Правильное решение: какие сервисы разработали победители конкурса «Лидеры цифровой трансформации 2022»?

Делимся краткими описаниями лучших цифровых решений по 10 задачам от городских структур и информацией о победителях, разделивших 20 млн рублей.

Мы провели сессии обратной связи, пообщались со всеми финалистами и теперь по традиции хотим рассказать о наших победителях и их разработках.

Стоит отметить, что постановщики каждой задачи заявили о готовности к пилотированию и внедрению прототипов победителей – почти со всеми городскими организациями мы подписали соглашения о включении их в реестр пилотных площадок. Также они уже начали проводить с ребятами рабочие встречи, а кого-то даже пригласили на отраслевой форум, чтобы выступить с докладом о проекте.

Информация о победителях ниже в нашей статье👇

Задача 1. Интерактивная платформа для реализации инновационных идей

Команда «Всё_началось_с_евы»
Команда «Всё_началось_с_евы»

Постановщик: ГБУ «Агентство инноваций Москвы»

Команда-победитель: «Всё_началось_с_евы»

Члены команды: Дмитрий Богадухов (Петрозаводск), Роман Абрамов (Санкт-Петербург), Зарина Тоджибаева (Санкт-Петербург), Владимир Мельников (Петрозаводск), Даниил Вангонен (Петрозаводск)

Решение: «inProject» – сервис для обмена идеями. Искусственный интеллект анализирует информацию о пользователе и его идеях, чтобы предложить следующие возможности:

- если вы хотите создать проект, сервис поможет подобрать участников в команду и порекомендует похожие проекты для анализа

- если хотите поучаствовать в инновационном проекте, система подберет наиболее подходящие.

- для администраторов реализована аналитическая платформа, позволяющая отслеживать тенденции развития проектов и потребности предпринимателей.

Технологический стек:

Frontend: React + Redux + Typescript

Backend: Postgresql (timescaledb extension) + Python + FastApi + Celery + rabbitmq

Аналитика: superset

Прототип команды «Всё_началось_с_евы»
Прототип команды «Всё_началось_с_евы»

Задача 2. Интерактивная карта ВДНХ с персонализированными маршрутами

Команда «LetSquad»
Команда «LetSquad»

Постановщик: АО «ВДНХ»

Команда-победитель: «LetSquad»

Члены команды: Василиса Рудомётова (Москва), Александр Илюшечкин (Москва), Александр Горбенко (Москва), Александр Павлов (Москва), Иван Савоськин (Москва)

Решение: Веб-приложение для отображения интерактивной карты ВДНХ с персонализированными маршрутами для посетителей комплекса.

Реализованный алгоритм для построения маршрутов учитывает такие параметры объектов и событий на ВДНХ, как: тематическая направленность, расположение, время работы, средняя длительность посещения, необходимость покупки билетов и т.д. Также пользователь может выбрать готовый тематический маршрут, составленный экспертами.

Важным элементом приложения является тепловая карта, которая строится на основе исторических данных по загруженности различных объектов ВДНХ. При отображении тепловой карты учитывается день недели и время суток, а также, по желанию пользователя, информация о транспортной и пешеходной загруженности.

Технологический стек:

Frontend: TypeScript, ReactJS и Mapbox для отображения карты.

Backend: Kotlin, Spring Boot и PostgreSQL

Прототип команды «LetSquad»
Прототип команды «LetSquad»

Задача 3. Сервис мониторинга состояния заявок в сфере ЖКХ с использованием алгоритмов машинного обучения

Команда «DUDELKINS»
Команда «DUDELKINS»

Постановщики: Департамент информационных технологий города Москвы и Департамент жилищно-коммунального хозяйства города Москвы

Команда-победитель: «DUDELKINS»

Члены команды: Симеон Панин (Москва), Мария Болотникова (Москва), Владислав Романов (Москва), Никита Зыков (Ереван), Дмитрий Глушков (Москва)

Решение: Портал мониторинга состояния аномальных заявок в сфере ЖКХ, который поможет снизить трудозатраты на их анализ.

С помощью вкладок «Карта» (тепловая и кластерная), «Таблица», «Статистика» операторы смогут получать информативное отображение массива аномальных заявок в удобном для них виде.

Обработка заявок на предмет аномальности происходит в режиме реального времени по 8 классам со скоростью 300 заявок в секунду.

Сервис работает Stateless и может легко скалироваться, а классы аномальности реализованы в виде гибких программных модулей, что позволяет легко изменять логику их работы и добавлять новые.

Также командой были предложены три дополнительных критерия аномальности для мониторинга («плохой отзыв», «отклонение по времени», «несоответствие ожидаемому результату»).

