Давайте проведем краткий обзор основных официальных документов РФ, посвященных технологии ИИ.

1. Национальная стратегия развития искусственного интеллекта до 2030 года

Это один из главных документов в данной области. Он определяет ключевые направления государственной политики в сфере ИИ, а именно:

- Разработку и внедрение передовых ИИ-технологий.

- Поддержку научных исследований и образовательных программ в области ИИ.

- Формирование нормативно-правовой базы, обеспечивающей безопасное и эффективное использование ИИ.

- Содействие внедрению ИИ в государственное управление и сервисы.

- Поддержку стартапов и малых предприятий, занимающихся разработкой ИИ-решений.

Особое внимание уделяется межотраслевому взаимодействию и интеграции ИИ в различные сегменты экономики и социальной сферы РФ.

2. Федеральные программы и инициативы

В рамках реализации национальной стратегии разработаны и действуют несколько федеральных программ и инициатив, направленных на поддержку и развитие ИИ-технологий:

- Федеральная научно-техническая программа развития ИИ на 2019–2030 годы, которая фокусируется на финансировании научных исследований, опытно-конструкторских работ в области ИИ и на создании инфраструктуры для развития ИИ-экосистемы.

- Программа "Цифровая экономика Российской Федерации", которая реализуют проекты, направленные на цифровизацию ключевых отраслей экономики – промышленность, сельское хозяйство, медицину и образование. Особое место занимают проекты по внедрению ИИ-решений и созданию образовательных программ для подготовки специалистов в области ИИ.

- Инициатива "Искусственный интеллект" – это гранты и субсидии на разработку ИИ-технологий, поддержку стартапов и привлечение инвестиций в ИИ-проекты.

3. Отраслевые стратегии и документы

Помимо общенациональных программ, различные отрасли разрабатывают свои собственные стратегии и нормативные акты по теме ИИ. Например:

- Стратегия цифровой трансформации промышленного комплекса про интеграцию ИИ для автоматизации производственных процессов, повышения качества продукции и оптимизации логистических цепочек.

- Документы Министерства здравоохранения РФ, например, стратегия цифровой трансформации здравоохранения, в которой акцент сделан на применение ИИ для диагностики, персонализированного лечения и анализа больших данных в медицинских исследованиях.

- Стратегии цифровизации транспорта и логистики, разрабатываемые Министерством транспорта РФ – активное использование ИИ для управления транспортными потоками, улучшения безопасности и повышения эффективности транспортной системы.

Важно понимать, что ИИ – это не самостоятельно развивающееся направление, а регулируемая отрасль, которая контролируется нормативно-правовой базой.

Целью всех этих документов является создание и развитие эффективной и устойчивой ИИ-экосистемы в Российской Федерации. И мы видим, что в РФ применяется комплексный подход для достижения этой цели (как на макро уровне, так и на отраслевом).

Но выводы были бы неполные без сравнения стратегии развития ИИ в России с другими ведущими странами мира. Каждое государство реализуют свою собственную национальную стратегию, но существуют и общие черты. Давайте разберемся:

- США: В США акцент сделан на частно-государственном партнерстве, ускорении исследовательских инициатив и поддержке инновационных стартапов. Национальная инициатива по искусственному интеллекту (The American AI Initiative) предусмотрена для укрепления лидирующих позиций в ИИ через исследования, стандартизацию, этические нормы и подготовку кадров. Финансирование значительных проектов и использование кластеров инноваций являются ключевыми аспектами.

- Китай: Китайская стратегия "Next Generation Artificial Intelligence Development Plan" ставит цели на мировое лидерство в ИИ к 2030 году. Китай вкладывает значительные ресурсы в исследования и работы, создание государственных и частных исследовательских центров, а также построение междисциплинарных платформ для интеграции ИИ в индустрии и госуправление.

- Европейский Союз: ЕС принял стратегию, направленную на создание единого цифрового рынка (The Digital Single Market) и разработку этических норм для ИИ-разработок. Европейский план также включает значительные инвестиции в исследования, создание централизованных инфраструктур данных и поддержание стандартов безопасности и приватности.

