Как молодой разработчик создал ИИ-систему для космического проекта?

Когда ты еще молод, легко поверить, что грандиозные проекты делают только большие компании с миллионными бюджетами и штатом из сотен инженеров. Но что если один человек способен в одиночку автоматизировать лабораторию, работающую на освоение глубокого космоса?

В нашем конкретном случае для этого потребовалось взять в напарники ИИ-агентов, обучить их тонкостям физических приборов и не побояться зайти в новую среду. За время разработки комплекса CryoDAQ Владимир Фоменко не только улучшил работу лабораторию, но и получил признание, победив в номинации «Техно-продуктовый вклад» премии Яндекс Практикума «Сделано с ИИ». Он рассказал «ВЕДам» о том, как находить смелые решения и управлять виртуальной командой нейросетей.

От первой программы к космическим технологиям

Владимир Фоменко окончил бакалавриат МАИ по специальности «авиационно-космическая теплотехника», а затем получил двойной диплом магистра этого же вуза совместно с Шанхайским университетом Цзяо Тун. В марте 2023 года он пришел в АКЦ ФИАН, где занялся криогенной теплотехникой — расчетами и экспериментальными исследованиями конструкций, которые должны работать при очень низких температурах.

Одна из основных задач лаборатории связана с экспериментальной отработкой элементов космической обсерватории «Миллиметрон». Для некоторых элементов телескопа требуется температура около четырех кельвинов — примерно минус 269 градусов Цельсия. При таком охлаждении материалы изменяют свои размеры, причём характер этих изменений зависит от их свойств и структуры. Для лаборатории особенно важна формостабильность углепластиковых элементов: необходимо понимать, как их геометрия меняется при охлаждении от комнатной температуры до нескольких кельвинов и насколько воспроизводимы эти изменения после температурных циклов.

Для «Миллиметрона» это критично: речь идёт о десятиметровой апертуре, которая должна сохранять заданную форму с микронной точностью при рабочей температуре около четырёх кельвинов. Поэтому свойства материала и поведение конструкции при таких температурах нужно не только рассчитывать, но и экспериментально проверять на Земле.

Когда Владимир пришел в лабораторию, помещение уже было укомплектовано оборудованием для тестирования компонентов будущего космического телескопа. Однако единого софта, который связывал бы приборы, собирал данные и управлял ходом физических испытаний, просто не было. Первую программу без искусственного интеллекта под базовые задачи инженер написал сам за пару месяцев.

Со временем Владимир стал отвечать за работу криогенной лаборатории. Увидев процессы в ней целиком, он заметил, что хотя эксперименты различались, они состояли из одинаковых шагов. Так родилась идея: раз и навсегда связать в единый цифровой контур показания датчиков, фотофиксацию, журнал событий и действия оператора, чтобы при проведении нового эксперимента не собирать программу заново.

Без ИИ такой масштабный замысел в одиночку вряд ли удалось бы реализовать. Раньше Владимиру приходилось верстать небольшие скрипты под узкие задачи, но с появлением генеративных моделей сложную архитектурную проблему получилось решить:

«До нейросетей я за такую систему, скорее всего, не взялся бы. По моим прежним меркам это был проект совсем другого масштаба, а с ИИ он стал подъемным для одного человека», — делится автор проекта.

Нужно было создать программу, которая подсказывала бы исследователю порядок действий, но при этом давала свободу менять ход эксперимента. При этом в такой системе даже небольшая техническая ошибка может повлиять на работу с данными. Например, однажды из-за одной кириллической буквы «Т», случайно просочившейся вместо латинской в имя температурного канала, пришлось разбирать весь модуль. Однако подобные трудности не пугали, а подталкивали двигаться дальше.

