DSA Faculty
API
← к списку преподавателей

Темирханов Азиз Арсенович

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: 27266
Публикаций
2
Языков
1
Наград
3
Конференций
1
Профиль Публикации (2) Курсы (9)

Профессиональные интересы

машинное обучениегенеративные модели

Должности

  • Младший научный сотрудник — Факультет компьютерных наук, Институт искусственного интеллекта и цифровых наук, Научно-учебная лаборатория методов анализа больших данных
  • аспирант — Факультет компьютерных наук, Институт искусственного интеллекта и цифровых наук, Научно-учебная лаборатория методов анализа больших данных
  • Приглашенный преподаватель — Факультет компьютерных наук, Департамент больших данных и информационного поиска

Био

  • · Начал работать в НИУ ВШЭ в 2021 году.

Образование

  • 2023 · Магистратура: Национальный исследовательский университет "Высшая школа экономики", специальность «Прикладная математика и информатика», квалификация «Магистр»
  • 2020 · Бакалавриат: Национальный исследовательский университет "Высшая школа экономики", специальность «Информатика и вычислительная техника», квалификация «Бакалавр»

Опыт работы

  • · 04.2019 - 10.2021: Computer Vision инженер, facemetric

Награды и поощрения

  • · Благодарность департамента больших данных и информационного поиска НИУ ВШЭ (июнь 2025)
  • · Благодарность старшего директора по научным исследованиям и разработкам НИУ ВШЭ (август 2024)
  • · Лучший преподаватель — 2024

Конференции (1)

Показать все
  • · 2021: ACAT 2021 (Daejeon). Доклад: Robust Neural Particle Identification Models

Идентификаторы исследователя

Публикации (2)

Performance Modeling of Data Storage Systems using Generative Models

2025 · ARTICLE · en

High-precision systems modeling is one of the main areas of industrial data analysis. Models of systems, their digital twins, are used to predict their behavior under various conditions. In this study, we developed several models of a storage system using machine learning-based generative models to predict performance metrics such as IOPS and latency. The models achieve prediction errors ranging from 4%–10% for IOPS and 3%–16% for latency and demonstrate high correlation (up to 0.99) with observed data. By leveraging Little’s law for validation, these models provide reliable performance estimates. Our results outperform conventional regression methods, offering a vendor-agnostic approach for simulating data storage system behavior. These findings have significant applications for predictive maintenance, performance optimization, and uncertainty estimation in storage system design.

DOI ↗ PDF ↗

Фундаментальная модель для временных рядов и как ее (не) обучать на синтетике

2025 · ARTICLE · ru

В индустрии нередко возникает необходимость одновременно строить прогнозы по большим наборам временных рядов. Однако мы можем оказаться в ситуации, когда обучение отдельной модели для каждого из них невозможно или слишком затратно. Эта проблема в моделировании временных рядов остается без должного внимания. Средством ее решения может служить создание фундаментальной модели (foundation model), рассчитанной на прогнозирование в режимах zero-shot и few-shot. В данной работе мы рассматриваем ключевой вопрос: целесообразно ли обучать такую фундаментальную модель на синтетических данных или лучше использовать лишь ограниченное число реальных примеров. Наши эксперименты проведены только для регулярных временных рядов и свидетельствуют в пользу использования исключительно реальных рядов. Более того, выбор исходного набора данных существенно влияет на качество на этапе инференса. Если даже имеется доступ лишь к ограниченному количеству коротких временных рядов, их использование в рамках контролируемого обучения дает лучшие результаты, чем обучение на большем объеме синтетических данных.

DOI ↗

Курсы (9)