При сравнении цели, приоритетов и мер в развитии ИИ разных стран можно выделить основные различия и сходства, относящиеся и к российской стратегии.

1. Общие цели и приоритеты:

- Технологическое лидерство: Страны стремятся к глобальному лидерству в области ИИ, нацеливаясь на передовые НИОКР и инновационные разработки.

- Образование и кадры: Все страны подчеркивают важность подготовки квалифицированных специалистов, предоставляют гранты и стипендии для обучения.

- Этика и безопасность: Важное место занимают разработка этических норм и обеспечение прозрачности ИИ-систем, защита данных и безопасность решений на основе ИИ.

2. Различия в мерах и подходах:

- Финансирование и управление: В США наблюдается сильная ориентация на частный сектор и венчурное финансирование. В Китае активно используются государственные инвестиции и централизованный подход. Россия, в свою очередь, также сочетает государственное финансирование с стимулированием частных инвестиций.

- Инфраструктурные проекты: Китайские проекты часто включают крупные национальные инфраструктурные инициативы. ЕС уделяет больше внимания распределенной и межнациональной кооперации. Российская стратегия включает в себя элементы обоих подходов.

- Фокус на приложениях: США выделяет приоритетные отрасли, включая здравоохранение, оборону и финансы. Китай направлен на интеграцию ИИ в широком спектре промышленности, от производства до рационального использования городских ресурсов. Россия делает ставку на прикладные решения в областях госуправления, промышленности и безопасности.

Сильные стороны российской стратегии:

- Интеграция всех уровней общества

- Централизованное управление и координация

- Наличие научного потенциала и богатой научной базы

Слабые стороны российской стратегии:

- Недостаток частного финансирования

- Регулирование и бюрократия

- Недостаточное внимание к этическим вопросам и правовые аспекты

В целом, российская стратегия демонстрирует мощный потенциал и желание занять лидирующие позиции в области ИИ, но и требует дополнительного внимания к вопросам финансирования, международной кооперации и соблюдения этических норм для полной реализации.

Было полезно?

Многие застройщики уже начали внедрять ИИ для решения многоуровневых и трудных задач. Помимо улучшения обслуживания клиентов и создания чат-ботов для взаимодействия с ними, ИИ может помогать работать над созданием систем анализа данных и прогнозирования спроса на строительные услуги, анализировать большие объемы данных, учитывать различные факторы (например, сезонные изменения, экономические тенденции, изменения в законодательстве) и делать точные прогнозы. Это позволяет компаниям планировать свою деятельность более эффективно.

ИИ также используется для расчета нагрузок, оптимизации дизайна, управления проектами и многих других задач. Алгоритмы помогают проектировщикам, строителям и дизайнерам принимать обоснованные решения, что способствует более эффективному и успешному завершению проектов.

ИИ – это эффективный помощник по оптимизации процессов строительства и повышение безопасности на объектах. Например, разработка систем мониторинга и управления стройкой с использованием ИИ, которые помогут улучшить планирование ресурсов, уменьшить риски производственных аварий, а также привести все к единым государственным стандартам.

Именно с таким запросом обратилось к нам одно из архитектурных бюро. Они постоянно сталкивались с проблемой длительного процесса проверки 3D-модели зданий на соответствие государственным стандартам в сфере строительства. Этот процесс проводился вручную сотрудниками государственного учреждения и занимал много времени и ресурсов.

Чаще всего при проверке 3D-модели, находятся несоответствия строительным нормам и проект отправляется обратно в компанию, которой необходимо учесть замечания и отправить на повторную экспертизу, обновленную 3D-модель. Этот процесс может длиться месяцами, неделями, годами. От архитектурного бюро поступил запрос – могут ли они получить инструмент, который оперативно и заранее мог бы проверить 3D-модель на соответствие государственным нормам.

Для ускорения этого этапа и минимизации ошибок был разработан алгоритм Prestige, который автоматически анализирует 3D-модель на соответствие государственным нормам.

