
Представители академического сообщества, ИТ-разработчики и индустриальные эксперты обсудили один из главных вызовов современности — как превратить прорывные deep tech решения в массовый и эффективный промышленный продукт. Кафедра стратегического и инновационного развития Финансового университета при Правительстве РФ совместно с Про.К провели Научно-практическую дискуссию на тему «Биоподобные, нейроморфные технологии: от новой технологии к продукту».
Нейроморфные технологии основаны на принципах работы биологических нейронов. Они помогают решать задачи, с которыми классическая вычислительная архитектура не справляется из-за низкой скорости, энергопотребления или автономности.
Докторант, руководитель Центра по архитектуре корпоративных информационных систем Игорь Гречин выступил с темой «Пределы классической автоматизации и биоподобные технологии: переход к событийной архитектуре управления». На примере линии непрерывного производства эксперт показал пределы и границу традиционной машинной автоматизации: поток данных растёт быстрее пропускной способности, обработка отстаёт, решение приходит постфактум. Управление вырождается в фиксацию уже случившегося.
BDM Kaspersky Neuromorphic Platform Алексей Петухов охарактеризовал текущее состояние технологии и платформы, а также рассказал о препятствиях на пути к созданию продукта. Докладчик представил другой взгляд на вычисления — нейроморфный подход, возможности Kaspersky Neuromorphic Platform и процессоров «Алтай», привел примеры локальной обработки и адаптации.
После докладов разговор перешёл к идеям участников встречи: они обсудили, где новый подход мог бы принести пользу, чего пока не хватает для понимания и что нужно проверить, прежде чем говорить о применении.
Подробнее всего обсуждали прогнозирование сбоев и контроль качества. Основу заложил пример, который Игорь Гречин привёл в начале доклада, — движущееся бумажное полотно. Из него вырос вопрос: можно ли замечать отклонения ближе к источнику и передавать дальше не весь поток изображения, а только значимую информацию?
В дискуссии прозвучала позиция, что алгоритмический контроль уже бывает точным, простым и экономичным. Поэтому переход на нейросеть или новый процессор нельзя считать улучшением по умолчанию. Нужно показать, в чём именно появляется преимущество и оправдывает ли оно изменения.
Эксперты пояснили: компактные временные сигналы и изображение высокого разрешения предъявляют разные требования. Чтобы перенести решение на другую архитектуру, нужно оценить конкретную модель и нагрузку. Выигрыш при переносе нужно доказывать отдельно.































