Проекты студентов мастерских Инженерно-математической школы НИУ ВШЭ и VK на Технодне МИЭМ на Покровке
Студенты мастерских Инженерно-математической школы НИУ ВШЭ и VK представили проекты в области психолингвистического анализа текстов, безопасности ML-моделей и улучшения качества голосового взаимодействия в шумной среде. Подробнее о проектах — в материале.
Студенты мастерских Инженерно-математической школы НИУ ВШЭ и VK представили проекты в области психолингвистического анализа текстов, безопасности ML-моделей и улучшения качества голосового взаимодействия в шумной среде. Подробнее о проектах — в материале.
Cистема психолингвистического анализа текстов
«Проект направлен на создание системы психолингвистического анализа, которая определяет эмоциональные состояния и психологические особенности пользователей по их сообщениям. Было разработано приложение для разметки текстов — постов из соцсетей, отзывов и диалогов с запросами психологической помощи. На его основе сформирован корпус текстов для оценки современных языковых моделей и проведены эксперименты по адаптации LLM под задачу психолингвистического анализа. Результаты уже могут применяться в интеллектуальных системах анализа текста, работа по дообучению моделей продолжается», — Виктория Белявская.
Инструмент контроля безопасности ML-моделей
«CheckAI — инструмент для проверки надёжности и безопасности моделей искусственного интеллекта. Он заранее выявляет ситуации, в которых модель может ошибаться: шум в данных, искажения изображений, нестандартные входные данные или состязательные атаки. Система автоматически проводит тесты, определяет уязвимости и формирует отчёт с результатами и рекомендациями по повышению устойчивости. Это помогает безопаснее внедрять ИИ-решения и снижать риски до запуска», — Илья Петрованов.
Улучшение качества речевого сигнала для голосовых интерфейсов в зашумленных условиях
«В основе модели лежит архитектура MP-SENet, которая учитывает не только громкость, но и фазу сигнала. Это позволяет избежать „фметаллического“ и неестественного звучания после очистки речи. Ключевое нововведение Mixture-of-Experts: вместо одного алгоритма используются четыре „эксперта“, из которых для каждого фрагмента выбираются два наиболее подходящих. Такой подход повышает качество модели при почти тех же вычислительных затратах. На бенчмарке VoiceBank+DEMAND модель достигает PESQ 3,64 при 2,87 млн активных параметров, что делает её одной из самых эффективных в своём классе», — Илья Трофименко.