Институт общественных наук Президентской академии является соорганизатором премии в области искусственного интеллекта и больших данных «Гравитация» – заявки на эту премию в 2026 году принимаются до 20 апреля. Одним из победителей прошлого года стал проект Thefittest — библиотека для эволюционной оптимизации и машинного обучения (ML). Она была разработана как инструмент, который делает доступными для практического применения в науке и индустрии современные алгоритмы эволюционного ML – то есть методы создания искусственного интеллекта, копирующие процессы природного отбора. Мы поговорили с создателем этого проекта Павлом Шерстеневым о том, как появилась библиотека, где сейчас применяются эволюционные методы и как он видит развитие ИИ-инструментов open-source (с открытым кодом) в ближайшие годы.
– Что подтолкнуло вас к созданию собственной библиотеки эволюционного машинного обучения, а не использованию существующих решений?
– На момент начала проекта многие современные методы эволюционной оптимизации либо отсутствовали в open-source, либо были неудобны для практического применения. При этом классические ML-библиотеки в основном опираются на градиентные методы, которые не всегда работают в сложных задачах.
Я начал разрабатывать Thefittest в рамках диссертации, чтобы перенести теоретические идеи в удобный инструмент. Со временем стало понятно, что такие решения востребованы шире, особенно там, где стандартные подходы не дают результата.
– В каких реальных проектах библиотека уже показала наибольшую эффективность?
– Библиотека уже применялась в прикладных задачах оптимизации. Например, в задачах краткосрочного прогноза силы ветра и моделирования акустических характеристик материалов. Эти проекты реализовывались в прошлом году.
Thefittest активно используется в академической среде. В течение вот уже нескольких семестров она применяется в образовательных курсах и исследовательских работах, начинают появляться научные публикации о проектах с её использованием. Кроме того, библиотеку применяются в задачах оптимизации отдельные команды и компании. Поскольку это open-source проект, не все кейсы можно отследить напрямую, но часть применений проходит через меня, и я вижу рост интереса к таким фреймворкам.
– Какие ограничения традиционных методов оптимизации вы стремились преодолеть?
– Важно отметить, что многие используемые методы разработаны мировым научным сообществом, а моя задача была не столько разработать новые алгоритмы, сколько сделать существующие доступными и применимыми на практике.
Если говорить про ограничения, то классические градиентные методы требуют знания свойств функции, в частности, вычисления градиента и гладкости, что не всегда возможно в реальных задачах. Эволюционные методы позволяют оптимизировать «чёрные ящики» без этих требований.
С другой стороны, даже среди эволюционных алгоритмов существует проблема: большинство библиотек ограничиваются базовыми реализациями, тогда как современные адаптивные и самонастраивающиеся методы практически не представлены в удобном виде. Одной из целей Thefittest было как раз сделать такие алгоритмы доступными «из коробки».
– Как вы видите развитие ИИ-инструментов с открытым кодом в России в ближайшие 3-5 лет?
– Мне кажется, что open-source в России будет становиться более системным. Уже появляются свои площадки вроде GitVerse, и часть проектов, вероятно, начнёт туда смещаться или развиваться параллельно.
Параллельно усиливается поддержка и появляются инициативы вроде «Код без границ» и гранты типа «Код ИИ», что дополнительно стимулирует открытые разработки. Также, думаю, будет расти принятие open-source на уровне бизнеса и интеллектуальной собственности. Его всё чаще будут воспринимать как нормальную часть разработки.
Плюс в науке всё больше работ выходит сразу с репозиторием. В целом, история не новая, но сейчас она заметно усиливается.
– Планируете ли вы расширение функционала, например интеграцию с LLM или AutoML?
– Основной фокус – это развитие методов оптимизации. Я планирую добавлять новые алгоритмы и расширять поддержку разных классов задач, например, оптимизацию с ограничениями и многокритериальную оптимизацию.