ИИ как напарник и виртуальный отдел из нейросетей

Сделать за два месяца объем работы, обычно требующий усилий целой IT-команды, удалось благодаря грамотному распределению задач между алгоритмами. Владимир выступил в роли архитектора, описав порядок работы: кто пишет код, кто его проверяет и что считается доказательством проверки. Насчет того, какая конкретно модель закрывает каждую роль — было не принципиально, ведь важна сама логика распределения задач. Память о проекте лучше держать в отдельной папке, чтобы не зависеть от какой-то одной модели, но так и роли раздавать проще.

В рамках этой логики вокруг CryoDAQ выстроилась гибкая система: модель получает ограничения, вводные данные и желаемый результат, после чего инженер проверяет код. При этом ключевым навыком становится отлов «галлюцинаций». Понимая, что нейросеть может уверенно выдать ошибку, Владимир заложил перекрестную проверку другими моделями и предварительное тестирование кода на виртуальных эмуляторах приборов.

«Любое критическое замечание остается версией, пока его не подтверждает тест или поведение программы. Для первого разбора я подключаю другие модели: они спорят с выводом, ищут слабые места и пытаются воспроизвести ошибку», — рассказывает инженер.

В процессе работы изменился сам подход: вместо того чтобы вручную писать каждую строчку кода, нужно было сосредоточиться на том, как устроена система в целом, как связаны между собой ее части и как чувствуют себя данные. ИИ взял на себя рутину, освободив время инженера для архитектурных решений.

Реальный результат и признание на премии

Разработка стала цифровым «мозгом» лаборатории отдела космических конструкций. Первые испытания на настоящей аппаратуре были волнительными, но CryoDAQ полностью оправдал ожидания.

«Помню, страшно было вполне по-настоящему. До эксперимента я оставлял систему работать на несколько дней без остановки, чтобы поймать редкие сбои. Но в настоящем эксперименте есть риск потерять данные, ради которых готовилась установка. Я был рядом и знал, что при необходимости быстро вмешаюсь, но всё равно волновался», — делится Владимир.

Главным подтверждением успеха для автора стали не только точность сбора данных, но и живой отклик коллег-ученых, которые начали активно предлагать свои идеи и внедрять софт в ежедневную практику.

Победа в номинации «Техно-продуктовый вклад» премии «Сделано с ИИ» от Яндекс Практикума показала, что жюри увидело в проекте работающий продукт с понятной пользой. Сам автор относится к успеху скромно, подчеркивая, что благодаря конкурсу он смог найти единомышленников. Доказательством надежности CryoDAQ для инженера остается его ежедневная работа в лаборатории.

Как создавать свои проекты с ИИ и не бояться сложных задач

Многих молодых специалистов останавливают страх перед масштабными задачами и «синдром самозванца». Владимир отмечает, что неуверенность в своих силах не исчезает полностью, но со временем сглаживается наработкой своего опыта и поддержкой коллег. Заходить в сложный проект можно с любого уровня, ведь большая задача сама подсвечивает пробелы в знаниях и показывает, чему нужно научиться.

По его мнению, чтобы запускать сильные продукты, достаточно понимать проблематику и уметь работать с современными инструментами:

«Я бы начал с настоящей задачи, которая вас раздражает. С моделью можно прямо обсудить, с какого края к ней подступиться, чего пока не хватает и как проверить первый результат. Тратить несколько часов на один идеальный запрос для этого не нужно», — советует Владимир.

При этом доверие к нейросети не должно строиться на красивых и на первый взгляд внятных ответах модели: код нужно тестировать на практике, а факты — перепроверять. А если решение ИИ удачно — стоит вести отдельный файл с заметками, чтобы важные мысли не потерялись в истории чата. Когда диалог с нейросетью зашел в тупик из-за неверной исходной мысли, лучше сжать диалог в короткое саммари и начать снова.

Сегодня Владимир уже работает над новым амбициозным шагом — планирует научить систему заранее определять, как детали телескопа будут менять форму при охлаждении до космических температур. С помощью смелости, понимания своего дела и ИИ-инструментов любой молодой специалист может брать ответственность за задачи любого уровня.