Честно говоря, узнал от вас впервые! Причем когда-то давно я что-то подобное пилил самостоятельно на yaml+python-docx но потом решил все-таки разобраться в Latex и теперь на Word смотреть не могу. Круто! Может еще поразбираюсь на досуге) Может возникнуть одна задачка.

Да, исходные данные в виде xlsx или csv таблиц. Они хранятся в отдельных объектах, поэтому их могут редактировать не только расчетчики. Таблицы могут быть отправлены на расчет в фоновом режиме ( без загрузки интерфейса Jupyter), и сложиться в тимцентр в виде измененного расчета и отчета.

Предполагаю, что невалидные ходы игнорируются, а ей выдается отрицательный Reward. Доп информацию извлечь возможно и не получится, но они утверждают, что таким образом у алгоритма появляется более эффективное векторное представление среды.

Если аудио в текст, то потеряет конечно. Если аудио в вектор, то как раз может такие вещи и ловить. Трансформация в вектор обучаемая.

Да, но в AlphaZero были заложены правила игры. Условно говоря, она не могла сделать неправильный ход. В MuZero правила игры не заложены, ей просто дали доску, и давай на ней учись.
На самом деле там очень хитро устроено, моя ламерская интерпретация: MuZero обучена делать свое нейросетевое представление игры, с которым она взаимодействует с помощью метода Monte-Carlo tree search. AlphaZero взаимодействует Monte-Carlo tree search с самой игрой.

Насколько можно судить, они любой входной поток кодируют в векторное представление, а не просто в текст (как было бы, если использовалась сторонняя нейронка под обработку голоса). Соответственно эти вектора могут содержать больше информации, полезной нейронке, и ей с ними легче работать. Это предположение, свечку не держал.
И еще, такой же подход помог алгоритму MuZero обучиться лучше играть в игры, чем AlphaZero. MuZero сам учился выстраивать свое векторное представление игры (например Шахмат или Го), а не использовал навязанное человеком.

Классный вопрос, спасибо!
А взаимодействие есть, просто раскрыть эту тему в одном абзаце в статье не получится. Полагаю сделаю отдельную статью вообще про работу в PLM с расчетами, и в частности с Teamcenter.
Но если вкратце, сейчас у заказчика реализован механизм, когда расчеты Jupyter хранятся и запускаются через Teamcenter. Расчетчик просто запускает свои расчеты через кнопку из Тимцентра, результаты расчета в виде пдф-отчетов и файлов .ipynb и .py хранятся в Тимцентре. Объект расчета может быть связан с конструкцией (по которой делается расчет), а также его можно отправлять по рабочему процессу.

Как только запрос возникнет, обязательно учтем!

Тут все от целеполагания зависит. В моем варианте пользователи работали на Word и Excel (как и на 100% предприятий, которые я видел), поэтому логично было учитывать их потребности.
Что касается Линукс-дистрибутивов, у Питона и Jupyter с этим проблем явно не возникнет. Не думаю, что возникнет проблема у Питона с аналогами MS Office на Linux, поэтому переделка под новые реалии много времени не займет.

Спасибо!
В статье в конце есть ссылка на код с небольшой инструкцией по запуску.
Более проработанную методичку наверное сделаем, попробую свой обучающий курс по расчетам в Python реализовать с автоматизированным отчетом. Мне кажется студентам будет полезно, я в универе о такой штуке мечтал)