В течении 2024 года у проекта PromCore стояла задача масштабирования проекта и уже можно подвести итоги и раскрыть без деталей и имен некоторые результаты многих переговоров, начиная от крупных промышленных компаний, заканчивая криптобиржами:
🔹Срок более 1 финансового года никого не устраивает. Все согласны на 1 год, при чем в этот год должен быть реализован R&D (НИОКР) в 100%, реализован продукт на рынке и в конце года выход на положительную рентабельность.
🔹Максимальный бюджет который удалось предварительно согласовать, 300 млн. руб.,что в 5 раз ниже требуемого. На такие условия авторы решения не согласны и далее станет ясно почему.
🔹142 млн. р. это минимальные затраты на оборудование. Это ниже минимального минимума. Во всех крупнейших компаниях РФ есть свои специалисты по ML и DS и когда речь заходит про такие траты на вычислительные мощности , никто не понимает зачем. Тут одна из основных проблем, в России, да и в целом почти во всем мире, в проектах используют уже обученные публичные нейросети, например GPT-Neo, GPT-J-6B, BLOOM, Llama2, Falcon, MPT, OpenLLaMA, Dolly 2.0, RedPajama, Vicuna, SD3 и многие и многие другие. В этой ситуации конечно нет необходимости в больших вычислительных центрах, достаточно станции с 4xRTX4090 или h100, а это в 50 раз дешевле. Ни одна компания в России не закупала оборудование для создания нейросетевых сложных моделей с нуля. В этой ситуации мы всегда будем в роли догоняющих. Должно прийти понимание, лидерство в мире в области ИИ, а не в регионе РФ, стоит вложений не на уровне стоимости студии или однушки.
🔹826 млн. р. на исследования и разработки. Никто и никогда не занимался созданием сложных инженерных нейросетевых моделей по причине описанной пунктом выше. Для обучения нейросетей FEMnet и SmartPylon в течении многих лет создавалось ПО для формирования данных обучения с необходимой разметкой под конкретную модель нейросети, при этом что конечный пользователь даже не знает как выглядит данное ПО и данные которые там формируются, а это все стоит ресурсов и времени и это самая значительная статья расходов. Таких статей расходов нет в классической разработке IT решений. Это так же по сути невозможно обосновать, никак, ни при каких условиях.
🔹175 млн. р. поиск и обучение молодых и талантливых инженеров. На текущий момент в РФ и в целом в СНГ, нет инженеров аналитиков или инженеров программистов даже на 10% полезных для проекта PromCore. Все инженеры работающие с ML или хоть как то относящиеся к DS, работают в сфере использования прогнозных моделей, языковых, генерации изображений, видеопотока или звука. В этой ситуации придется формировать данное направление почти с нуля и тут так же нет особого понимая от потенциальных инвесторов, за многие десятилетия все отвыкли что в образование кадров необходимо вкладывать, все привыкли находить быструю замену на hh.ru. Но единственный аргумент, попробовать найти необходимых специалистов на habr carrier, их нет.
🔹100 млн. р. на интеграцию с необходимыми решениями с рынка. Для FEMnet было написано расчетное ядро классического метода конечных элементов на скорую руку, и оно конечно обладает целым букетом отсутствующих инструментов, но для обучения только нейросети FEMnet необходима новая модель нейросети, более сложная и требующая намного более детальных данных в обычных расчетах, на которых она учится. В этой ситуации проще частично выкупить одну из отечественных программ, внести определенные правки в их расчетное ядро для формирования обучающих данных которые уйдут на обучение нейросети FEMnet нового поколения. И тут так же было недопонимание на всех встречах, прецедентов такого еще не было, когда классическое IT решение по сути работает на формирование нового решения.
Итоги:
📕в СНГ не сформирован "климат" по формированию реально сложных IT продуктов в сфере ИИ.
📗В России самый лучший "климат" для обучения ИИ - профицит электричества и самая низкая стоимость кВт*ч. Проект готов релоцироваться на одну из гидроэлектростанций Сибири.
📘Проект PromCore решил выбрать выжидательную позицию, либо финансирование всех пунктов либо ничего.

К авторам проекта PromCore часто обращаются за решениями для автоматизации КМ или для оценки предварительных решений на стадии предпроекта здания на металлическом каркасе. Но такими решениями уже много лет занимаются коллеги из проекта SAPR-ART.

Какие есть варианты?
1. SpaceGenerator – это инструмент, который автоматизирует процесс подбора каркасов и расчетов. Видео.

2. Плагины конструкций LOD200 –отличный пример подбора расчетных данных прямо внутри программы, без стороннего ПО. Параметры автоматически адаптируются к изменениям модели – увеличили пролет → увеличится и размер сечения. Руководство.

3. Персональная разработка. Хотите приблизительный расчет КП или полноценный проект в LOD400 с чертежами КМ, КМД, КЖ или АР? Разработчики предлагают решения для любой стадии проекта, от эскизов до производства. Пример.

Контакты разработчиков:
Артем Сапранович: @sapr_art
Сайт | YouTube | Telegram канал

https://rutube.ru/video/17e447ee071a6405f056a7d6eee820a3/
Всех с прошедшим Рождеством !

Демонстрация первых тестов новой модификации FEMnet в виде новой нейросети SmartCity, для анализа уже не просто отдельных конструкций, а комплексных зданий сложной конфигурации. В первом тесте размерность была специально завышена, для определения слабых мест. Итоговая размерность задачи в тесте - 47 700 000 конечных элементов за 15 минут. В скором времени будет опубликована статья с описанием возможностей и ограничений, не каждая видеокарта сможет анализировать такие модели. Модель в тесте использовала 25 Gb оперативной памяти, 19 Gb видео памяти.