Технологический стек:

Frontend: VueJS

Backend: Golang, PostgreSQL

Neural Network: PyTorch

Прототип команды «DUDELKINS»
Прототип команды «DUDELKINS»

Задача 4. Рекомендательный сервис по выявлению перспективных производственных ниш на основе анализа таможенной статистики

Команда «Практика»
Команда «Практика»

Постановщик: Департамент инвестиционной и промышленной политики города Москвы

Команда-победитель: «Практика»

Члены команды: Сергей Байков (Москва), Роман Лебедев (Москва), Максим Болтенков (Курск), Анастасия Лебедева (Москва)

Решение: Сервис основан на анализе множества разнородных и разнонаправленных факторов (критериев), влияющих на принятие решения об импортозамещении, таких как:

• таможенная статистика;

• нахождение товаров/отраслей в санкционных списках, перечнях параллельного импорта, таможенных и налоговых льгот, планах импортозамещения и др.;

• объем внутреннего потребления;

• наличие и объем собственного производства и т.д.

Каждый критерий имеет свой удельный вес в зависимости от своей значимости и учитывается в отношении товаров/отраслей, поименованных в ТН ВЭД и ОКПД 2.

В результате анализа по каждому товару/отрасли автоматически рассчитывается и присваивается Индекс Импортозамещения, указывающий на приоритетность импортозамещения определенного товара или отрасли.

Вместе все товары/отрасли с присвоенным ИИ, формируют итоговый рэнкинг, в рамках которого можно выделять:

• критически важные для импортозамещения товары/отрасли;

• товары/отрасли, имеющие потребительскую (некритичную) потребность в импортозамещении;

• товары/отрасли, не требующие импортозамещения;

• перспективные ниши, имеющие бизнес-потенциал при запуске их производства на территории РФ.

Выявленные, таким образом, товары/отрасли могут быть детально проанализированы пользователем на основе различных данных, автоматически собираемых в карточке товара/отрасли (дашборд). Такими данными могут быть: количество производителей товара в РФ, виды выпускаемой продукции, количество и объем заказов по 44-ФЗ и 223-ФЗ, количество запросов о приобретении товаров в поиске и маркетплейсах, меры поддержки и др.

Технологический стек:

Frontend: Vue.js, Bootstrap

Backend: MongoDb, Node.js, Express.js, Mongoose

Прототип команды «Практика»
Прототип команды «Практика»

Задача 5. Интерактивная карта для формирования границ территорий Москвы в целях комплексного развития

Команда «null»
Команда «null»

Постановщик: Департамент городского имущества города Москвы

Команда-победитель: «null»

Члены команды: Иван Дёмин (Москва), Виктор Тарасов (Москва), Юрий Кабанцов (Москва), Дмитрий Лапшин (Москва), Александр Баулин (Москва)

Решение: Веб-сервис для формирования границ территорий Москвы в целях комплексного развития.

Решение позволяет выбрать произвольную область на интерактивной карте и сформировать проект индустриального квартала. В процессе формирования пользователь может просматривать на карте границы и информацию о земельных участках, объектах капитального строительства и размещенных организациях.

Принять решение о включении или исключении объекта из проекта индустриального квартала помогает оценка, рассчитанная по заданному алгоритму. В конечном итоге пользователь получает отчет-презентацию для принятия управленческих решений.

Технологический стек:

Frontend: Vue.js

Backend: Golang, PostgreSQL

Прототип команды «null»
Прототип команды «null»

Задача 6. Сервис для расчета рыночной стоимости жилой недвижимости города Москвы

Команда «IDEV»
Команда «IDEV»

Постановщики: Департамент экономической политики и развития города Москвы и ГБУ «Аналитический центр»

Команда-победитель: «IDEV»

Члены команды: Игорь Журавлёв (Киров), Илья Кротов (Киров), Илья Журавлёв (Киров), Максим Арасланов (Киров), Кирилл Катаргин (Киров)

Решение: Сервис позволяет в автоматизированном режиме рассчитывать рыночную стоимость жилой недвижимости города Москвы.

Пользователю достаточно загрузить файл в систему с данными недвижимости, которые подлежат оценке. Затем производится расчет рыночной стоимости пула объектов с помощью подбора аналогов в открытых источниках и их последующей корректировкой относительно объекта оценки по основным ценообразующим факторам.