Алгоритм Prestige принимает на вход IFC-файл и проводит проверку 3D-модели на соответствие ГОСТам и несоответствиям. Этот инструмент позволяет быстро и эффективно выявлять проблемы в модели заранее, что значительно сокращает время на процесс проверки и устранения ошибок.

Наше решение обеспечивает обработку 3D-моделей значительно быстрее, чем это мог бы сделать человек. Процесс занимает всего несколько минут. В конце пользователь  получает детализированный список выявленных несоответствий с нормами.

На фото показан конкретный пример процесса и результата обнаружения несоответствий:

- Лифтовой холл имеет площадь, превышающую определенную норму (Лифтовой холл в квартире номер 1810 имеет площадь более 9.719976 (43.6500049)

- Офис имеет площадь, превышающую установленный норматив (Офис в квартире номер 2501 имеет площадь более 1727.55887 (1789.0485516)

- Женский санузел имеет площадь, которая меньше требуемой нормы (С/у женский в квартире номер 2513 имеет площадь менее 26.403872 (26.4038718)

Эти отклонения указаны четко и конкретно, чтобы архитектурные бюро сразу смогли мгновенно обнаруживать и исправлять критические ошибки, обеспечивая соответствие всем необходимым нормативам.

Преимущества использования алгоритма Prestige для строительных компаний:

• автоматический поиск несоответствий в файлах IFC строительным нормам
• снижение нагрузки на экспертный отдел
• снижение затрат на привлечение сторонних консультаций

Следует отметить, что использование искусственного интеллекта не ограничивается только крупными строительными компаниями. Огромные возможности и точки роста в использовании передовых технологий кроются также для среднего и малого бизнеса.

Если вы хотите провести аудит вашего бизнеса с целью выявления потенциала для оптимизации и внедрения ИИ, пишите мне и записывайтесь на бесплатную консультацию https://t.me/mikhail_shakh

Подробнее о том, как ИИ меняет бизнес-процессы компаний, читайте здесь

Приветствую всех! Меня зовут Михаил Шахмурадян. Я основатель компании AiMono, которая занимается разработкой систем ИИ для бизнеса и помогает бизнесу увеличить доходы!

Я помогаю предпринимателям и топ-менеджерам увидеть новые возможности в развитии бизнеса с помощью моделей и сервисов искусственного интеллекта.

И сегодня я хочу поделиться своей историей того, как я пришел к идее реализации модели искусственного интеллекта для крупных фармацевтических компаний (в частности, компании Pfizer)

Начало Пути

Все началось, когда я был студентом первого курса аспирантуры на экономическом факультете Московского государственного университета. Как и многие аспиранты, я раздумывал о том, на какую тему писать диссертацию. Изначально моя тема была связана с машинным обучением в сфере банкинга, но, по бюрократическим причинам, пришлось искать иную область исследования.

Я начал копать в направлении медицины, чтобы понять, где и как ИИ может быть применен, так как медицина казалась мне довольно нецифровизированной средой, куда можно было бы интегрировать новую перспективную технологию. Выяснилось, что основные направления для внедрения искусственного интеллекта включают:

1. Маркетинг — работать с маркетингом мне было не очень интересно.

2. Аппаратное обеспечение — устройства для  различного типа медицинских анализов, это, конечно было интересно, но диссертационный совет по экономике вряд ли бы принял такую работу.

Поняв это, я начал искать ближайшую к медицине область, где мои навыки могли бы быть полезны. Выяснилось, что фармацевтика — именно та сфера, где можно найти множество интересных вызовов и проблем для исследования. Забегая вперед, стоит сказать, что здесь было все намного более недружелюбно к технологиям, чем в медицине, поэтому поле для работы огромно.

Итак, я решил углубиться в изучение бизнес-процессов крупных фармацевтических компаний, чтобы понять, какие там существуют проблемы и где можно применить ИИ для автоматизации и оптимизации.

Идея для Pfizer

После детального анализа процесса производства нового лекарственного препарата фармацевтическими компаниями я обнаружил несколько ключевых проблем, которые могли бы быть решены с помощью ИИ. Это натолкнуло меня на идею разработать модель ИИ для одной из крупнейших компаний в этой отрасли — Pfizer.

