Оставьте свои контакты
и мы свяжемся с вами в ближайшее время!
Атрибуция более чем 100 млн товаров технологиями ML без обучения модели
E-commerce
Для крупнейшего китайского интернет-магазина была разработана инновационная ML-модель, которая размечает атрибуты товара (цвет, размер, материал, длина платья, модель рукава и др), сопоставляя текстовое описание и изображение.
В данном случае, данных для обучения ML-моделей, к сожалению, нет. То есть мы не можем полагаться на те данные, что у нас есть для тренировки. Предварительная оценка показала, что только в 16% товаров цвет был заполнен одним из значений, которые мы впоследствии хотим видеть в фильтрах.
Кроме того, товаров очень много – более 100 млн. Заполнять атрибуты вручную для каждого товара займет слишком много времени и ресурсов, которые тратить никто не готов.
Отличительной особенностью нашего решения является использование новейшей модели CLIP (Contrastive Language-Image Pretraining), которая предназначена для zero-shot и one-shot обучения, а также способности правильно сопоставлять текстовое описание и изображение.
Технология успешно интегрирована во внутренний пайплайн и используется для более чем 100 миллионов товаров.
итоги
> 90%
Точность без обучающего набора данных
с 16% до 83%
Увеличилось покрытие списком атрибутов
Ecommerce
Распознавание и классификация изображений (image recognition / classification) / Обработка текстов на естественном языке (text classification, test similarity, NLP)
Horeca
Наш клиент — ресторан "Узбечка" сталкивается с несколькими проблемами, затрудняющими точную оценку спроса и оптимизацию операционных процессов. Возникают сложности в расчете выручки на следующий период из-за изменяющихся внешних факторов, а также ошибки в оценке спроса приводят к излишним затратам на приготовление блюд, списанию продуктов и неэффективному использованию персонала. Кроме того, ресторан имеет внутренний KPI на приготовление заказа (2 минуты), который необходимо соблюдать.
Предсказание количества чеков в ресторане/Предсказание спроса (demand prediction, demand forecasting)
В качестве решения мы предложили ML-модель для прогнозирования спроса и оптимизации операционных процессов. Данная модель основана на анализе исторических данных о количестве заказов, интеграции внешних данных, таких как погодные условия, и создании обучающегося алгоритма для прогнозирования ожидаемого количества заказов на горизонте в две недели вперед.
итоги
-12%
Снижение затрат на продукцию
2 минуты
Соблюдение KPI на приготовление заказа
100%
Прозрачное и точное планирование выручки
HoReCa
Оптимизация продуктовых заготовок и повышение эффективности персонала в сети ресторанов "Узбечка" с помощью прогнозирования спроса
В результате мы смогли достичь всех поставленных бизнес-задач и добиться:
• Оптимизации ресурсов
Благодаря точному прогнозированию спроса, ресторан может рассчитывать оптимальное количество персонала на зале и кухне, чтобы обеспечить высокое качество обслуживания и соблюдение внутреннего KPI по времени приготовления заказа.
Благодаря точному прогнозированию спроса, ресторан может рассчитывать оптимальное количество персонала на зале и кухне, чтобы обеспечить высокое качество обслуживания и соблюдение внутреннего KPI по времени приготовления заказа.
• Прозрачного планирования
Благодаря прогнозам спроса и ожидаемой выручке, ресторан может более точно оценить соответствие текущих показателей с плановыми и произвести расчет необходимого среднего чека
Благодаря прогнозам спроса и ожидаемой выручке, ресторан может более точно оценить соответствие текущих показателей с плановыми и произвести расчет необходимого среднего чека
• Управления запасами
Прогнозы спроса помогают ресторану оптимизировать заготовки продуктов, избегая излишков или нехватки материалов производства и снижая связанные с этим затраты.
Прогнозы спроса помогают ресторану оптимизировать заготовки продуктов, избегая излишков или нехватки материалов производства и снижая связанные с этим затраты.
Персонализированные рекомендации видеоконтента на обучающей фитнес-платформе
Из-за большого выбора контента на фитнес-платформе fitstars пользователи не могут выбрать подходящий курс и быстро покидают сайт, не продевая подписку. На основе анализа исторических данных о паттернах поведения пользователей на платформе, была разработана разработана ML-модель, которая предоставляет персонализированные рекомендации видео-уроков, подходящих его уникальным потребностям и предпочтениям.
В текущем решении используются системы user based и item based, где подбор рекомендаций основан на анализе предыдущего поведения пользователей и сравнении их между собой или с аналогичными объектами. В user based подходе рекомендации подбираются на основе действий похожих пользователей (например, смотревших одинаковые уроки), а в item based - на основе анализа характеристик объектов (например, тренеров или типа спортивной нагрузки).
В данном случае, на фитнес-платформе fitstars используются и user based, и item based подходы для персонализации рекомендаций видео-уроков.Кроме того, система учитывает дополнительные данные, такие как наличие спортивного инвентаря, времени, которое человек может потратить на тренировку, его цели и уровень подготовки пользователя.
