Алгоритмы ИИ и машинное обучение: “Смотри, тут рыбка. Большая и маленькая”

Нативно поздравляем с 1 марта!) Этот кейс по разработке оценят производители оборудования, крупные промышленники, а еще ваши коты, если они будут рядом при чтении статьи.

Нативно поздравляем с 1 марта!) Этот кейс по разработке оценят производители оборудования, крупные промышленники, а еще ваши коты, если они будут рядом при чтении статьи.

Бизнес любого масштаба сегодня следит за практикой применения ИИ и машинного обучения внутри своей отрасли. Вот несколько примеров, как эти технологии решают весьма крупные и важные задачи. 

Специально приведем их из нескольких направлений экономики:

  • Определение рисков и предсказания рыночных трендов.

  • Распознавания и анализа медицинских изображений.

  • Диагностика заболеваний, разработка новых лекарств и оптимизации процессов ведения медицинских записей. 

  • Также они используются для прогнозирования распространения инфекционных заболеваний и анализа эпидемиологических данных.

  • Анализ поведения покупателей или персонализации маркетинговых кампаний

  • Рекомендации товаров 

  • Обработка и анализа больших объемов данных.

  • Принятие решений на основе данных и разработки стратегии.

  • Складское управление, учет затрат

  • Прогнозирования отказов оборудования

  • Контроль качества продукции.

Как компания по заказной разработке, мы прекрасно понимаем, что в каждом из этих бизнес-процессов свои механики и алгоритмы. Многое зависит от сроков и целей заказчика, текущего состояния его ИТ-систем и требований к стеку.

Рассказываем про один из них. Российская компания, которая занимается в России производством, продажей и установкой специализированного оборудования на рыбоводные хозяйства. Их клиенты — бизнес с собственным ресурсом живой рыбы. При разведении требуется замерять и фиксировать показатели производительности. Так у заказчика появилась идея создать аппарат, который будет способен анализировать и считать рыбу в движении с разными характеристиками. 

Как компания по заказной разработке, мы прекрасно понимаем, что в каждом из этих бизнес-процессов свои механики и алгоритмы. Многое зависит от сроков и целей заказчика, текущего состояния его ИТ-систем и требований к стеку.

Рассказываем про один из них. Российская компания, которая занимается в России производством, продажей и установкой специализированного оборудования на рыбоводные хозяйства. Их клиенты — бизнес с собственным ресурсом живой рыбы. При разведении требуется замерять и фиксировать показатели производительности. Так у заказчика появилась идея создать аппарат, который будет способен анализировать и считать рыбу в движении с разными характеристиками.

Вот они - герои нашего кейса. (После команды наших разработчиков, конечно)

Вот они — герои нашего кейса. (После команды наших разработчиков, конечно)

Знаем, какие вопросы появляются в голове:, а что тут будет делать ИИ? А считать рыбу будут в воде? Реально про живую рыбу говорим? Карп или лосось? Сейчас все расскажем.

Итак: визуализируем аппарат. Это некий лоток на подобие движущейся ленты в аэропорту. Сверху устанавливается оборудование и датчик. Когда мы возьмем рыбу и начнем постепенно выпускать ее на лоток, чтобы заполнить резервуар, именно этот датчик может распознать ее. А после — посчитать, выводя данные на экран технического специалиста. Прибор должен был выйти в продуктив с точностью не менее 90 процентов.

51588660c6d6a46e6b9e39a2b1ea9551.jpg

Проект действительно был интересен именно «живостью» работы и сбора данных для обучения.

b5eaf9bbbe265f724fa6a71477a8ca9e.jpg

В процессе стало понятно, что нужно не только определить вид рыбы, но откалибровать ее по размеру. Это повышало точность счета. Систему мы обучали на разных объектах, данных собрали предостаточно. После чего проходила тестовая и контрольная выборка. 

Для повышения точности результата наши разработчики дополнительно выстроили специализированные надстройки и алгоритмы.

b54d59e5234f635fa55df6c2bdc069dd.jpg

Ну правда ведь, гипнотическая история?
Уберите от экранов особенно впечатлительных представителей кошачьих.

Что круто, по итогу — точность подсчета в финальном решении составила 97%. 

Это был отличный опыт применения не самых сложных, но очень полезных разработок в небольшом датчике. Представьте, какие процессы могут быть проще в вашей ситуации?  

Пишите, если есть вопросы или идея, как применить технологии для решения текущих или будущих стратегических задач. Почта: info@develonica.ru или в наш Телеграмм-канал.

#ЗаказнаяРазработка #ИТ #ИИ #Машинноеобучение #Девелоника

© Habrahabr.ru