Доход фармацевтических компаний во многом зависят от правильного прогноза долгосрочного развития своих инновационных проектов. Конечно, существуют и другие риски, которые могут не позволить лекарству вообще выйти на рынок, но правильное определение выборки проектов, в которую стоит инвестировать огромные деньги и время является залогом экономического успеха в случае преодоления технических условия разработки и тестирования препарата.

Процесс разработки нового фармацевтического препарата может занимать в среднем 13 лет и 6 месяцев — так дела обстоят, например, в США, крупнейшем фармацевтическом рынке мира. Основную часть этого времени занимают клинические испытания, которые стоят фармацевтическим компаниям десятки или даже сотни миллионов долларов в год. Шансы на успешное прохождение всех этапов разработки и одобрения лекарства составляют всего 11,4%. Иначе говоря, из каждой десятки препаратов, на которые были потрачены средства для клинических испытаний, только один выйдет на рынок.

Но даже после того, как новый препарат получит лицензию на продажу, нет гарантий, что он будет приносить доход и окупится в ближайшие годы. Например, в начале пандемии COVID-19 весной 2020 года многие крупные фармацевтические компании не решались начинать разработку новых вакцин именно по этой причине. У корпораций не было уверенности в том, что на новую вакцину будет достаточный спрос в будущем.

Соответственно, я увидел большую необходимость в разработке методологии дополнительной оценки инновационно-инвестиционных фармацевтических проектов на ранних стадиях (до принятия решения об инвестировании в доклинические и клинические испытания) . Так как разработка новых лекарственных средств — это долгий, дорогой и рискованный процесс, и любое улучшение в процессе оценки перспектив новых препаратов может иметь значительное влияние.

Для ответа на этот вопрос были собраны и использованы материалы Управления по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) США, данные из государственного реестра лекарственных средств Министерства здравоохранения РФ и другие специализированные источники.

Выборка составила 64 инновационных лекарственных средства с 21 характеристикой для каждого, т.е. суммарно 1280 признаков.

Далее была проведена предобработка данных, произведено деление на обучающую и тестовую выборку, определены семь ИИ алгоритмов и проведено обучение.

В результате, только один из алгоритмов, на тестовой выборке,  показал точность прогнозирования 72%, что являлось статистически значимым научным результатом.

Т.е. такая точность позволяла считать выдвинутую гипотезу и методологию оценки экономической рентабельности проектов на этапе их отбора в фармацевтических компаниях проверенной.

Что это дает фармацевтическим компаниям?

Разработанная модель может быть использована фармацевтическими компаниями для предварительной оценки экономической рентабельности инновационных проектов на ранней стадии разработки.

Преимущества использования такой модели для фармацевтических компаний являются:

- Снижение рисков: Возможность прогнозирования экономической рентабельности на ранних стадиях поможет фармацевтическим компаниям принимать более обоснованные решения о вложении средств в инновационные проекты.

- Экономия ресурсов: Снижение вероятности вложения средств в неперспективные проекты, что может значительно сократить затраты на разработку новых препаратов.

После того как я провел тестирование, мне нужно было подтверждение, что проблема действительно существует и что предложенное решение будет полезным для фармацевтических компаний. Я также хотел узнать, смогут ли они использовать его в будущем. В ходе работы мне удалось связаться с представителем компании Pfizer. Он просмотрел мою работу, дал свое заключение и оценил ее позитивно.

Вывод из всей этой истории очевиден: современные технологии, в частности ИИ, предоставляют мощные инструменты для автоматизации процессов в компаниях любого размера. Они не только позволяют прогнозировать будущие продажи, но и способствуют увеличению прибыли и оптимизации затрат.

Было полезно?

Меня зовут Михаил Шах. Я тот человек, который может сделать ваш цифровой ИИ аватар! А еще основатель компании AiMono, которая занимается разработкой систем ИИ для бизнеса и помогает бизнесу больше зарабатывать!

