МО (MACHINE LEARNING)

МО (MACHINE LEARNING) – это технология обучения компьютеров без программирования с помощью алгоритмов обработки Big Data (структурированных
и неструктурированных данных больших объемов). Причем при увеличении количества данных качество обучения улучшается. Компьютеры, роботы, устройства на алгоритмах самообучения контактируют с человеком и адаптируют свое поведение.

  • Контролируемое обучение: алгоритм обучается на примерах,
    в которых известны входные данные и правильные ответы.
  • Неконтролируемое обучение: алгоритм обнаруживает
    закономерности в данных самостоятельно.
  • Усиленное обучение: алгоритм вознагражден или
    оштрафован за действия, предпринимаемые им методом
    проб и ошибок.

Во всех случаях компьютер извлекает уроки из данных, структурированных (таблицы) и неструктурированных (электронные письма, сообщения в соцсетях) без программирования, варьируя решения с течением времени.

Без глубокого обучения программное обеспечение (ПО) дает много ошибок. С глубоким обучением – более корректная информация.

Преимущества

Интеграция корпоративного ПО *

Кардинально новые решения

Гарантия планового отключения от внешних
энергоресурсов, независимость потребителя

Увеличение гибкости при внедрении
комбинации приложений

Усиление преимуществ, если приложение
на интегрированной платформе

* Интеграция корпоративного ПО – способность отдельных приложений обмениваться информацией и участвовать в рабочих процессах внутри отделов и между ними. Эксперименты
с новыми комбинациями более универсальных и интеллектуальных приложений позволят машинам усовершенствовать методы работы друг с другом и с людьми.

возможности использования мо

1

Индивидуальное
обслуживание клиентов

2

Обработка
финансовых операций

3

Анализ резюме
при поиске специалистов

4

Распознавание образов для автоматического обнаружения аномалий: идентификация
позволяет выявлять и предотвращать мошеннические транзакции в режиме реального
времени даже для ранее неизвестных видов мошенничества. Это алгоритмическая
безопасность, включая взлом компьютеров и кибербезопасность.

5

Визуальное управление полками: фото
полок и МО автоматически определяет
отсутствующие или неправильно
отображаемые предметы.

6

Заказ и покупка товаров: вместо
ручного поиска сделать снимок
предмета, и система через базу данных
ищет совпадение или ближайший
эквивалент с последующей
возможностью заказать.

7

Отслеживание точечных дефектов,
которые человек может легко
пропустить. Например, поврежденные
детали или узлы трубопровода -
тысячи аэрофотоснимков. Итог:
техобслуживание или замена.

8

Виртуальное общение: платформа
для создания понимающих людей
ботов с технологиями для обработки
текстов на естественном для
человека языке.

9

Анализ данных с расчетом
отдачи от инвестиций

10

Снижение затрат
при распознавании платежей

Пример

У нас реализован алгоритм анти-спуфинга в КБИ, который
позволяет выявить фальсификацию данных для получения
незаконных преимуществ.

Предобучен против таких векторов атак, как:

  • Mask attack (попытка надеть маску и представить лицо
    системе идентификации);
  • Printed attack (попытка распечатать фото себя или кого-то
    еще на бумаге и поднести его к камере);
  • Replay attack (попытка предъявить системе экран другого
    устройства, на котором воспроизводится заранее записанное
    видео с другим человеком).

Работает на базе рекуррентных нейронных сетей – анализирует
несколько последовательных кадров, а не один – существенное повышение вероятностей определения векторов атак.

Есть возможность дообучения под камеру для повышения
вероятностей правильного определения спуфинга.

Пример: программно-аппаратный комплекс для автоматического управления подвижным транспортным средством. Система
использует наши алгоритмы обнаружения и распознавания
препятствий на основе нейросетей, а также вычислительные
ресурсы видеопроцессора.

Задачи, решаемые датчиками

Собственный алгоритм на базе двух архитектур и техники ускорения

Нейронная сеть принимает на вход изображение с камеры,
на выходе выдаёт меточное изображение

Достоинства:

  • использование методики DeepFeatureFlow для работы
    в реальном времени
  • использование глубоких признаков для решения задачи
    обнаружения объектов

Остались вопросы?

Заполните данную форму и наши специалисты свяжутся
с Вами в ближайшее время и бесплатно проконсультируют