К содержанию

Исследовательский трек

Исследовать глобальные вопросы ИИ

В первом потоке EVA предлагаем все 10 направлений. Команда выбирает узкую исследовательскую задачу, проверяет гипотезу и готовит научный результат с наставником.

Альтернатива продуктовому проекту

Исследовательский проект выбирается вместо собственного продукта или корпоративного кейса. Команды — по 3–5 человек. До начала исследования согласуем точную тему, научного руководителя, доступ к данным, ресурсы и критерии результата. Состав руководителей ещё не опубликован; лабораторные темы зависят от наличия партнёра.

Итог может включать обзор работ, датасет с разрешённым использованием, метод, прототип, эксперимент и научную рукопись. Нулевой или отрицательный результат тоже ценен, если исследование проведено корректно.

/ 01Все темы пилота

10 направлений для исследования

Это направления, внутри которых команда формулирует конкретную проверяемую гипотезу. Новизна метода устанавливается по результатам обзора литературы и предыдущих решений.

R01

Контроль автономных AI-систем

Как сохранять контроль над многошаговыми агентами?

Сравнить контрольные точки, минимальные права и способы обнаружения ошибок на изолированном стенде.

Что измеряем: Надёжность задач, нарушения разрешений, время вмешательства человека.

R02

Проверяемость AI-исследований

Как проверить, что научный вывод действительно подтверждён источником?

Исследовать связку «утверждение — источник», качество ссылок и отказ при недостатке доказательств.

Что измеряем: Поддержка выводов источниками, ложные ссылки, полнота и стоимость проверки.

R03

Эффективность вычислений и энергии

Как снизить ресурсоёмкость качественного AI?

Сравнить малые и большие модели, адаптивную маршрутизацию и обработку контекста при одинаковом бюджете.

Что измеряем: Качество, стоимость правильного ответа, задержка; энергия при наличии измерительного стенда.

R04

Обучение и самостоятельное мышление

Как учиться с AI и сохранять собственные навыки?

Сравнить наставника с подсказками и ассистента с готовыми ответами; провести отсроченный тест без AI.

Что измеряем: Перенос навыков, самостоятельный результат и время обучения. Нужны согласованный протокол, согласие участников и достаточная выборка.

R05

Происхождение и конфиденциальность данных

Как учитывать права создателей данных и предотвращать утечки?

Проверить прослеживаемость источников и лицензий; отдельный вариант — разграничение доступа в RAG на синтетических данных.

Что измеряем: Полнота трассировки, конфликты лицензий, утечки между пользователями, стоимость аудита.

R06

Доверие к цифровому контенту

Как подтверждать происхождение материалов после их изменения?

Исследовать устойчивость методов подтверждения происхождения изображений после сжатия, обрезки и повторной публикации.

Что измеряем: Сохранность подтверждения, устойчивость и ложные тревоги. Происхождение не доказывает истинность содержания.

R07

Независимость от AI-платформ

Как снизить зависимость от одного поставщика моделей?

Сравнить перенос приложения между облачными поставщиками и локальной моделью, включая имитацию отказов на стенде.

Что измеряем: Качество после переключения, время восстановления, ручная доработка и стоимость переноса.

R08

Труд и распределение выгод автоматизации

Как поддерживать людей при изменении профессий?

На примере одной профессии сравнить сценарии переобучения и поддержки на публичных данных.

Что измеряем: Чувствительность сценариев, распределение доходов и стоимость мер. Изменение задач не равно потере рабочих мест.

R09

Данные и безопасность робототехники

Как обучать роботов при недостатке реальных данных?

Проверить влияние разнообразия симуляционных данных на устойчивость роботизированного захвата.

Что измеряем: Успешность действий, устойчивость и объём реальных данных. Для переноса в физический мир нужен лабораторный партнёр.

R10

Venture capital для ИИ

Как оценивать и финансировать AI-стартапы при быстрых изменениях технологий?

Исследовать капиталоёмкость, стоимость инференса, зависимость от моделей, устойчивость преимуществ и потребность в следующих раундах.

Что измеряем: Сценарии затрат, runway, размывание долей и чувствительность выводов. Неизвестные финансовые показатели не выдумываются.

/ 02Процесс

Исследование за 12 недель

  1. Недели 1–2

    Выбрать тему, научного руководителя и исследовательский вопрос. Изучить предыдущие работы и согласовать права, данные и бюджет.

  2. Недели 3–4

    Подготовить протокол, критерии оценки и данные. Воспроизвести базовый метод; начать патентный поиск для потенциального технического решения.

  3. Недели 5–8

    Провести эксперименты, повторные проверки и анализ ошибок. Фиксировать версии моделей, параметры и условия запуска.

  4. Недели 9–10

    Оценить неопределённость и ограничения. Провести экспертную проверку; решить вопрос защиты результата до публичного раскрытия.

  5. Недели 11–12

    Подготовить отчёт, воспроизводимый пакет и рукопись при достаточных результатах. При необходимости провести закрытую защиту; рецензирование продолжается после потока.

Плановая нагрузка программы — 8–12 часов в неделю. Сложность эксперимента, достаточная выборка и сроки публикации согласуются отдельно; исследование может продолжиться после потока.

/ 03Научный результат

Статья с проверяемыми результатами

Профильный рецензируемый журнал

Цель — подготовить оригинальную рукопись для подходящего журнала из перечня ВАК или издания, индексируемого Web of Science / Scopus. Перечень ВАК и системы индексирования — разные критерии; профиль, специальность и действующий охват журнала проверяются перед подачей. Принятие статьи и её индексация не гарантируются.

Критерии качества

Обзор предыдущих работ, опровержимая гипотеза, сравнение с базовыми методами, корректные данные, анализ неопределённости и ограничений. Ссылки и фактические выводы проверяются; вклад авторов фиксируется, использование AI раскрывается по правилам журнала. Одну рукопись подают в один журнал за раз.

Перечень ВАКWeb of Science Master Journal ListScopus Sources

/ 04Интеллектуальная собственность

Защита технического решения до публикации

Для результатов с технической новизной рассматриваем патентование в России. Возможность определяется отдельно: нужен конкретный технический результат, патентный поиск и оценка условий патентоспособности специалистом. Получение патента не гарантируется. Экономическое исследование или образовательная методика могут быть полноценной научной работой без патентного результата.

Права и вклад участников, вуза или работодателя согласуются до работы. До препринта, публикации кода и открытого Demo Day проверяем возможность защиты; при необходимости сначала готовим и подаём заявку, затем согласуем раскрытие. Регистрация программы для ЭВМ или базы данных — отдельная процедура и не называется патентом. Расходы на вычисления, публикацию и защиту прав согласуются отдельно.

Выбрать исследовательский проект в анкете