Платформа АСТРА ИИ (ASTRA AI Platform)

«Платформа АСТРА ИИ (ASTRA AI Platform)» включено в реестр российского ПО: реестровая запись № 34728, решение Экспертного совета (протокол № 593пр от 29.07.2026). Правообладатель — ООО "АИБ". Заявление № 368033 от 01.06.2026.

Статус: Включено в реестр · Этап: В реестре · ПО

Номер заявления: № 368033, зарегистрировано 01.06.2026
Правообладатель: ООО "АИБ"
Реестровая запись: Реестровая запись №34728 от 18.08.2026
Классы ПО: 04.06 Средства разработки программного обеспечения на основе нейротехнологий и искусственного интеллекта; 10.01 Средства обработки Больших Данных (BigData); 11.01 Инструменты извлечения и трансформации данных (ETL); 11.03 Средства аналитической обработки в реальном времени (OLAP); 11.04 Средства интеллектуального анализа данных (Data Mining)

О продукте

Платформа для разработки и развертывания ИИ-решений. Визуальная среда для построения и отладки в режиме low code через визуальное редактирование пайплайнов. ML Ops модуль - cервисно-ориентированный low-code модуль создания и внедрения ML/AI‑конвейеров для обработки и анализа различных типов данных. LLM Ops модуль - интеллектуальный роботизированный модуль разработки и интеграции безопасных AI-агентов для автоматизации бизнес-процессов, конвертации и бесшовной интеграции данных. Платформа обеспечивает инструменты для анализа данных, обработки естественного языка и реализации задач предиктивной аналитики в медицине, промышленности и других областях

