Машинное обучение — это крайне широкое понятие, включающее в себя использование различных математических моделей для решения тех или иных задач. Визитная карточка ML — это способность модели совершенствоваться в точности своих прогнозов и решений на основе обучающих данных (датасетов).
Где можно применять машинное обучение
Машинное обучение и искусственный интеллект находят свое применение практически во всех направлениях бизнеса
Нашей командой было реализовано более 100 проектов по машинному обучению, начиная от классификации клеточных колоний для Института Стволовых Клеток Человека заканчивая участием в создании классификатора трехмерных объектов в детекторе заряженных частиц для ЦЕРНа.
Стоит также учесть, что искусственный интеллект применяется не только в производстве, но также и во многих других распространенных процессах: рекрутинг, маркетинг, продажи, закупки, техническая поддержка, документооборот, безопасность.
сельское хозяйство
производство
электронная коммерция
медицина
Какие задачи решает машинное обучение
Работа с изображениями и видео
Классификация, сегментация, детектирование и подсчет объектов на фото и видео
- Детектирование брака на производстве - Классификация медицинских снимков - Распознавание типов продукции и подсчет ее количества - Подсчет людей - Анализ геологических снимков - Контроль соблюдения техники безопасности - Pаспознавание поз человека - Mодерация контента
Где применяется:
Работа с аудиозаписями и текстом
Распознавание и синтез естественного языка, поиск речевых паттернов и сущностей, определение эмоционального окраса
- Голосовые ассистенты - Чат-боты - Контроль соблюдения скрипта операторами - Подсчет людей - Системы помощи и подсказок - Классификация и обработка документов - Матчинг данных - Анализ и компиляция текста - Подбор релевантных новостей или статей
Где применяется:
Построение предиктивных и прогнозных моделей, анализ данных
- Построение финансовых моделей - Предсказание маржинальности, спроса, товарных остатков, загруженности производства - Имитационное моделирование - Построение скоринговых моделей - Process mining
Где применяется:
Генерация текста, изображений и видео
— Написание статей — Чат-боты — Генерация картинок и постов в социальных сетях — Генерация рекламных баннеров — Динамическая дорисовка рекламных баннеров до нужного формата
Где применяется:
Проконсультируем по всем возможностям технологии машинного обучения, проработаем наиболее перспективные сценарии использования
Оставьте ваши контакты, и мы перезвоним для консультации
Нажимая кнопку «Отправить» вы соглашаетесь сполитикой обработки персональных данных
Наши кейсы
Классификация поражений кожи
3 месяца
Срок реализации
Определять основные характеристики кожи по фото лица с телефона.
В рамках реализации мобильного приложения для сети клиник было необходимо разработать модель, определяющую основные характеристики кожи лица. При этом модель должна была обрабатывать фото за доли секунды.
01 Совместно с заказчиком была осуществлена подготовка и разметка датасета из более 3000 изображений в нашем разметчике CVAT. 02 Для обнаружения поражений кожи за основу бралась модель Fpn_vgg16 в комбинации с Feature Pyramid Network, которая использовала предсказания Vgg16 на каждом своем уровне. Для мобильной версии модель была преобразована в Tflite. 03 Разработан ансамбль моделей определяющих следующие показатели: тип поражения кожи (угри или прыщи), тяжесть поражения кожи в процентах, тип кожи (сухая, жирная, комбинированная).
Изображений было использовано для обучения нейронной сети
3000
Скорость обработки фото на мобильном устройстве
в
0,5
%
Случаях достигнута точность классификации поражений
97
сек
Классификация моделей брендовых сумок
3 месяца
Срок реализации
Определить бренд и модель сумки по фото, сделанному в домашних условиях.
Для заказчика (маркетплейс брендовых сумок, ресейл) было необходимо разработать модель, на вход которой подается загруженное пользователем фото сумки, а на выходе определяется ее бренд и модель для определения рекомендованной цены продажи.
01 Совместно с заказчиком был осуществлен сбор датасета более чем из 45 000 изображений, для увеличения объема часть датасета была синтетически сгенерирована нашими специалистами. 02 Были обучены и настроены модели для детектирования сумок и последующей их классификации. 03 Классификатор реализован на базе Resnet50, 400 эпох, 32 картинки в батче.
Изображений использовано для обучения нейросети
45000
Точность классификации
%
95
Самых популярных моделей сумок определяет нейросеть
175
Создание диалоговых ботов в чатах по криптовалюте
4 месяца
Срок реализации
Написать систему диалоговых ботов, имитирующих общение на тему криптовалют и отвлеченные темы для поддержания вовлеченности подписчиков сообществ в Телеграм.
Задача была в создании инструмента, помогающего в раскрутке сообществ на тему критровалют в Телеграм. Для этого была создана система управления диалоговыми ботми. Сложность была в том, что тематика криптовалют достаточна специфична с точки зрения обилия отраслевой терминологии и слэнга, что осложняет обучение ботов до уровня общения, неотличимого от человеческого.
01 Для обучения диалоговой модели был проведен парсинг 25 релевантных телеграм-каналов и проведена выгрузка релевантных диалогов (более 100 000 записей). 02 Проведена очистка диалогов от стоп-слов и нежелательных тематик (названия определенных момент, недоброжелательное общение и т.д.). 03 На собранных диалогах проведено обучение модели на основе GPT-3 Davinci. 04 Создано несколько режимов общения ботов: боты инициируют общение с пользователями, боты отвечают на реплики пользователей, боты общаются друг с другом. Настроена работа ботов по расписанию, приближенному к расписанию людей (время активности, cон). 05 Создана панель управления ботами: создание ботов, добавление и удаление ботов из каналов, выбор режимов работы, статистика по активности, логирование событий.
Записей было использовано для обучения ботов тематике криптовалют
100000
Увеличилась скорость прироста новых подписчиков
раз
3
Увеличилась активность в чатах
10
раза
в
в
Срок реализации
4 месяца
Искусственный интеллект в медицине: классификация и подсчет колоний микроорганизмов