Долговременная машинная память об ученике: от гипотезы до сервиса

Задача

Образовательной платформе нужна долговременная память о каждом ученике: модель, которая отслеживает освоение тем, учитывает забывание и текущее состояние ученика. Журнал оценок и контекст промпта такой модели не дают. Мы поставили задачу как исследование: построить такую память и довести её до сервиса, который платформа может подключить.

Что сделали

• Собрали исследовательскую платформу нейроморфной памяти, около 23,7 тыс. строк Python. Ядро на спайковых нейросетях состоит из 59 модулей в 12 подсистемах; архитектура выводится из компактного генома, вручную её не проектируют. Код открыт.
• Построили модель ученика: она отслеживает освоение тем и забывание, оценивает текущее состояние, предсказывает успеваемость и подбирает сложность заданий.
• Добавили формальные доказательства на Lean 4 и Mathlib: 21 утверждение о сходимости классической сети Хопфилда, без пропусков (0 sorry). Это переформализация известного результата, спайковое ядро эти доказательства не покрывают.
• Добавили оркестрацию разных типов моделей (SNN, DNN, CNN, RNN и трансформеры): 7 стратегий исполнения, гибридные архитектуры и реестр моделей с шиной сообщений.
• Упаковали всё в микросервис на FastAPI: 32 эндпоинта, проверка состояния, Docker-образ, интеграция через Redis и RabbitMQ. В основном бэкенде платформы к сервису подготовлены три точки подключения, но в продакшене этот клиент выключен: исследовательская линия в продуктах не используется.

Результат

10 дней

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

368

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

21

утверждение Lean 4 о классической сети Хопфилда без пропусков (0 sorry), проверено компилятором Lean; спайковое ядро эти доказательства не покрывают

32

REST-эндпоинта микросервиса, из них 12 относятся к модели ученика; подсчёт по коду роутеров

Услуги

Другие кейсы