О проекте:
- Компания находится на стадии «Zero to One» и создает уникальную B2B SaaS-платформу для разведки месторождений критических металлов (золото, медь, литий).
- Цель — дать малым («юниорным») компаниям точность прогнозов уровня KoBold Metals, сохраняя 100% конфиденциальность их данных.
Технология:
- Federated Learning (FL). Данные клиентов (Excel/CSV) остаются на их локальных машинах. Нейросеть обучается локально, передавая на сервер только защищенные «веса», усиленные Differential Privacy (дифференциальная приватность).
Стек:
- ML: Python (PyTorch), FL-фреймворки (Flower / PySyft).
- Privacy: Differential Privacy (шумы Гаусса/Лапласа), Secure Aggregation.
- Data: Pandas/Polars (работа с «грязными» геохимическими таблицами).
- 3D: PyVista / GemPy (визуализация прогнозных тел и расчет объемов — Volume Calc).
Чем предстоит заниматься:
- Разработать архитектуру федеративного обучения для табличных данных.
- Внедрить механизмы зашумления весов для исключения утечки данных из ячеек Excel.
- Создать модуль «умного» маппинга колонок для разных форматов таблиц.
- Реализовать 3D-модуль для динамического пересчета прогнозных моделей.