Алгоритмы ИИ и машинное обучение: “Смотри, тут рыбка. Большая и маленькая”
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.
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.
Команда Девелоники принялась за разработку системы машинного зрения с применением ИИ, нейросетей и алгоритмов для распознавания и подсчета живой рыбы. Пришлось оперативно обучить нейросеть на примерах, собрать это все в систему и не один раз протестировать. На все про все - 2 месяца активной и продуктивной работы.
Наши ребята устанавливали на прототип аппарата заказчика софт, камеру и устройство для связи с компьютером. Занимались его программированием.
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.
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. Вот наша почта: info@develonica.ru и телеграмм-канал, будем рады общению.
Красивое