Что умеет

ML Ops модуль – интеграционный low-code модуль предиктивной аналитики и анализа больших данных, предназначенная для обработки структурированных и неструктурированных массивов данных, обучения моделей искусственного интеллекта для задач создания баз знаний. В. Функциональные возможности модуля: 1. Администрирование пользователей и ролей ● Функционал администратора: создание пользователей через CMS сервис (развернутый на платформе). ● Личный кабинет пользователя: персонализированный интерфейс для управления аккаунтом (изменение почты, пароля, ФИО, включение двухфакторной аутентификации). 2. Организация и управление проектами ● Управление проектами: организация проектов с возможностью добавления датасетов, дашбордов, рабочих областей обучения и использования моделей. ● Модуль импорта/экспорта: перенос проектов, рабочих областей, обученных моделей, датасетов и дашбордов между аккаунтами. 3. Хранение, интеграция и формирование данных ● Возможность хранения структурированных данных с использованием внутренних хранилищ для таблиц, временных рядов и других форматов (внутренняя файловая система). ● Интеграция с базами данных: подключение к ClickHouse для высокопроизводительных аналитических запросов, PostgreSQL для реляционных данных и MongoDB для неструктурированных документов. ● Формирование датасетов из внешних БД (инструмент извлечения и трансформации данных (ETL)), импортируемого датасета или файлового хранилища ● Автоматическая валидация датасета при созданиии 4. Визуализация и дашборды ● Визуализация данных: отображение временных рядов, табличных данных и изображений с поддержкой зума и управлением легендой. ● Поддержка основных типов графиков: ○ Линейный график ○ Столбчатая диаграмма ○ Круговая диаграмма ○ Гистограмма ○ Ящик с усами ○ Свечной график ○ Тепловая карта ○ Точечная диаграмма (двумерная) ○ Точечная диаграмма (трёхмерная) ○ Трёхмерный график поверхности ● Запускаемые (исполняемые) дашборды: создание интерактивных панелей с выносом параметров блоков для удобной динамической настройки. ● Экспорт визуализаций в изображения, таблиц и текста. 5. Препроцессинг и подготовка данных ● Структурирование и препроцессинг временных рядов и табличных данных: нормализация, заполнение пропусков, агрегация и фильтрация. ● Препроцессинг текстов: токенизация, лемматизация и векторизация. ● Возможность подготовки обучающего и валидационного датасета ● Создание датасетов для классификации изображений ● Автоматизированные пайплайны для последовательной обработки данных. 6. Обучение, настройка и управление моделями ML ● Обучение моделей: ○ Обучение моделей классификации: ■ Категориальный наивный байесовский классификатор ■ Бернуллиевский наивный байесовский классификатор ■ Комплементарный наивный байесовский классификатор ■ Категориальный наивный байесовский классификатор ■ Модель Catboost для классификации ■ Дерево решений для классификации ■ Логистическая регрессия ■ Случайный лес для классификации ■ Модель XGBClassifier ■ Модель поиска аномалий ■ Метод k-ближайших соседей для классификации ■ Стекинг классификация ■ Метод опорных векторов для классификации ■ Гауссовский наивный байесовский классификатор ■ Нейронная сеть для классификации ■ Нейронная сеть для классификации изображений ■ Метрическая классификация изображений ■ Мультиноминальный наивный байесовский классификатор ○ Обучение моделей кластеризации: ■ Агломеративная иерархическая кластеризация ■ Кластеризация DBSCAN ■ Кластеризация K-Средних ■ Кластеризация OPTICS ■ Карты Кохонена ■ Кластеризация K-Средних для временных рядов ○ Обучение моделей регрессии (включая обработку временных рядов): ■ Байесовская гребневая регрессия ■ Дерево решений для регрессии ■ Модель Catboost для регрессии ■ Нейронная сеть для регрессии ■ Метод k-ближайших соседей для регрессии ■ Лассо регрессия ■ Линейная регрессия ■ Регрессия частично наименьших квадратов ■ Полиномиальная регрессия ■ Случайный лес для регрессии ■ Гребневая регрессия ■ Стекинг регрессия ■ Метод опорных векторов для регрессии ■ Модель XGBRegressor ■ ARIMA/ARIMAX ■ ETS ■ SARIMA/SARIMAX ■ Prophet ● Подбор гиперпараметров (поиск по сетке) для оптимизации параметров моделей. ● Сохранение моделей: хранение пользовательских моделей ML с метаданными для повторного использования. ● Определения метрик моделей для сравнения ○ Классификация ■ Метрики: accuracy, F1, precision, recall ■ Визуализация по сравнению: ROC-кривая, Матрица ошибок, сравнительные таблицы ○ Регрессия ■ Метрики: RMSE, R2, MAE, WMAPE ■ Визуализация по сравнению: Точечная диаграмма Факт – Прогноз, Линейный график обучающей выборки, Линейный график валидационной выборки, Линейный график прогноза модели, сравнительные таблицы ○ Кластеризация ■ Метрики: Silhouette, Calinski, Davies ■ Визуализация по сравнению: сравнительная таблица метрик, таблица статистики по кластерам, таблица размеров кластеров, ● Построение глубоких нейронных сетей. Математический инструментарий для создания архитектур по слоям. Использование пресетов архитектур нейронных сетей. ● Использование моделей. Применение (инференс) на новых датасетах, интеграция в пайплайны. 7. Вычислительные ресурсы и ускорение ● Возможность использования графических процессоров (GPU) на платформе для ускорения обучения моделей и обработки больших данных. ● Управление распределением задач, обрабатываемых с помощью GPU. 8. Функциональные возможности ● Возможность применения технологии распределенных вычислений ● Средства аналитической обработки данных в реальном времени ● Средства мониторинга для контроля состояния платформы ● Средства горизонтального и вертикального масштабирования при изменении нагрузки на платформу LLM Ops модуль
интеллектуальный роботизированный модуль платформы АСТРА ИИ для разработки и интеграции безопасных ИИ-агентов для автоматизации бизнес-процессов, конвертации и бесшовной интеграции данных. Модуль сочетает возможность создания своих собственных ИИ-агентов и применение уже готовых шаблонов для интеграции в инфраструктуру. 1. Функциональное особенности модуля ● Визуальный конструктор на основе узлов: Модуль предоставляет дополнительный интерфейс рабочей области для создания направленных ациклических графов для рабочих процессов ИИ. Пользователь модуля может соединять компоненты (LLM, промпты, инструменты, память) для построения и визуализации рабочих процессов без глубоких навыков программирования. ● Мультиагентная оркестрация: Возможность создания сложных систем, где несколько специализированных агентов сотрудничают для решения комплексных задач. Включает управление взаимодействием между агентами и делегирование задач. 2. Функциональные возможности ● RAG (Retrieval-Augmented Generation): Встроенные компоненты позволяют создавать системы RAG, предоставляя LLM возможность взаимодействовать с пользовательскими наборами данных, векторными базами данных и выполнять семантический поиск. ● Модели: Поддержка локально развернутых LLM моделей ● Поддержка MCP: Действует как клиент и сервер в рамках протокола MCP. ● Настройка и расширяемость: Пользователи могут создавать кастомные компоненты с использованием Python для расширения функциональности, включая специализированную обработку данных или интеграции с API. 3. Функциональные возможности агентов ● Разработка агентного ИИ: Поддерживается создание автономных агентов, которые могут использовать инструменты, обращаться к базам данных и принимать решения для выполнения многоэтапных действий. ● Управление памятью: Агенты имеют встроенную, настраиваемую память чата для сохранения контекста между сессиями. 4. Интеграция и экосистема ● Инструменты: Интеграция с векторными базами данных, поисковыми провайдерами и загрузчиками файлов. ● Экспортируемые потоки: Рабочие процессы можно экспортировать в виде JSON-файлов для обмена. Стек, библиотеки и фреймворки платформы АСТРА ИИ ● Стек BE ○ Python (SQLAlchemy, FastAPI, LangChain) ○ Kafka ○ Redis, MongoDB, PostgreSQL ○ Kubernetes ○ Pydantic (Валидация данных). ○ SQLAlchemy (PostgreSQL) ○ Асинхронные задачи (Celery+Redis) ○ Инфраструктура (Docker) ○ Поддержка BE библиотек и фреймворков: kafka-python, ujson, pymongo, mongomock, tornado, aiokafka, motor, aiofile, pandas, cryptography, aiofiles, starlette, SQLAlchemy, psycopg2-binary, asyncpg, alembic, Pillow, itsdangerous, Werkzeug, fastapi-users, httpx, Jinja2, python-dotenv, pycasbin, uvicorn, fastapi, fastapi-users-db-sqlalchemy, slowapi, redis, aiosmtplib, dill, pydantic, pydantic_core, emailvalidator, svglib, CairoSVG, pyotp, celery, opentelemetry-api, opentelemetry-distro, opentelemetryexporter-otlp, opentelemetry-exporter-otlp-proto-common, opentelemetry-exporter-otlp-proto-grpc, opentelemetry-exporter-otlp-proto-http, opentelemetry-instrumentation, opentelemetryinstrumentation-asgi, opentelemetry-instrumentation-asyncio, opentelemetry-instrumentationfastapi, opentelemetry-instrumentation-logging, opentelemetry-instrumentation-redis, opentelemetry-instrumentation-sqlalchemy, opentelemetry-proto, opentelemetry-sdk, opentelemetry-semantic-conventions, opentelemetry-util-http, prometheus-fastapi-instrumentator, prometheus_client, annotated-types, anyio, argon2-cffi, argon2-cffi-bindings, asgiref, bcrypt, beautifulsoup4, cachetools, caio, cairocffi, certifi, cffi, chardet, charset-normalizer, click, connection, cssselect2, defusedxml, Deprecated, dnspython, exceptiongroup, google, google-api-core, googleapi-python-client, google-auth, google-auth-httplib2, google-auth-oauthlib, googleapis-commonprotos, greenlet, h11, httpcore, httplib2, httptools, idna, limits, lxml, makefun, Mako, MarkupSafe, numpy, oauthlib, packaging, passlib, protobuf, pwdlib, pyasn1, pyasn1_modules, pycparser, PyJWT, pyparsing, python-dateutil, python-multipart, pytz, PyYAML, reportlab, requests, requests-oauthlib, rsa, sentinels, six, sniffio, soupsieve, tinycss2, typing_extensions, tzdata, uritemplate, urllib3, uvloop, watchfiles, webencodings, websockets, wrapt, amqp, async-timeout, billiard, click-didyoumean, click-plugins, click-repl, kombu, prompt_toolkit, vine, wcwidth и др. ● Стек DS ○ Python с библиотеками torch, ○ transformers, opencv ○ Поддержка DS библиотек и фреймворков: dill, numpy, pandas, scikit-learn, scipy, psutil, sentencepiece, opencv-python, statsmodels, xgboost, plotly, tensorflow, scikeras, Pillow, aiomisc, protobuf, kubeflow-training, kubernetes, docx2txt, clickhouse-driver, pymystem3, gensim, pdf2image, pytesseract, tensorflow-addons, tslearn, ocpp, pymorphy2, prophet, optuna, pmdarima, pydot, category-encoders, catboost, graphviz, torch, torchvision, transformers, tensorflow ● Стек FE ○ React 18 ○ TypeScript(TS, TSX) ○ ReactFlow ○ Redux Toolkit + RTK Query ○ Axios ○ React Router v6 ○ Material UI ○ Vite ○ HTML + CSS ○ GitLab

