Что мы делаем на заказ
ml услуги
Реализация сложных систем, использующих компьютерное зрение, предиктивные алгоритмы, обнаружение аномалий и любые другие компоненты, ассоциирующиеся с искусственным интеллектом. Мы проведем анализ задачи, проконсультируем, как именно необходимо собирать и размечать данные. Разработаем необходимые алгоритмы и реализуем их на Python. Обеспечим взаимодействие с уже имеющимся у вас кодом или работающей системой.
Если Вы задумываетесь об автоматизации того или иного процесса с помощью умных алгоритмов, мы можем помочь. Мы знаем возможные подводные камни, с которыми Вы можете столкнуться при попытке применить машинное обучения в Вашей задаче. Вам лучше узнать о них (или об их отсутствии) до того, как приняты окончательные решения.
Мы можем изучить разработанную в Вашей компании систему, использующую алгоритмы машинного обучения, предложить Вашей ML-команде новые подходы решению задачи. Предлагаем пути качественного и количественного улучшения
Одно из самых важных и «дорогих» решений на пути создания AI-продукта: сбор данных для обучения. Ошибки на этом этапе приводят или к задержке создания продукта из-за необходимости повторного сбора данных, или к созданию неспособной показать достаточную точность системы.
- Принятие решений и AI — курс для менеджеров и технических руководителей.
- Введение в машинное обучение — курс для технических специалистов.
- Глубокое обучение — продвинутый курс для технических специалистов, предполагает знание основ машинного обучения.
- Введение в компьютерное зрение — курс для технических специалистов, предполагает знание основ машинного обучения.
- Компьютерное зрение с использованием глубокого обучения — продвинутый курс для технических специалистов, предполагает знание основ машинного обучения, основ компьютерного зрения, глубокого обучения.
- Обработка естественного языка — продвинутый курс для технических специалистов, предполагает знание основ машинного обучения.
Проведение научно-популярных лекций на интересующие Ваш коллектив темы.
Примеры научно-популярных лекций в Центре современной культуры «Смена»:
Примеры научно-популярных лекций в Центре современной культуры «Смена»:
Качественная и быстрая разметка данных для задачи компьютерного зрения, а также задачи обработки естественного языка (русского и английского).
экспертиза команды
Компьютерное зрение
Обнаружение аномалий
Обработка естественного языка
Системы рекомендаций
Анализ временных рядов
Цифровая обработка сигналов
Распознавание речи
И другое
Компьютерное зрение
Обнаружение аномалий
Обработка естественного языка
Системы рекомендаций
Анализ временных рядов
Цифровая обработка сигналов
Распознавание речи
и другое
технологии
Python
PyTorch
PyTorch Lightning, Ignight, Catalyst
TensorFlow 1.x/2.x
Keras
MLFlow
Plotly
Gym
CVAT
WebAnno
Docker
Kubernetes
ReactiveX
RabbitMQ
Apache Kafka
Hadoop
Apache Spark
DB
MySQL, Postgres, Reddis, MongoDB, ClickHouse, Elasticsearch
ORM
PonyORM, SQLAlchemy
ROS
С++
Python
PyTorch
PyTorch Lightning, Ignight, Catalyst
TensorFlow 1.x/2.x
Keras
MLFlow
Plotly
Gym
CVAT
WebAnno
Docker
Kubernetes
ReactiveX
RabbitMQ
Apache Kafka
Hadoop
Apache Spark
DB
MySQL, Postgres, Reddis, MongoDB, ClickHouse, Elasticsearch
ORM
PonyORM, SQLAlchemy
ROS
C++
Обнаружение ржавчины. Анализ снимков алгоритмами компьютерного зрения.
кейс 1/6
К нам обратились с задачей обнаружения ржавчины на металлических конструкциях. Фотографии с конструкциями уже были размечены, от нас требовалось разработать систему, способную локализовать ржавчину и определять степень коррозии: от легкой до сильной.
Обнаружение трещин. Анализ снимков алгоритмами компьютерного зрения.
кейс 2/6
Необходимо было обнаруживать трещины в стене, вычислять их длину и ширину. За разметкой снимков обратились к нашей команде.
Сравнение измеренных системой длин трещин разной ширины с действительными длинами этих трещин.
В итоге была разработана система, способная:
- обнаруживать трещины от 0.1 мм в ширину
- вычислять ширину и длину трещины
Обнаружение дефектов на ленте конвейера. Анализ видеопотока алгоритмами компьютерного зрения и обнаружения аномалий.
кейс 3/6
Также был запрос находить признаки износа ленты конвейера, чтобы предотвратить его поломку. На видео представлено демо разработанной системы, которая обучалась без размеченных данных!
Обнаружение аномалий в потоках данных. Анализ потоков алгоритмами обнаружения аномалий.
кейс 4/6
Наша команда решала задачу обнаружения аномалий во множестве потоков данных в реальном времени.
В результате была разработана система, не нуждающаяся в разметке данных, применимая для:
В результате была разработана система, не нуждающаяся в разметке данных, применимая для:
- практически всех видов цифрового трафика
- взаимодействия пользователей с сервисами
- различных типов транзакций и т. д.
Умная альтернатива A/B тестированию. Поиск оптимальных стратегий алгоритмами обучения с подкреплением.
кейс 5/6
Еще одной задачей была реализация системы, способной предсказать, какая стратегия взаимодействия сервиса с пользователями принесет наибольшую прибыль. Использование нашей разработки со временем начинает приносить большую прибыль.
Поиск похожих изображений. Анализ снимков алгоритмами компьютерного зрения.
кейс 6/6
У нас есть экспертиза в области поиска похожих изображений, как в коммерческой разработке, так и в академической сфере. Пример работы представлен на картинке.
Наша система работает в сервисе backit.me
Наша система работает в сервисе backit.me
скачать
презентацию
презентацию
Подписывайтесь!
мы в соцсетях