Компания создана в 2010 году группой молодых исследователей Института математики им. С.Л. Соболева СО РАН, выпускниками НГУ.

Экспасофт занимается созданием и развитием технологий решения интеллектуальных задач машинными методами – анализ больших данных, машинное обучение, искусственный интеллект, deep learning.

Экспасофт также проводит обучение анализу больших данных по собственным программам. Совместно с компанией в НГУ создана Лаборатория анализа потоковых данных и машинного обучения на ММФ. С 2016 года при организационном участии компании стартовала англоязычная программа подготвки магистрантов по направлению Big Data Analytics на ММФ.

Основные направления работ:

1. Проведение технологических исследований в области машинного обучения: формирование математической постановки задачи, обзор коммерческих решений, изучение передовых научных достижений (взаимодействие с ведущими мировыми научными коллективами), разработка оригинальных алгоритмических решений, конструктивное доказательство разрешимости поставленной задачи путем разработки демонстрационного стенда.

2. Обработка текстов естественного языка: извлечение именованных сущностей/отношений, аннотирование, классификация и кластеризация, создание тематических профилей, поиск дубликатов, анализ тональности; разработка и поддержка онтологий (разработка структуры, методов заполнения, запросов для извлечения данных).

3.Анализ данных на заказ: аналитическое исследование данных, построение прогностических/скоринговых моделей, разработка статистических классификаторов, поиск скрытых закономерностей, восстановление пробелов в данных, фильтрация выбросов.

4. Решение оптимизационных задач: создание математических моделей, разработка решателей с заданными характеристиками точности и быстродействия.

5. Видео и аудио аналитика, биометрические системы: создание технологий и сервисов распознавния изображений, лиц, речевых (звуковых) сигналов, идентификаци дикторов.

Технологический стек компании:
•Artificial Intelligence: Python (Scikit learn, Numpy, Pandas), R (Revolution R), Azure ML, SPSS Climentine, Knime, Vowpal wabbit
•Deep learning: CNN, LSTM, DNN, Café, Theano, Tensor flow
•Natural Language Processing: Rule based, Bag of words, TFIDF, Latent semantic analysis, Word2vec, Doc2vec
•Big Data: Spark, Hadoop, MlLib, AWS (Redshift)