До 60%

рост эффективности бизнеса

Внедрение технологий машинного обучения позволяет бизнесу находить и реализовывать точки роста доходов и сокращения издержек

Автоматизация рутинных процессов

Прогнозирование и поиск инсайтов

Оперативное реагирование

Выявление мошенничества

Как мы работаем

Наша команда может реализовать как весь спектр работ, так и подключиться на одном из этапов

1 этапИсследование бизнеса
Анализ бизнес-процессов и формирование прикладных гипотез для покрытия потребностей компании
2 этапСбор данных
Анализ накопленных данных компании и обеспечение сбора данных. Извлечение бизнес-инсайтов
3 этапРазработка ML-модели
Разработка и тестирование ML-решения под бизнес-задачу, в т. ч. с использованием NovaML
4 этапВнедрение и сопровождение
Внедрение, сопровождение и корректировка модели по первым результатам для максимизации эффекта

Кейсы внедрения ML

Сервис анализа рецептур битума на основе ии

Для компании «газпромнефть – битумные материалы» осуществлялся проект по прогнозированию свойств битумов по средствам анализа их инфракрасных спектров. Были разработаны пайплайны данных и модели машинного обучения под каждое из целевых свойств рецептуры. Технология была интегрирована в приложение под windows 10 с возможностью дообучения.

Проект обеспечил точность прогнозирования свойств битумов в диапазоне 85-95%, удовлетворяя требования заказчика. Инструмент ускорил процесс анализа свойств в 7 раз (от 7 дней до 1-го), и оптимизировал работу лаборатории.
Генерация дизайна интерьера с помощью ии

Был реализован сервис на основе ИИ в который пользователь загружает картинку своей комнаты, выбирает желаемые параметры и нейронная сеть генерирует несколько интерьеров комнаты с учетом мебели которую может произвести компания SLON. Сервис также был интегрирован с ресурсами компании.

После разработки и интеграции, удержание клиентов на сайте и следственно конверсия повысились на 25% и 15% соответственно.
Сервис аналитики на основе ai

Проект занимается агрегацией информации о большинстве сайтах в интернете. Сайт содержит данные о посещениях, пользователях, рекламных компаниях сайтов. В рамках проекта для metrica.guru были созданы регрессионные модели для заполнения пропусков в базе данных с использованием методов Искусственного Интеллекта такие как нейронные сети.

По итогам работ было создано 4 предиктивных веб-сервиса с точностью предсказаний 95%, с помощью которых было снижено количество пропусков на 25% что способствовало повышению качества данных и удовлетворённости пользователей.
Алгоритм принятия решений для «оплата позже»

В рамках сервиса Yota «Оплата позже» был реализован проект по созданию модели кредитного скоринга для оценки кредитоспособности клиентов. Модель дает в ответ вероятность того что человек погасит кредит, на основе чего делается вывод о том выдавать в долг или нет.

Была запущена модель кредитного скоринга, обеспечивающая эффективные кредитные решения в рамках услуги «оплата позже», с установлением постоянного мониторинга для обеспечения точности и эффективности модели.
Детектирование людей на картинках с дрона
Реализовывалась задача детектирования людей на снимках, сделанных дроном, при помощи нейросетевой модели yolov8. В основу проекта лег анализ и обработка набора данных heridal. Главной задачей было достичь максимально высокой точности и скорости в процессе обнаружения объектов, что позволило бы создать надежный инструмент для анализа аэрофотоснимков.

Обученная на датасете heridal модель yolov8 показала следующие результаты:
- Точность: 73%
- Скорость: 142,86 fps