Проблема: Анализ дорожного движения может оказаться непростой задачей. В частности, одними из распространенных проблем являются перекрывающиеся траектории движения транспортных средств, объекты, движущиеся вне зоны видимости камер. Из-за подобных проблемам у нашего клиента возникали некоторые неточности в его решении, такие как двойная классификация одного и того же объекта, трудности при подсчете транспортных средств и измерении средней скорости.

Решение: Комплексное решение на базе ИИ эффективно анализирует и прогнозирует трафик (транспортные средства, пешеходов, другие объекты) и строит оптимальную модель его обслуживания, что повышает маржинальность бизнеса. По сравнению с решением, которое было у нашего клиента, нам удалось повысить точность детекции на 35% и точность отслеживания траекторий на 30%.

Технический стек: Python, PyTorch, Yolo v5, IOU Tracker

Проблема: Высокие эксплуатационные затраты на определение состояния воздушных высоковольтных линий и низкая точность выявления дефектов традиционными методами.

Решение: За один рейс дрон обследует десятки километров высоковольтных линий электропередачи. Фотографии отправляются на обработку в несколько нейронных сетей. Среди тысяч фотографий искусственный интеллект обнаруживает отклонения от технических норм (дефект изолятора, разрыв линии). Географические координаты объекта с дефектами передаются на пульт диспетчера для планирования графика профилактических работ. В результате профилактическое обслуживание помогает сократить часы работы аварийных бригад и значительно снизить затраты на обслуживание высоковольтных линий.

Технический стек: Python / PyTorch / Yolo5 / Detectron2 / 1С

Проблема: Низкое качество трекинга объектов в системе видеоаналитики из-за ошибок в распознавании даты и времени кадра.

Решение: Для распознавания даты и времени кадра в видеопотоке была выбрана нейронная сеть CRNN. Она была обучена на синтетическом наборе данных (1,5 млн. изображений), состоящем из изображений цифр в различных шрифтах, что стало ключевым фактором успеха. В результате точность трекинга объектов повысилась. Данный подход имеет потенциал использования в других областях, например при распознавании документов (паспорт, водительское удостоверение).

Технический стек: Python / PyTorch / CRNN

Проблема: Отсутствие достоверной и подробной информации о клиентских офлайн-потоках для принятия решений, влияющих на эффективность бизнеса.

Решение: Анализ видеопотока с камер наблюдения, обнаружение людей, построение их треков с использованием технологий компьютерного зрения. Это позволяет накапливать статистику, рассчитывать метрики (например, среднее время ожидание в очереди, конверсию в целевое действие), а также всесторонне анализировать клиентские потоки и находить инсайты с помощью интерактивных отчетов.

Технический стек: Python / OpenCV / Yolo v3 / PyTorch / Airflow / Clickhouse

Проблема: Электросетевые компании ежегодно формируют планы проведения работ по расчистке трасс воздушных линий от древесно-кустарниковой растительности. Сбор данных для этого ведется в ходе пеших осмотров и требует существенных трудозатрат штатного персонала, при этом полученная информация может носить субъективный характер.

Решение: Zeus AI анализирует космические снимки с помощью искусственного интеллекта и предоставляет аналитику контролирующим органам и сетевым организациям для принятия обоснованных управленческих решений. Система детектирует лесные массивы, высоту и породу деревьев.

Технический стек: Python, PyTorch, TensorFlow, OpenCV, Airflow, PostgreSQL

Проблема: Необходимо автоматически классифицировать музейные экспонаты по их описанию или фотографии при внесении в каталог.

Решение: В качества датасета был использован каталог Музейного фонда Российской Федерации. Выбраны и обучены ML-модели, которые эффективно решают поставленную задачу. Классификация изображений реализована на базе нейронной сети EfficientNet-b3. Для классификации текста используются методы TF-IDF и SVM. Для увеличения точности решения применен подход ансамблирования.

Технический стек: Python / PyTorch / EfficientNet / scikit-learn

Задача клиента: Сложные погодные условия, темное время суток, слепые зоны, отвлекающие факторы приводят к травмам на железнодорожном транспорте при посадке/высадке пассажиров: зажатие дверьми, падение между платформой и вагоном.

Решение: Передача рутинных задачи распознавания аномальных ситуаций в области транспортной безопасности на «цифрового помощника» и тем самым снижение роль человеческого фактора в принятия решения за счет более эффективного использования современных аппаратно-программных средств технического зрения. Разработана концепция фреймворка "цифрового помощника" и прототип двух пайплайнов для анализа облака точек, поступающих с камер глубины для идентификации опасных ситуаций в области портала двери общественного транспорта.

Технический стек: Python / OpenCV / PyTorch

Проблема: Информирование IT-департамента компании о строительной готовности объектов для своевременного планирования пусконаладочных работ.

Решение: Разработана информационная система для автоматизированной классификации строительной готовности на базе технологий компьютерного зрения:

• Дрон за один рейс облетает строительную площадку и делает фото объектов.
• Фото загружаются в систему и автоматически определяется класс объекта.
• Формируются отчеты о строительной готовности объектов.

