает? 

Вопрос эффективности для бизнеса стоит остро, и в условиях пандемии новые инструменты как никогда актуальны. Поэтому мы выпустили White Paper  “AR механики: все о дополненной реальности”, где доступным языком  объяснили, как разные подходы в создании дополненной реальности решают боли компаний.

Хакатон - командное состязание разработчиков, дизайнеров, менеджеров, аналитиков, которые в течение бессонного уик-энда должны подготовить хардверный проект либо приложение. В качестве исходных данных используется задача от заказчиков-спонсоров.

Если раньше хакатоны преимущественно проводились в офлайне, а онлайн-формат был чем-то непонятным и непопулярным, то сегодня хакатон «в интернете» уже не вызывает скепсис.

Есть ли плюсы в онлайне и для кого? Порассуждаем на тему, а также поделимся опытом, как в 2020 году мы провели самый масштабный онлайн-хакатон в авиаиндустрии.

Привет, хабровчане! Сегодня мы хотим поделиться с вами нашим опытом по созданию сервиса для апробации моделей 3D реконструкции. В заметки мы:

• кратко обсудим что из себя представляет задача 2D-to-3D, 

• взглянем на наиболее успешные алгоритмы и работы, 

• сравним параметрический и непараметрический подходы к восстановлению формы лица и тела человека,

• разберем как устроен наш сервис для апробации моделей пространственной реконструкции.

Всех, кто хотел бы на манер “Чудес науки” переместить девушку с обложки глянцевого журнала к себе в комнату хотя бы в AR, просим под кат.

Всем привет! Сегодня мы хотели бы поделиться с вами нашим опытом анализа лидарных облаков. В заметке расскажем: 

• какими инструментами и библиотеками можно пользоваться для анализа и обработки лидарных данных;

• рассмотрим практический пример анализа лидарных облаков, полученных с лидарного комплекса, установленного на автомобиле;

• попробуем применить стандартные библиотеки и техники для анализа и визуализации данных.

В предыдущей заметке мы рассказали о том, как мы решали задачу из области промышленной дефектоскопии методами современного машинного зрения. В частности, мы упомянули, что одним из подходов к обогащению данных обучающей выборки является генератор синтетических данных. В этой заметке мы расскажем:

• как сделали такой генератор на основе Blender и Python,
• какие типы масок для задач компьютерного зрения вообще можно получить в Blender.

Сегодня мы хотим поделиться опытом решения задачи детекции дефектов на снимках промышленных объектов методами современного компьютерного зрения.

Наш рассказ будет состоять из нескольких частей:

• “Постановка задачи и Данные”, в которой мы будем смотреть на ржавые отопительные котлы и лопнувшие трубы, наслаждаться разметкой и аугментацией данных, а также будем вращать и шатать трубы чтобы сделать данные разнообразнее;
• “Выбор архитектуры”, в которой мы сядем на два стула попытаемся выбрать между скоростью и точностью;
• “Фреймворки для обучения”, в которой мы будем погружаться в Darknet и заглянем в MMLab и покажем как сделать итоговое решение воспроизводимым и удобным для тестов.

Всем кому интересно взглянуть на пайплайн решения задачи из области машинного зрения и любителям ржавчины и трещин (не показывайте эту заметку сантехникам) просим под кат.

Мы уже успели поговорить про сверточные операторы на графах, а теперь посмотрим на реальные архитектуры.

В этой заметке мы сравним между собой модели глубокого обучения, направленные на решение задачи семантической сегментации облака точек, и попытаемся выяснить, какие из существующих моделей наиболее пригодны для встраивания в реальную систему сканирования пространства.