KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу

Вот важная новость с фронта ИИ: sSindiKk 20 минут назад KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу Средний 26 мин 958 Искусственный интеллект Машинное обучение * Open source * Микросервисы * Python * Знаете это чувство, когда обучаешь классификатор изображений в десятый раз и ловишь себя на мысли, что делаешь ровно то же самое, что и в прошлый раз? Поменять архитектуру, подкрутить learning rate, добавить аугментацию, подождать, посмотреть на кривые, вздохнуть, поменять ещё раз. Рутина, которую вроде бы знаешь наизусть и именно поэтому она бесит больше всего.

В какой-то момент (прошлой осенью) я подумал: а почему этим до сих пор занимаюсь я, а не модель, которая в этом разбирается не хуже (ну наверное)? Так началась KiSinWi - платформа, где команда из LLM-агентов сама проходит весь путь от сырого датасета до обученной модели. Анализирует данные, спорит об архитектуре, изучает лучшие практики, собирает конфиг обучения, запускает его и потом сама же разбирает, что получилось.

Технические детали

С тех пор прошло уже больше полугода работы. Да, это не проект выходного дня, собранный на коленке между двумя чашками кофе. Настал момент рассказать о нём и заодно честно взглянуть на цифры.

Не на красивые обещания на листе со шрифтом Times New Roman, а на реальные итоги. Работает ли оно по-настоящему? Для этого я взял пять публичных датасетов с известными эталонными результатами и прогнал через платформу.

Ниже представлено что вышло со всеми конфигами лучших моделей, цитатами агентов и с двумя датасетами, где платформа недотянула по метрикам. Надеюсь, к концу вы согласитесь, что это лечится не переписыванием платформы, а парой функций или ещё одним агентом в команде. А сел писать я не потому, что всё готово, а потому что “вот допилить нужно ещё чуть-чуть” говорил я и откладывал уже четыре раза - пора вылезать из этой ловушки перфекциониста.

Отраслевые последствия

Да, это именно такСначала - зачем всё этоОбучить классификатор картинок - это не “вызвать model. fit() и пойти спать”. Это цепочка решений, каждое из которых требует осмысленных действий:какую архитектуру взять и обучать ли её с нуля или дообучать её;какие аугментации помогут, а какие, наоборот, сотрут полезные признаки;какой оптимизатор, какой scheduler, сколько эпох;где вовремя остановиться и не переобучиться.

Каждое из этих решений человек принимает головой и опытом, а перебор стоит времени и GPU-часов. Идея KiSinWi проста, отдать весь этот цикл агентам. Пользователь приносит датасет и формулирует требование по-человечески - “хочу точность не ниже 0.

93, и чтобы инференс был дешёвым”. А дальше платформа сама идёт от анализа данных до готовых весов и отчёта о качестве. Причём управлять агентами можно не только целевой метрикой.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.