Я помогаю предпринимателям, владельцам бизнеса, руководителям проектов увидеть новые возможности в развитии бизнеса с помощью моделей и сервисов искусственного интеллекта.

В современном мире технологии искусственного интеллекта (ИИ) становятся все более важными и влиятельными инструментами для автоматизации бизнес-процессов. ИИ не только открывает новые возможности для повышения эффективности и производительности, но и радикально трансформирует подходы к ведению бизнеса в различных отраслях. От аналитики данных и управления цепочками поставок до обслуживания клиентов и принятия стратегических решений — ИИ предлагает решения, которые позволяют компаниям оставаться конкурентоспособными в быстро меняющемся деловом окружении.

Почему это важно именно сейчас?

Актуальность темы автоматизации бизнеса с помощью ИИ обусловлена несколькими ключевыми факторами:

1. Рост объемов данных: Современные компании генерируют и обрабатывают огромные объемы данных. ИИ позволяет эффективно анализировать эти данные, выявлять скрытые закономерности и принимать обоснованные решения на их основе.

2. Конкурентное преимущество: Компании, которые внедряют ИИ, могут значительно улучшить свои бизнес-процессы, повысить качество продуктов и услуг, а также быстрее адаптироваться к изменениям на рынке, что дает им существенное конкурентное преимущество.

3. Экономия ресурсов: Автоматизация рутинных и трудоемких задач с помощью ИИ позволяет снизить затраты на рабочую силу, минимизировать ошибки и повысить общую эффективность бизнеса.

4. Персонализация и улучшение клиентского опыта: ИИ-технологии позволяют компаниям лучше понимать своих клиентов, предлагать персонализированные решения и улучшать качество обслуживания, что ведет к повышению удовлетворенности и лояльности клиентов.

Основные сложности на пути к внедрению ИИ в бизнес

Несмотря на очевидные преимущества, автоматизация бизнеса с помощью ИИ сталкивается с рядом проблем и вызовов:

1. Высокие первоначальные инвестиции: Внедрение ИИ-технологий требует значительных финансовых вложений, что может быть обременительно для некоторых компаний, особенно для малого и среднего бизнеса.

2. Недостаток квалифицированных кадров: Разработка, внедрение и поддержка ИИ-систем требуют специализированных знаний и навыков. Найти и удержать таких специалистов становится все сложнее из-за высокого спроса на рынке труда.

3. Этичные и правовые вопросы: Использование ИИ поднимает вопросы этики и конфиденциальности данных. Компании должны соблюдать строгие нормативные требования и учитывать этические аспекты при использовании ИИ.

4. Сопротивление изменениям: Внедрение новых технологий часто сталкивается с сопротивлением со стороны сотрудников и менеджмента, которые опасаются изменений и не всегда готовы адаптироваться к новым условиям.

5. Технические сложности: Интеграция ИИ в существующую инфраструктуру компании может быть сложной и требовать значительных усилий по адаптации и настройке.

Кому стоит задуматься о внедрении ИИ?

1. Предприниматели

• Начинающие предприниматели: Для тех, кто только начинает свой бизнес, ИИ может предложить способы автоматизации задач, что позволит сконцентрироваться на стратегическом развитии и минимизировать операционные издержки.

• Опытные предприниматели: Внедрение ИИ помогает оптимизировать существующие процессы, повысить конкурентоспособность и открыть новые возможности для роста и масштабирования бизнеса.

2. Менеджеры среднего и высшего звена

• Менеджеры по операционной деятельности: ИИ может значительно улучшить управление операциями, логистикой и производством, делая процессы более эффективными и менее затратными.

• Финансовые менеджеры: ИИ-технологии предоставляют мощные инструменты для финансового анализа, прогнозирования и управления рисками.

• Менеджеры по маркетингу и продажам: ИИ помогает анализировать рыночные тренды, предсказывать поведение клиентов и разрабатывать персонализированные маркетинговые кампании.

3. ИТ-специалисты и разработчики

• ИТ-руководители: Для тех, кто отвечает за ИТ-инфраструктуру компании, понимание возможностей ИИ и его интеграция в существующие системы становятся ключевыми задачами.