При загрузке данных сервис:

● Группирует объекты по основным параметрам

● Позволяет управлять содержимым

● Сохраняет файлы импорта на s3 хранилище

● Автоматически корректирует введенный адрес

● Позволяет корректировать ввод адреса на карте

Технологический стек:

Python 3.10, FastAPI + boto3, PostgreSQL + PostGIS, Vue3, TailwindCSS

Прототип команды «IDEV»
Прототип команды «IDEV»

Задача 7. Сервис автоматического разбора и структурирования градостроительных планов земельных участков

Команда «Deep People»
Команда «Deep People»

Постановщик: Департамент градостроительной политики города Москвы

Команда-победитель: «Deep People»

Члены команды: Павел Боюка (Москва), Кира Кузнецова (Москва), Иван Попов (Москва), Полина Романенко (Москва), Никита Драгунов (Москва)

Решение: Сервис автоматического разбора и структурирования градостроительных планов земельных участков со следующим функционалом:

- Извлечение содержания ГПЗУ

- Верификация результатов извлечения

- Отображение исходного документа и html-версии

- Отображение и экспорт результатов извлечения

- Отображение статистики

- Логирование действий пользователя

- Авторизация пользователей и пакетная загрузка документов

Данный сервис позволит более, чем в 360 раз сократить трудозатраты по разбору и структурированию земельных планов.

Технологический стек:

Frontend: React (JS)

Backend: Django REST framework (python), RabbitMQ

Прототип команды «Deep People»
Прототип команды «Deep People»

Задача 8. Сервис формирования задач для москвичей по контролю работ подрядчиков в сфере городского благоустройства

Команда «Good Genius»
Команда «Good Genius»

Постановщик: Главное контрольное управление города Москвы

Команда-победитель: «Good Genius»

Члены команды: Радмир Шакуров (Москва), Станислав Насыров (Самара), Семён Головин (Рязань), Руслан Хайруллин (Туймазы), Ольга Баскакова (Москва)

Решение: Платформа "Живой город" позволяет оптимизировать работы со сметами по благоустройству, а также в короткие сроки подготовить данные для взаимодействия с ЕАИСТ. При работе со сметами используется информация из дополнительных классификаторов и справочников (ФИАС, ОКЕИ и т. д.). Платформа проверяет правильность заполненной сметы, стоимости работ в смете и сопоставляет ключевые позиции с позициями справочника предметов госзаказа. Простой интерфейс платформы позволит в короткие сроки начать работу, не тратя время на её изучение.

Ключевая особенность сервиса – использование вероятностных алгоритмов, использующих возможности библиотеки FastText, расстояние Левенштейна и, как поправочный коэффициент, стоимость позиции.

Технологический стек:

Frontend: React (JS)

Backend: Python, Django

Бизнес-логика: Python, Pandas, FastText, ML

Прототип команды «Good Genius»
Прототип команды «Good Genius»

Задача 9. Веб-платформа для разметки медицинских изображений и генерации диагностических исследований на основе размеченных патологий

Команда «FutureOfMedTech»
Команда «FutureOfMedTech»

Постановщики: Департамент здравоохранения города Москвы и ГБУЗ «НПКЦ ДиТ ДЗМ»

Команда-победитель: «FutureOfMedTech»

Члены команды: Балаи Михеева (Батуми), Максим Кирилюк (Москва), Василий Ганжа (Санкт-Петербург), Никита Дильман (Москва)

Решение: Команда разработала платформу, для хранения, обработки и просмотра DICOM-изображений. Также ребята создали систему менеджмента с возможностью разделения прав: обычный врач-разметчик и более квалифицированный врач, который следит за прогрессом и помогает в разметке сложных областей.

Платформа поддерживает 3 модальности: КТ, РГ, МРТ, имеет суммарно 11 инструментов по манипуляции изображением и его разметке и 1 инструмент-прототип, а также генерацию снимка с COVID-19 и других патологий с возможностью регулирования размера и положения очага поражения, а также количества этих очагов.

Технологический стек:

Frontend: HTML, CSS и JS - React

Backend: Python, django

ML: Python, PyTorch

Прототип команды «FutureOfMedTech»
Прототип команды «FutureOfMedTech»

Задача 10. Рекомендательный сервис для определения оптимальных мест размещения постаматов в рамках проекта «Московский постамат»

Команда «old school»
Команда «old school»

Постановщик: Департамент предпринимательства и инновационного развития города Москвы

Команда-победитель: «old school»

Члены команды: Алексей Ромашов (Пермь), Михаил Гарбузенко (Москва)

Решение: Аналитический портал postamap.ru агрегирует информацию об инфраструктуре, недвижимости, пассажиропотоке и населении Москвы.

По этим данным модель определяет функцию востребованности в каждой локации Москвы и выбирает оптимальные места расположения постаматов.

Интерактивные карты позволяют визуализировать информацию, а дашборд отображать все показатели аналитики местности

Технологический стек:

PHP, JavaScript, CSS, HTML, SCSS, Python

Прототип команды «old school»
Прототип команды «old school»
1212
Начать дискуссию