итоги
на 6 минут
увеличилось среднее время проведенное на сайте
+7%
Рост конверсии
EdTech
Рекомендательные системы (recomendation systems)
EdTech
AI-модель для определения тональности обращения и тегирования сообщений от пользователей
FinTech
Для работы американской многонациональной финансовой технологической компании, управляющей системой онлайн-платежей на иностранном рынке требовалось обязательное выполнение требований регулятора, а именно — приоритетная и оперативная обработка претензий от пользователей.
Разработанная AI-модель автоматически распознает тему запроса в службу поддержки и контекст диалога с оператором по всем используемым каналам коммуникации, включая live-chat, email и звонки, и передает информацию о наличии претензии соответствующему сотруднику. Если решение вопроса затягивается, то система готовит короткое описание (summary) вопроса для передачи его другому специалисту.
итоги
29%
экономия времени сотрудников службы поддержки
100%
Удовлетворение требований регулятора для работы компании в текущем регионе
FinTech
Обработка текстов на естественном языке (text classification, test similarity, NLP)
Подбор и замена фона rich-контента для производителей
Digital
Компании тратят миллионы на создание rich контента, изготовление дизайнерских фотографий товара в подходящей обстановке. Это всегда большие расходы на фотографов, аренду и логистику. Наше решение: нейронная сеть, подбирающая и генерирующая подходящее окружение (интерьер, пейзаж или модель человека) для любого товара, позволит существенно снизить себестоимость этого процесса без потери качества.
Используемые системы генеративных сетей и диффузионных моделей обладают способностью анализировать текстовую информацию и трансформировать ее в высококачественные изображения, соответствующие данному описанию.
Используемые системы генеративных сетей и диффузионных моделей обладают способностью анализировать текстовую информацию и трансформировать ее в высококачественные изображения, соответствующие данному описанию.
Процесс состоит из нескольких этапов: ML-модель удаляет текущий фон, находит подходящий интерьер или изображение человека и генерирует финальное уникальное изображение. Процесс подбора фона или персонажа (модели человека) может быть дополнен дополнительными алгоритмами или методами, например, с использованием алгоритмов компьютерного зрения для более точной сегментации и интеграции изображений.
итоги
146 000 руб
экономии на профессиональной съемке одной линейки товара
1 день
на подготовку сотни уникальных изображений
DIGITAL
Генерация изображений (image generation)
Улучшение расстановки товаров и мониторинг цен конкурентов на полках с помощью AI
Retail
Для PepsiCo была интегрирована передовая AI-модель распознавания товаров и ценников на полках магазина, путем интеграции с мобильным приложением для аудиторов. В данном решении использовалась модель image detection, оптимизированная для работы в режиме реального времени на ресурсах мобильного телефона.
Технология распознавания изображений в оффлайн ритейле позволяет компьютерным системам анализировать и идентифицировать содержимое изображений: анализировать видеопотоки с видеокамер магазина и путем анализа потокового видео с девайсов и распознавать объекты, включая полки, ценники, товары и покупателей.
итоги
13%
снижение расходов на трудозатраты мерчандайзеров и аналитиков
Retail
Распознавание и классификация изображений (image recognition / classification), real-time on device models
В данном случае система распознавания помогала быстро, непосредственно во время записи с видео на телефоне определить корректность расположения товаров на полках согласно планограмме, распознать товары и их цены, и предоставить анализ корректности оговоренных цен на товары производителя в данной точке продаж и сравнение с ценами на товары производителя и его конкурентов других точках продаж. По результатам данного анализа становится возможным выявить нарушения в работе персонала, обеспечивающего товарное расположение на полках магазинах, а также оперативно производить коррекцию ценовой политики, исходя из цен в различных точках и цен на товары конкурентов.
Как итог — улучшить мерчендайзинг и повысить эффективность продаж для PepsiCo и других компаний в сфере розничной торговли.
Отслеживание аномально-высоких нагрузок на сервера компании
Поиск аномалий (anomaly detection)
Ecommerce
Ecommerce
Падение серверов в результате ошибок или аномально высоких нагрузок для крупного e-commerce ведет к большим потерям — даже несколько секунд недоступности сайта может привести к потери миллионов долларов.
В случае с нашим клиентом, крупнейшей американской розничной сети универмагов в США системная архитектура огромна и нет возможности учитывать вручную отслеживать все параметры, влияющие на ее работоспособность.
Используя технический стек технологий big data стек клиента на основе технологий Apache, инфраструктуры GCP и дашборда Grafana мы интегрировали в него разработанную ML модель на основе Hierarchical Temporal Memory (HTM), способную отслеживать аномалии в работе серверов описывающая их причины. Именно это внедрение помогло избежать более 20 потенциально приводящих к падению серверов ошибок во время проведения Black Friday.
итоги
более 20
крупных ошибок было отслежено во время проведения крупнейшей распродажи (Black Friday)