Контекст

Клиент: НПО в здравеопазването

Индустрия: Медицина

Проблем:

Неправителствена организация, работеща с деца, търсеща начин да оптимизира лечението на абнормални поведения. Как можем да засичаме и разпознаваме такива поведения и жестове и да предоставим надеждни данни на лекуващия лекар?

Съществуващо решение:

Наблюдение от лекар – неосъществимо без прекъсване и неефективно при наблюдение на над 3 пациента. Успешно регистриране и разпознаване на 40-50% от случаите на абнормално поведение.

Нашето решение

Прототип на гривна със сензори, улавящи мулти-модални данни, генерирани от движението на пациента.

Класификационен модел за разпознаване, базиран на мулти-модални отпечатъци за всеки жест (нормален или абнормален).

Обучаване на модела с доброволци, покривайки над 20 жеста.

Използвани технологии:

• Сензори за движение, ToF сензори, микрофон
• Класификационни модели

Контекст

Клиент: Производител на елементи

Индустрия: Металургия

Проблем:

Производител, опериращ поточна линия от елементи с отпечатани номера и кодове върху тях. Повърхността на елементите е грапава и отразява светлина, отпечатаният код или номер може да бъде завъртян под произволен ъгъл. В някои от случаите, елементите са нагрети и излъчват светлина. Как можем да разчитаме и разпознаваме надеждно тези кодове и номера и автоматично да регистрираме кой елемент се намира на поточната линия?

Съществуващо решение:

Частично решение с 3 камери и точност около 15%. Липса на решение при горещи, излъчващи светлина повърхности.

Нашето решение

Система от край до край, състояща се от сензори за заснемане, комбинация от модели за обработка на изображения и необходимия хардуер.

Интеграция с базите данни на клиента и използване на серийни интерфейси, според специфичните системи на предприятието.

Използвани технологии:

• Камери с филтри и осветление
• Енкодери
• Конфигурация от няколко класификационни и регресионни модела
• Сървърна инфраструктура

Контекст

Клиент: Вендор за рециклирани акумулатори

Индустрия: Автомобилна

Проблем:

Предприятие, рециклиращо акумулатори за автомобили след дълги периоди на съхранение трябва да гарантира пред клиентите си, че акумулаторът е годен. Как може да се оценят качествата на акумулатор без да се изпълява пълен цикъл на разреждане и зареждане?

Съществуващо решение:

Пълен цикъл на разреждане и зареждане, отнемащ 12 часа. Емпирични тестове с ниска точност (около 50%), произвеждащи множество фалшиво позитивни сигнали.

Нашето решение

Модел, класифициращ дали даден акумулатор отговаря на определени критерии. Използват се данните от бърз тест, който събира над 140 характеристики на акумулатора и се търси решение чрез еволюционни стратегии и корелационен анализ.

Използвани технологии:

• Класификация на времеви редове
• Невронни мрежи

Контекст

Клиент: Производител на машини за логистика

Индустрия: Логистика / Машиностроене

Проблем:

Производител на оборудване за логистика, чиято поддръжка се оскъпява значително след 1-2 години експлоатация. С цел намаляване на риска, клиентите закупуват удължена гаранционна поддръжка до 5 години. Как можем да пресметнем цената на тази поддръжка така че тя да е конкурентна, но и печеливша за производителя?

Настоящо решение:

Ръчен труд от специализиран служител с над 40 години опит, който се оттегля от компанията.

Нашето решение

Модел, генериращ препоръчани цени, обучен на данни за продажбите за 10 години и досиетата за поддръжка на над 40 различни вида машини. Взимащ под внимание допълнителни фактори като инфлация.

Минимална консумация на ресурси и лесна интеграция в работните среди на служителите.

Използвани технологии:

• Централизирани адитивни модели
• Класическо машинно обучение

Контекст

Клиент: Proof of Concept

Индустрия: Приложение в много индустрии

Проблем:

Аварийните ремонти на машини струват 3-10 пъти повече от планираните такива. Как можем да оценим точно оперативния статус на машина и да предвидим дали предстои повреда от даден тип?

Съществуващо решение:

Различни механизми за наблюдение при различните машини.

Нашето решение

Дигитален близнак на машината, анализиращ 45 статистически, динамични и корелационни характеристики като – електрическо напрежение, температура, вибрации, налягане и т.н. Възможност за предвиждане на вероятност за възникване на повреда и каква би могла да е тя.

RAG чатбот функция за персонала, обучена на техничека документация

Използвани технологии:

• Decision Tree-базиран модел
• LLM Агенти

Контекст

Клиент: Proof of Concept

Индустрия: Обществени услуги

Проблем:

Пожарите възникват внезапно и причиняват щети за милиони в последните години. Как можем да предвидим разпространението на пожар 24 часа по-рано, което ще ни позволи са спасим 20-40% от опожарената зона?

Съществуващо решение:

Математически и статистически алгоритми с до 60% точност.

Нашето решение

Невронна мрежа, обучена на публично достъпни данни като сателитни изображения, информация за времето, DEM (данни за надморска височина) и др.

Използвани технологии:

• U-Net конволуционна мрежа с Attention и Diffusion heads