• Разработчики: Знание практических кейсов использования ИИ помогает создавать и адаптировать новые технологические решения, отвечающие потребностям бизнеса.

4. Консультанты и аналитики

• Бизнес-консультанты: Консультанты, работающие с компаниями по вопросам стратегического развития и оптимизации процессов, должны понимать, как ИИ может быть применен для достижения целей клиентов.

• Аналитики данных: Специалисты, занимающиеся анализом данных, могут использовать ИИ для более глубокого и точного анализа, выявления тенденций и принятия решений на основе данных.

5. Инвесторы и венчурные капиталисты

• Инвесторы: Понимание потенциала ИИ в автоматизации бизнеса помогает инвесторам оценивать перспективность компаний и стартапов, которые внедряют ИИ-технологии.

6. Образовательные учреждения и исследовательские организации

• Преподаватели и исследователи: Академические и исследовательские учреждения могут использовать реальные кейсы для обучения студентов и разработки новых методов и подходов к применению ИИ в бизнесе.

7. Государственные органы и регуляторы

• Политики и регуляторы: Понимание того, как ИИ влияет на бизнес, может помочь в разработке политики и нормативных актов, способствующих развитию инноваций и защите интересов общества.

• Рядовые сотрудники бюджетных учреждений: автоматизация процесса заполнения и анализа типовых документов может высвободить большое количество времени у государственных служащих

Как с помощью ИИ увеличить прибыль бизнеса и сэкономить ваше время?

1. Управление цепочками поставок

• Прогнозирование спроса: ИИ анализирует исторические данные, сезонные тренды и внешние факторы для точного прогнозирования спроса на товары.

• Преимущества: Снижение издержек на хранение, уменьшение дефицита и избыточных запасов.

• Оптимизация маршрутов доставки: ИИ помогает планировать маршруты доставки, учитывая трафик, погодные условия и другие факторы.

• Преимущества: Сокращение времени доставки и транспортных расходов, повышение удовлетворенности клиентов.

2. Производственные процессы

• Прогнозное обслуживание: ИИ анализирует данные с датчиков оборудования для предсказания возможных поломок и необходимости обслуживания.

• Преимущества: Снижение простоев, повышение надежности оборудования и снижение затрат на ремонт.

• Качество контроля: ИИ системы могут анализировать данные с производственных линий и автоматически выявлять дефекты.

• Преимущества: Улучшение качества продукции, снижение отходов и увеличение эффективности производства.

3. Финансовое управление

• Финансовый анализ и прогнозирование: ИИ может анализировать финансовые данные и предоставлять прогнозы и рекомендации по управлению финансами.

• Преимущества: Повышение точности финансового планирования, улучшение управления рисками и оптимизация бюджетов.

• Обнаружение мошенничества: ИИ анализирует транзакционные данные и выявляет аномалии, указывающие на возможные мошеннические действия.

• Преимущества: Снижение рисков мошенничества и потерь, улучшение безопасности транзакций.

4. Маркетинг и продажи

• Персонализированные рекомендации: ИИ анализирует поведение клиентов и предоставляет персонализированные рекомендации по продуктам и услугам.

• Преимущества: Увеличение продаж, повышение лояльности клиентов и улучшение клиентского опыта.

• Анализ рынка и конкурентов: ИИ помогает отслеживать рыночные тенденции и действия конкурентов.

• Преимущества: Более точное определение стратегий маркетинга и конкурентных преимуществ.

5. Обслуживание клиентов

• Чат-боты и виртуальные ассистенты: ИИ-ассистенты могут обрабатывать запросы клиентов в режиме реального времени.

• Преимущества: Снижение нагрузки на службы поддержки, улучшение скорости и качества обслуживания.

• Анализ обратной связи: ИИ может анализировать отзывы и предложения клиентов для улучшения продуктов и услуг.

• Преимущества: Повышение удовлетворенности клиентов и адаптация предложений к их потребностям.

6. Человеческие ресурсы

• Рекрутинг и отбор кандидатов: ИИ анализирует резюме и профили кандидатов, выделяя наиболее подходящих.

