Використання сучасних досягнень штучного інтелекту (AI) та тренованих моделей машинного навчання (ML models) активно експлуатується великими бізнес-гравцями для роботи з великими обсягами вхідних змінних, що потребують уніфікації та аналізу низки факторів. Моделі відрізняє висока точність, за умови достатньої кількості історичних даних.
Компанія AM-BITS має досвід побудови ML-моделей для різноманітних бізнес-завдань, з-поміж яких:
Задача:
Отримання короткострокового прогнозу енергоспоживання для планування закупівель на українській енергетичній біржі.
Рішення:
Провівши аналіз алгоритмів та передових досліджень в області машинного навчання для короткострокового прогнозування подій в прив'язці до часової лінії, були обрані Рекурентні нейронні мережі (RNN). Завдяки цьому стало можливим обробляти серії подій у часі або послідовні просторові ланцюжки.
Для проведення дослідження та налаштування тестових RNN нами були взяті погодинні дані споживання електроенергії містом Нью-Йорк, що були у відкритому доступі та температурні зміни в цей період. В результаті аналізу ми отримали точний прогноз споживання на 2 дня вперед використовуючи 3-х місячний інтервал історичних даних.
Результат:
Використання рекурентних нейронних мереж (RNN) для побудови ефективної ML-моделі. Отримання короткострокових прогнозів енергоспоживання на основі аналізу історичних даних, з точністю 96,4-99,5%.
Задача:
Отримання короткострокового прогнозу енергоспоживання для планування закупівель на українській енергетичній біржі.
Рішення:
Провівши аналіз алгоритмів та передових досліджень в області машинного навчання для короткострокового прогнозування подій в прив'язці до часової лінії, були обрані Рекурентні нейронні мережі (RNN). Завдяки цьому стало можливим обробляти серії подій у часі або послідовні просторові ланцюжки.
Для проведення дослідження та налаштування тестових RNN нами були взяті погодинні дані споживання електроенергії містом Нью-Йорк, що були у відкритому доступі та температурні зміни в цей період. В результаті аналізу ми отримали точний прогноз споживання на 2 дня вперед використовуючи 3-х місячний інтервал історичних даних.
Результат:
Використання рекурентних нейронних мереж (RNN) для побудови ефективної ML-моделі. Отримання короткострокових прогнозів енергоспоживання на основі аналізу історичних даних, з точністю 96,4-99,5%.
Задача:
Верифікація клієнтів колл-центру на основі голосових даних як частина багатофакторної авторизації з метою збільшення безпеки.
Рішення:
Використання глибокої нейронної архітектури для співставлення примірників голосу, що зберігаються в базі даних, з оцінною точністю верифікації понад 90%.
Запросити повну версію: