Долговременная машинная память об ученике: от гипотезы до сервиса

Задача

Образовательной платформе нужна долговременная память о каждом ученике: не журнал оценок и не контекст промпта, а модель, которая отслеживает освоение тем, учитывает забывание и текущее когнитивное состояние. Готовые подходы такой персистентной модели не дают, а динамика памяти обязана гарантированно сходиться к устойчивому состоянию. Задачу мы поставили как исследование с доведением до интегрируемого сервиса.

Что сделали

• Мы собрали исследовательскую платформу нейроморфной памяти: ~23,7 тыс. строк Python. Ядро на спайковых нейросетях — 59 модулей и 12 подсистем; архитектура выводится автоматически, а не проектируется вручную, — детали в патентной подготовке и закрыты.
• Мы построили цифрового когнитивного двойника ученика: он отслеживает освоение тем и забывание, оценивает когнитивное состояние, предсказывает успеваемость и подбирает сложность заданий.
• Сходимость динамики ядра памяти мы доказали формально: 22 теоремы и леммы на Lean 4 и Mathlib, 0 sorry. Машинно проверено, что память приходит в устойчивое состояние за конечное число шагов.
• Мы добавили оркестрацию гетерогенных моделей: SNN, DNN, CNN, RNN и трансформеры, 7 стратегий исполнения, гибридные архитектуры и реестр моделей с шиной сообщений.
• Мы упаковали всё в FastAPI-микросервис: 32 эндпоинта, healthcheck, Docker-образ, интеграция через Redis и RabbitMQ. К сервису подключены три потребителя в основном бэкенде платформы.

Результат

10 дней

от первого коммита до релиза с формальной верификацией — срок по датам коммитов в репозитории

368

тест-функций в 37 файлах, включая интеграционные — подсчёт по коду

22

теоремы и леммы на Lean 4 о сходимости ядра памяти, 0 недоказанных мест — проверено компилятором Lean

32

REST-эндпоинта микросервиса, из них 12 — API когнитивного двойника; подсчёт по коду роутеров

Направления

Другие кейсы