• Преимущества: Ускорение процесса найма, снижение затрат на подбор персонала.

• Управление персоналом: ИИ помогает в планировании карьерного роста и обучении сотрудников.

• Преимущества: Повышение мотивации сотрудников, улучшение их квалификации и снижение текучести кадров.

7. Управление рисками и соблюдение нормативных требований

• Анализ рисков: ИИ оценивает риски на основе анализа данных и внешних факторов.

• Преимущества: Улучшение управления рисками, снижение вероятности финансовых потерь.

• Соблюдение нормативных требований: ИИ автоматизирует процесс мониторинга и соблюдения нормативных требований.

• Преимущества: Снижение рисков несоответствия, улучшение репутации компании.

КЕЙС №1 “Как спрогнозировать логистику с точностью более 85%“

Компания: Ground: Intelligent Logistics

Тип компании: Японский стартап

Ниша: Инновационные решения для логистики

Рынок: Логистика в Японии

Ground: Intelligent Logistics – японский стартап, специализирующийся на разработке передовых логистических решений. Компания стремится революционизировать логистику в Японии, внедряя новейшие технологии и методы.

С каким запросом обратилась компания

Цель: Достичь точности более 85% при прогнозировании объема поставок лекарственных препаратов в сеть аптек Токио.

Задача: Исследовать возможность и точность прогнозирования на основе предоставленного набора данных за несколько лет.

Компания Ground: Intelligent Logistics обратилась с запросом на исследование и разработку модели, способной с высокой точностью прогнозировать объемы поставок лекарственных препаратов в сеть аптек Токио. Основная цель заключалась в достижении точности прогнозирования более 85% на основе исторических данных.

Какое решение предложено

Исследование метрик: Проведение анализа предложенной заказчиком метрики оценки качества алгоритмов.

Обучение моделей: Обучение четырех современных комплексов алгоритмов на базе глубоких нейронных сетей.

Методология:

Анализ предоставленных данных и определение ключевых факторов, влияющих на точность прогнозирования.

Исследование и валидация метрики, предложенной заказчиком, для оценки качества алгоритмов.

Обучение и тестирование четырех прогрессивных алгоритмов глубокого обучения.

Сравнение результатов и выбор наилучшей модели.

Для достижения поставленной цели мы предложили провести детальное исследование предложенной метрики качества алгоритмов, а также обучить четыре наиболее передовые на момент исследования комплекса алгоритмов на основе глубоких нейронных сетей. Мы использовали исторические данные для обучения моделей и проведения оценки их точности.

Результат

Ансамбль алгоритмов: Выявление ансамбля алгоритмов, который показал точность более 85%.

Научный отчет: Подготовка детального отчета о проделанной работе.

Передача моделей: Передача обученных моделей с весами для дальнейшего использования и масштабирования.

В результате проведенного исследования был выявлен ансамбль алгоритмов, который после обучения на тестовой выборке показал точность прогнозирования объемов поставок свыше 85%. Мы подготовили научный отчет, в котором детально описали процесс работы, методологию и результаты. Полученные модели с весами были переданы заказчику для дальнейшего использования и масштабирования в их логистической сети.

КЕЙС №2 “Оптимизация сроков и расходов в строительстве с помощью ИИ”

Компания: Акционерное общество «Москапстрой»

Тип компании: Крупная строительная компания

Ниша: Инвестиционно-строительные проекты на рынке жилой и коммерческой недвижимости

АО «Москапстрой» — ведущая строительная компания, занимающаяся реализацией инвестиционно-строительных проектов. Компания работает на рынке жилой и коммерческой недвижимости, предоставляя высококачественные услуги по строительству и развитию инфраструктуры.

С каким запросом обратилась компания

Цель: Разработать систему компьютерного зрения для анализа фотографий строительных объектов, сделанных с квадрокоптера, для определения степени их готовности.

Задача: Создать цифровую информационную систему для контроля хода строительства с динамической оценкой риска выхода за сроки.

