- МО и АвтоМО должно быть более «всеядным». Фреймворк FEDOT позволит создавать математические модели для решения предметных задач с возможностью привлечения дополнительных предметных знаний (например, в виде предметных моделей или имитации экспертной логики при построении моделей).
- АвтоМО должно быть более простым и гибким в управлении. Фреймворк FEDOT позволит гибко интегрировать удобные для пользователей решения по управлению задачами МО, а также использовать постоянно пополняемый репозиторий заготовок моделей и генеративных алгоритмов для выращивания собственных решений, что значительно упрощает его использование.
- МО должно быть воспроизводимым. Фреймворк FEDOT позволит сохранять детальное описание конфигураций моделей и процесса обучения, а также саму выращенную модель, что делает полученные результаты воспроизводимыми.
- Ядро фреймворка, сконфигурированное под различные классы задач, например:
для предсказательного моделирования;
для создания моделей системной динамики;
для имитационного моделирования;
-
Библиотека с самостоятельными реализациями интеллектуальных композиционных алгоритмов для идентификации data-driven моделей с различными требованиями к структуре и данным;
-
Отчуждаемые композитные модели (цепочки моделей) для решения конкретных предметных задач (социо-финансовых, гидрометеорологических, физических и др.)
- Наличие высокоуровневого языка описания задачи, позволяющего очень гибко конфигурировать фреймворк;
- Возможность получения моделей с заданным качеством, сложностью, интерпретируемостью (в т.ч. для многокритериальных случаев);
- Возможность получать any-time результат; приостанавливать и возобновлять идентификацию модели;
- Возможность интегрировать многие популярные Python решения с открытым кодом для AutoML/MetaLearning, оптимизации, оценки качества результата и т.д.;
- Повторное использование созданных моделей пользователем или другими пользователями;
- Потоки данных и потоки выполнения