Арнольд работает страховым консультантом. Ежедневно он тратит 2 часа на правку отчетов и оформление страховых полисов. Агентов в фирме много, но всех объединяет одна проблема: слишком много ручной работы. Время, потраченное на набор текста и исправление ошибок, лучше потратить на общение с клиентами или развитие новых навыков. Все это негативно отражается на бизнесе.

Сегодня самые успешные компании, от Bosch до Starbucks, пользуются разработками на базе AI для сокращения расходов, повышения прибыли и улучшения производительности. Вопрос, как они это делают?

Знаете ли вы зачем вашему смартфону акселерометр? – На первый взгляд, чтобы менять ориентацию экрана. Но этим роль акселерометра не ограничивается. Это маленькое устройство позволяет собирать данные о различных типах движения человека. Использовать данные непросто – ориентация телефона может меняться по ряду причин, и передача сигналов зависит от точности акселерометра. В статье мы расскажем, как решали подобную задачу с помощью методов машинного обучения и применяли нейронную сеть LSTM для обработки сигналов акселерометра.

Ритейлеры вынуждены конкурировать за потребителя с онлайн-магазинами. Основными преимуществами интернет-магазинов являются: оперативное получение обратной связи, возможность сохранять и обрабатывать информацию, и отвечать на запросы покупателей в режиме реального времени. У розничных магазинов нет возможности получать мгновенную реакцию на предлагаемый клиенту товар, но у большинства есть программы лояльности и накопленные данные о покупках – чеки. Этого вполне достаточно, чтобы создать систему рекомендаций и обеспечить персональный подход к покупателям для роста прибыли ритейлера.

Сегодня автоматизированные системы оптического распознавания текста показывают довольно высокие результаты в точном распознавании символов. Тем не менее, 100%-ной точности инженерам-исследователям пока добиться не удалось. Поэтому в научном и R&D сообществе всё ещё актуальны вопросы поиска информации и исправления ошибок в распознанном тексте. Для их решения применяются коррекции текста с помощью словаря языка, на котором создан текст, или языковой модели. В частности, для поиска информации используют языковые модели word2vec и сиамскую сеть LSTM.

Распознавание объектов на изображении с помощью алгоритмов машинного обучения решает многие задачи гораздо эффективнее, чем человеческое зрение. Скажем, свёрточные нейронные сети нашли широкое применение в задачах классификации, детектирования и распознавания изображений. Постепенно круг этих задач расширяется, поэтому не теряет актуальности разработка новых архитектур, слоёв сети и модификаций фреймворков.

Задача распознавания текста в различных условиях была и остаётся актуальной. Автоматизировать распознавание документов, кредитных карт, распознать и перевести на другой язык вывеску на билборде – всё это могло бы сэкономить время на сбор и обработку нужных данных. С развитием свёрточных нейронных сетей и методов их обучения качество распознавания текста неуклонно растет.

Глубинное обучение, как ветвь машинного обучения, уверенно набирает обороты в самых разных и нестандартных задачах. На сегодняшний день свёрточные нейронные сети являются безусловным лидером в классификации изображений. Также свёрточные сети используются и для задачи локализации объектов на изображении.

Поиск объектов на изображении ранее выполнялся при помощи каскадного классификатора с признаками Хаара или каскадного классификатора на локальных бинарных шаблонах. Но в настоящее время каскадные классификаторы отодвигаются в сторону свёрточными нейронными сетями. Задачей R&D команды Azoft стала локализация объекта на изображении свёрточной нейронной сетью с лучшим качеством и лучшей производительностью, чем у каскадных классификаторов.