Компания «Москапстрой» обратилась с запросом на разработку инновационной системы компьютерного зрения. Основной целью было создание системы, способной анализировать фотографии строительных объектов, сделанные с квадрокоптера, и определять степень их готовности. Это должно было помочь в контроле хода строительства и динамической оценке рисков нарушения сроков.

Какое решение предложено

Определение объекта: Выбор одного строительного объекта для начального этапа (была выбрана бетонная колонна).

Сбор данных: Сбор и разметка датасета с фотографиями выбранного объекта на разных стадиях готовности.

Обучение модели: Обучение модели на базе глубокой нейронной сети для анализа и классификации фотографий.

Разработка прототипа: Реализация прототипа информационной системы для автоматического анализа и оценки степени готовности объектов.

Результат

Прототип информационной системы: Реализованный прототип позволял пользователю загружать фотографии бетонной колонны и автоматически классифицировал процент готовности объекта.

Функциональность:

Определение стадии готовности.

Описание выполненных работ на текущей стадии.

Оценка степени готовности в процентах.

Рекомендации по последующим этапам работ.

В результате был разработан прототип информационной системы, который позволял пользователям загружать фотографии бетонной колонны на разных стадиях готовности. Система автоматически анализировала изображения и классифицировала степень готовности объекта, предоставляя информацию о текущей стадии, описании выполненных работ и рекомендациях по следующим этапам. Это решение значительно упростило контроль за ходом строительства и позволило своевременно выявлять потенциальные риски выхода за сроки.

КЕЙС №3 “Решение для оптимизации бюджета с помощью ИИ”

Компания: Научно-исследовательский институт организации здравоохранения и медицинского менеджмента

Тип компании: Научно-исследовательское учреждение

Ниша: Разработка ИТ-продуктов для научного обеспечения, обучения и автоматизации процессов в здравоохранении

Научно-исследовательский институт организации здравоохранения и медицинского менеджмента занимается разработкой передовых ИТ-решений для улучшения научного обеспечения, образовательных программ и автоматизации процессов в сфере здравоохранения.

С каким запросом обратилась компания

Цель: Разработать систему оценки целесообразности создания новых травмпунктов или амбулаторных отделений травматологии и ортопедии в строящихся поликлиниках.

Задача: Решить проблему дисбаланса в территориальном расположении травмпунктов в Москве и создать систему эффективного регулирования их взаиморасположения.

Отсутствие системы оценки целесообразности создания новых травмпунктов или амбулаторных отделений травматологии и ортопедии является одной из основных причин дисбаланса в их территориальном расположении. Для решения этой проблемы в Москве была поставлена задача разработать систему, которая могла бы эффективно регулировать размещение травматологических пунктов. Это решение также может быть применено для планирования расположения любых сетевых учреждений.

Какое решение предложено

Создание виртуальной карты: Создание виртуальной карты города Москвы с отмеченными действующими амбулаторными отделениями травматологии и ортопедии.

Дискретизация карты: Разделение виртуальной карты на квадраты для детального анализа.

Расчет времени: Вычисление времени, необходимого пациенту для того, чтобы добраться до ближайшего травмпункта и времени ожидания в нем для каждого квадрата.

Оптимизация размещения: Расчет общего времени от получения травмы до оказания помощи по всей Москве и определение наилучших мест для новых амбулаторных отделений с целью минимизации этого времени.

Результат

Разработка алгоритма: Создание специализированного математического алгоритма для оценки эффективности существующей сети амбулаторных травматологических подразделений и оптимального распределения новых подразделений в Москве.

Функциональность системы:

Оценка текущей эффективности сети амбулаторных травматологических подразделений.

Определение наилучших мест для строительства новых травмпунктов.

Снижение среднего времени на дорогу и ожидание в очереди для пациентов.

В результате был разработан специализированный математический алгоритм, который оценивает эффективность существующей сети амбулаторных травматологических подразделений и помогает оптимально распределить новые подразделения по территории Москвы. Система искусственного интеллекта предложила наилучшие места для строительства новых травмпунктов, что позволило значительно снизить среднее время на дорогу и ожидание в очереди для пациентов.