ru en

Главная

Создание надежного ИИ для корпоративного сектора и сложных производственных условий

Добрый день! Я Дмитрий Юновидов, кандидат технических наук.

Я связываю теоретическое машинное обучение с реальным промышленным производством. За 10 лет работы в data-driven разработке и R&D химической промышленности я постоянно сталкивался с одной и той же проблемой: теоретический ИИ часто не работает в цехах или в реальных условиях. Тяжелые нейросети требуют дорогих GPU, облачные решения создают риски для информационной безопасности, а галлюцинации LLM абсолютно недопустимы в критически важных средах.

Моя цель - создавать автономные, надежные ИИ-системы замкнутого цикла, которые реально работают в суровых физических условиях.

Над чем я работаю сейчас

В настоящее время я являюсь сооснователем и ведущим ML-инженером (Founding ML Engineer) в LogicYield — стартапе, разрабатывающем автономный Edge AI для химической промышленности и производства удобрений. Мы оцифровываем сложные инертные процессы, чтобы исключить выпуск бракованной продукции, оптимизировать производство и снизить финансовые потери.

Наши ключевые промышленные системы:

  • DotPulse: Система автоматического оптического анализа гранулометрического состава. Она заменяет медленный лабораторный контроль (который обычно проводится лишь раз в 4 часа) на контроль грануляции в реальном времени прямо на конвейерной ленте. Это позволяет мгновенно реагировать на отклонения и экономить значительные средства на сырье и энергию.
  • GuardDetector: Система цифрового контроля промышленных обходов и охраны труда. Использует продвинутую видеоаналитику для отслеживания реального осмотра оборудования и соблюдения правил использования СИЗ. Система работает исключительно на периферийных устройствах (Edge), что снижает совокупную стоимость владения (TCO) и обеспечивает высочайший уровень информационной безопасности.
  • Cognitive Hub: ИИ-система, которая структурирует сложные операционные данные в понятный коммуникационный интерфейс для руководства завода и операторов, работая полностью на локальных LLM (CPU).

Мой технический подход

LogicYield Architecture Scheme

Чтобы реализовать эти проекты, мы не можем полагаться на стандартные тяжелые архитектуры. Мои исследования и инженерная работа сосредоточены на оптимизации ИИ для жестких ограничений CPU при сохранении глубокого семантического понимания.

  • Edge Computer Vision: Я активно работаю над переформулированием задач пространственной instance-сегментации и временного трекинга в проблему 1D sequence-tagging. Отображая визуальные потоки в грамматическую структуру IOB-2 с использованием энкодеров MobileNetV3 и BERT, мы можем обрабатывать сложные сцены без дорогих 3D-компонентов или тяжелой постобработки.
  • Enterprise LLM Orchestration: Я проектирую RAG и LLM системы, которые отдают приоритет строгому извлечению данных. Используя локальные структурированные базы данных и вычисления на периферии (Edge), мы полностью устраняем галлюцинации и обеспечиваем конфиденциальность по умолчанию (privacy by design).

Давайте обсудим

Будь вы директор завода, планирующий развернуть пилотную зону для контроля производства в реальном времени, венчурный инвестор, интересующийся deep-tech индустриальным ИИ, или техническая команда, ищущая экспертизу в архитектуре ИИ — я открыт к диалогу.

Мой стек технологий:

Coding:

MLOps:

Hardware:

Материалы сайта распространяются по лицензии Creative Commons Attribution-ShareAlike CC BY-SA (если не указано иное).