Общее
Плюсы
Заинтересованная рабочая сила (?) (4-10 чел => 400-1000 человеко-часов)
Минусы
Нужно платить деньги
Участники выбираются конкурсом
ТЗ утверждается 15 января
Время на управление командой + обучение
Требуются компетенции для помощи участникам (Product Owner, Mentor, TechLead)
Разработка длится до конца семестра (Хотя можно частично публиковать фичи)
Распознавание почерка
Сложная
Поиск текста на картинке
Распознавание русского
Распознавание английского (Mapthpix)
Latex (Mathpix)
Понятно, как строить пайплайн ±-
Не угнаться за лучшими индустриями (SoTA) решениями по точности
Найти данные
нужны деньги на тренировку visual трансформера
Пример: распознавание доски го по фото
Авторазметка графа
Доп задача: интерактивная корректировка графа на основе общения с пользователями
Нет предела совершенству. Новые методы и технологии выходят регулярно
Заманить участников интересными исследованиями и экспериментами
Мы сами не обладаем экспертностью
Нужно придумать как оценивать качество результата
Огромная неопределённость по времени и результатам
Написание LMS
Просто поставить задачу
Очевидная польза для УТП
Может показаться скучной, хотя есть примеры с mipt.tech (трижды)
Но в отличие от мипттеха, непонятно в чём интерес студентам этим заниматься
Трек: распознавание рукописных конспектов
Формулировка задачиПостроить пайплайн распознавания: «картинка/скан конспекта → распознанный текст → поиск по тексту на изображении/в документе → (опционально) формулы в LaTeX», с фокусом на русский и английский, и интеграцией результата в продуктовый контур (например, индексирование для поиска/помощника).
Область задачиComputer Vision + OCR/HTR (handwritten text recognition) + обработка документов (PDF/изображения) + (опционально) формульное распознавание в LaTeX.
Состав и компетенции
1–2 ML/CV инженера (OCR/HTR, качество, датасеты/аугментации).
1 backend-инженер (сервис распознавания, очереди/хранилища, API).
1 frontend/UX (интерфейс загрузки, просмотр/правка распознавания, поиск по конспекту).
Поддержка: TechLead + Mentor (особенно из‑за сложности и данных/метрик).
ПерспективыФича с очевидной ценностью для EduKey: превращает «неструктурный» учебный контент студентов в пригодный для поиска и дальнейшей обработки (в т.ч. RAG) формат, повышая полезность платформы и качество базы знаний.
Контактное лицоVarvara Grigoryan (CEO EduKey), тел. 89107708860.
Трек: авторазметка графа (GraphRAG) + интерактивная корректировка
Формулировка задачи
Создание системы автоматического формирования учебных курсов на основе LLM и базы знаний на основе графа, которая получает на вход материалы от пользователя, его краткое описание и запросы, и на основе уточняющих вопросов, замечаний и предложений моделирует этот учебный курс.
Дополнительное задание: возможность подстраиваться под учебный процесс каждого отдельного ученика.
Область задачиNLP/LLM + Knowledge Graph + GraphRAG + human-in-the-loop разметка/верификация знаний, составление тестов
3-4 ML/AI/DS инженера (извлечение сущностей/отношений, промптинг/агенты, метрики).
0-1 backend-инженер (API, пайплайны, хранение версий графа).
Перспективы
Опыт разработки ИИ процесса в реальном проекте.
Стартап разработка
Возможность остаться в команде после проекта
Трек: написание LMS
Формулировка задачиРазработать базовый функционал LMS (курсы/контент, задания, дедлайны, роли, прогресс, базовая аналитика), с прицелом на интеграцию с AI‑функциями EduKey и поэтапные релизы в течение семестра.
Область задачиКлассическая продуктовая web‑разработка для EdTech (backend/frontend), интеграции, роли/доступы, хранение контента.
1–2 backend-инженера (архитектура, БД, права/роли, API).
1–2 frontend-инженера (личные кабинеты, авторинг контента, UX).
1 QA/инженер по качеству (регресс, приёмка фич).
Поддержка: Product Owner (так как ТЗ утверждается к 15 января и важно управлять объёмом), TechLead.
ПерспективыБыстро даёт понятную продуктовую ценность и усиливает УТП EduKey как платформы (LMS‑контур прямо упоминается как часть продуктового направления).