Технический стек: Python / Yolo v5 / PyTorch / Cameratransform / 1С

Проблема: Бизнес теряет / не получает потенциальную прибыль, если:

• у него недостаточно серверов, поэтому клиенты, кто намеревался получить сервис, уходят без него;
• у него настолько много серверов, что затраты на них не стоят количества клиентов, что они могут обслужить.

Это принуждает бизнесы поддерживать хрупкий баланс между "слишком большим" и "недостаточным" количеством активных серверов, что является непростой оптимизационной задачей.

Решение: Имея исторические данные, инструмент под названием sQeduler предсказывает ожидаемое количество клиентов, симулирует, насколько большую прибыль они принесут в разных случаях и, основываясь на этом, предсказывает количество активных серверов, которое принесет наибольшую прибыль.

Технический стек: Python, PyTorch, scikit-learn, statsmodels, pdmarima, SQLite, pandas, scipy

Проблема: Считается, что системы обслуживания FIFO (First In First Out) построены на Пуассоновском процессе. Это в какой-то мере рандомизирует поток клиентов, следовательно, усложняет понимание того, как такая система будет себя вести.

Решение: Модель на основе базы данных, названная QueTEr, симулирует систему обслуживания FIFO с различными параметрами пошагово, планируя множества события и управляя ими с учетом Пуассоновского процесса. После моделирования QueTEr вычисляет ключевые метрики, такие как средняя очередь перед клиентом в момент его прибытия, средние время ожидания и время обслуживания etc., что предоставляет менеджерам информацию, необходимую для принятия решений, улучшающих качество обслуживания.

Технический стек: Python, SQLite, pandas, scipy

Проблема: Разные методы предсказания временных рядов разработаны для временных рядов с разными свойствами (тренд, сезонность, стационарность etc.); это означает, что при предсказании большого количества временных рядов одним методом некоторые из них будут вероятно предсказаны неверно.

Решение: Предобученный классификатор NN4TSF предсказывает лучший метод предсказания (из заранее определенного пула) отдельно для каждого временного ряда; использование индивидуально предсказанных с помощью NN4TSF методов вместо одного определенного снижает MAPE насколько, что NN4TSF превосходит все методы из пула.

Технический стек: Python, PyTorch, scikit-learn, statsmodels, pdmarima

Проблема: Реализация модели прогнозирования средних цен и объемов потребления отдельных групп товаров. Горизонт прогнозирования – 3 месяца. Датасет - данные ФНС РФ, содержащие сведения о ценах и объемах реализации 32 наименований продуктовых товаров, 4 видов ГСМ и потребительских корзин (5 577 874 фактов наблюдений за 821 день по 86 регионам и 79 атрибутам).

Решение: Сформировали обширный пул моделей для исследования (регрессионные, нейронные сети, ARIMA, экспоненциальные). Реализовали и обучили каждую модель, выбрали топ наиболее эффективных (MAPE и RMSE метрики). В случае, если временной ряд получал низкую точность предсказания предложили использовать авторскую корреляционно-регрессионную модель, требующую тонкой ручной настройки.

Технический стек: Python / statsmodels / Keras / pmdarima / scikit-learn

Проблема: Кликбейт – обманный способ привлечения пользователей к тому, чтобы они проследовали к прикрепленному документу; содержание прикрепленной страницы обычно не соответствует ожиданиям пользователя и в некоторых случаях может быть неуместным, оскорбительным или вредоносным.

Решение: Ансамбль моделей WebSemble Light извлекает из прикрепленного документа фрагмент, который должен удовлетворить интерес пользователя, что, вероятно, удержит его от следования по ссылке.

Технический стек: Python, PyTorch, transformers

Проблема: Инструменты для обработки естественного языка (NLP) для немецкого языка достаточно слабо развиты по сравнению с английским; в частности, нет универсальной модели немецкого словоизменения (склонения, спряжения).

Решение: DERBI (модель словоизменения, основанная на регулярных правилах) моделирует словоизменение немецких слов с помощью подобных конечному преобразователю паттернов для регулярных случаев и лексиконов для исключений. Она основана на мощном фреймворке для NLP под названием spaCy и применима вне зависимости от части речи.

Технический стек: Python, spaCy

Проблема: Стандартные маркетинговые инструменты не позволяют компании сгенерировать необходимой поток входящих лидов через такие каналы как Telegram и нетворкинг.

Решение: Был разработан лидогенерирующий Telegram-бот, который от имени Илона - сотрудника компании, ведет диалог с потенциальным клиентом. Персонаж бота знакомит пользователя с техническими опытом компании в области машинного обучения, используя элементы геймификации. Пользователю предлагается испытать на себе возможности искусственного интеллекта: определить эмоциональное состояние по фотографии, спрогнозировать свой доход и многое другое.

Технический стек: Aimylogic