Свидетельство Роспатента: № 2026619634 от 06.04.2026
Код ОКПД 2: 58.29.14 Средства разработки инструментальные и программное обеспечение языков программирования на электронном носителе
ИНН правообладателя: 9701198637
Государство регистрации: Россия
Документация: aib.pro
Стоимость и лицензия: aib.pro

По карточке заявления на сайте реестра, обновлена там 25.05.2026.

Решения Экспертного совета

Включить в реестр — протокол № 593пр от 29.07.2026, голосование: за 24, против 0, воздержались 1; поручение оператору от 18.08.2026
- Класс программного обеспечения: Средства разработки программного обеспечения на основе нейротехнологий и искусственного интеллекта, Интеллектуальные средства управления экспертной деятельностью
- Иностранное программное обеспечение, имеющее сходство функциональных характеристик: Oneclick.ai, C3 Ai, Conundrum Ai, H2O Ai, SAS Viya, Neuton AI, KNIME Analytics Platform
- Специальный признак об отнесении программного обеспечения к сфере искусственного интеллекта: Устанавливать

История заявления

18.08.2026 — реестровая запись № 34728
29.07.2026 — решение Экспертного совета: Включить в реестр (протокол № 593пр)
01.06.2026 — появилось в списке со статусом «Включено в реестр»

Другие продукты правообладателя

АСТРА ИИ Хаб (ASTRA AI Hub) — Готовится экспертная оценка
АСТРА ИИ Код (ASTRA AI Code) — Включено в реестр
АСТРА ИИ Цифровой офис (ASTRA AI Digital Office) — Включено в реестр
RAZUM AI EDU — Включено в реестр
BASIS AI — Включено в реестр
RAZUM AI — Включено в реестр
RAZUM AI SOLUTIONS — Включено в реестр
BAUM AI PREDICT — Включено в реестр

Все заявления — ООО "АИБ"