Важно сохранять философию проекта и делать современные методы доступными на практике. Поэтому одно из направлений – это интеграция актуальных алгоритмов, в том числе победителей мировых соревнований по оптимизации. При этом речь скорее не про прямую интеграцию с конкретными инструментами, а про совместимость и открытость, чтобы библиотеку можно было легко встраивать в разные ИИ-пайплайны и проекты. Также планируется развитие сообщества вокруг проекта, включая привлечение контрибьюторов и совместную работу над библиотекой.
Интервью взял Владислав Поярков.
– Что подтолкнуло вас к созданию собственной библиотеки эволюционного машинного обучения, а не использованию существующих решений?
– На момент начала проекта многие современные методы эволюционной оптимизации либо отсутствовали в open-source, либо были неудобны для практического применения. При этом классические ML-библиотеки в основном опираются на градиентные методы, которые не всегда работают в сложных задачах.
Я начал разрабатывать Thefittest в рамках диссертации, чтобы перенести теоретические идеи в удобный инструмент. Со временем стало понятно, что такие решения востребованы шире, особенно там, где стандартные подходы не дают результата.
– В каких реальных проектах библиотека уже показала наибольшую эффективность?
– Библиотека уже применялась в прикладных задачах оптимизации. Например, в задачах краткосрочного прогноза силы ветра и моделирования акустических характеристик материалов. Эти проекты реализовывались в прошлом году.
Thefittest активно используется в академической среде. В течение вот уже нескольких семестров она применяется в образовательных курсах и исследовательских работах, начинают появляться научные публикации о проектах с её использованием. Кроме того, библиотеку применяются в задачах оптимизации отдельные команды и компании. Поскольку это open-source проект, не все кейсы можно отследить напрямую, но часть применений проходит через меня, и я вижу рост интереса к таким фреймворкам.
– Какие ограничения традиционных методов оптимизации вы стремились преодолеть?
– Важно отметить, что многие используемые методы разработаны мировым научным сообществом, а моя задача была не столько разработать новые алгоритмы, сколько сделать существующие доступными и применимыми на практике.
Если говорить про ограничения, то классические градиентные методы требуют знания свойств функции, в частности, вычисления градиента и гладкости, что не всегда возможно в реальных задачах. Эволюционные методы позволяют оптимизировать «чёрные ящики» без этих требований.
С другой стороны, даже среди эволюционных алгоритмов существует проблема: большинство библиотек ограничиваются базовыми реализациями, тогда как современные адаптивные и самонастраивающиеся методы практически не представлены в удобном виде. Одной из целей Thefittest было как раз сделать такие алгоритмы доступными «из коробки».
– Как вы видите развитие ИИ-инструментов с открытым кодом в России в ближайшие 3-5 лет?
– Мне кажется, что open-source в России будет становиться более системным. Уже появляются свои площадки вроде GitVerse, и часть проектов, вероятно, начнёт туда смещаться или развиваться параллельно.
Параллельно усиливается поддержка и появляются инициативы вроде «Код без границ» и гранты типа «Код ИИ», что дополнительно стимулирует открытые разработки. Также, думаю, будет расти принятие open-source на уровне бизнеса и интеллектуальной собственности. Его всё чаще будут воспринимать как нормальную часть разработки.
Плюс в науке всё больше работ выходит сразу с репозиторием. В целом, история не новая, но сейчас она заметно усиливается.
– Планируете ли вы расширение функционала, например интеграцию с LLM или AutoML?
– Основной фокус – это развитие методов оптимизации. Я планирую добавлять новые алгоритмы и расширять поддержку разных классов задач, например, оптимизацию с ограничениями и многокритериальную оптимизацию.
Важно сохранять философию проекта и делать современные методы доступными на практике. Поэтому одно из направлений – это интеграция актуальных алгоритмов, в том числе победителей мировых соревнований по оптимизации. При этом речь скорее не про прямую интеграцию с конкретными инструментами, а про совместимость и открытость, чтобы библиотеку можно было легко встраивать в разные ИИ-пайплайны и проекты. Также планируется развитие сообщества вокруг проекта, включая привлечение контрибьюторов и совместную работу над библиотекой.
Интервью взял Владислав Поярков.
