Data Acquisition

Home
Russia
Moscow
Data Acquisition

Мы специализируемся на проектах по искусственному интеллекту и машинному обучению

Data Acquisition c 2013 года специализируется на проектах по сбору, хранению и анализу данных, разработке решений с применением алгоритмов машинного обучения. В процессе реализации проектов из различных сфер (производство, финансы, маркетинг, наука) у нас сформировался стек технологий полного цикла, от сбора и предобработки данных, до инструментов визуализации и построения предиктивных моделей.
Р

азрабатываем и внедряем модели машинного зрения, обработки естественного языка, прогнозные модели. Осуществляем сбор и разметку данных для машинного обучения.
Предоставляем услуги в сфере искусственного интеллекта и машинного обучения: внедрение нейросетей в бизнес, интеграция нейросетей в производство, искусственный интеллект в сельском хозяйстве, data science в медицине, разработка систем машинного обучения, искусственный интеллект в банках, машинное обучение для предприятий, автоматизация бизнес процессов.

03/09/2024

Наша компания стала аккредитованным партнером Сбера в направлении искусственного интеллекта.

Что это значит? Коллеги из Сбера, с которыми мы ведем коммуникацию, занимаются развитием и внедрением СберГигаЧат (аналог ChatGPT), кстати, если вам нужно именно отечественное решение - то обращайтесь.

Нас коллеги готовы рекомендовать в задачах, связанных с нашим основным направлением - компьютерным зрением.

03/06/2024

Как применяется AI в баскетболе?

Те, кто смотрят спортивные трансляции знают, что сейчас доступна детальная статистика по большому количеству игровых метрик. Все эти метрики, % владения мячом, например, можно расчитывать с помощью ИИ.

Один из проектов, реализованный нами с NBA, заключался в определении таких игровых элементов, как "заслон", по английски "screen". Если кто не в курсе, это когда один игрок из команды нападения не дает игроку в защите корпусом пройти к нападающему с мячем. Также было необходимо классифицировать данные заслоны на 12 поддипов.

В качестве данных у нас были координаты всех игроков и мяча, меняющиеся во времени. В части ML задача была достаточно сложная, и пробовали ее решать множеством подходов. Также отдельной проблемой была обработка потокового видео в real time.

В итоге получилась следующая архитектура. В multicast попадают данные раздаваемые с локальной машины или из shottracker. Далее данные отправляются в enrich и обрабатываются там добавляя дополнительный контекст, такой как идентификаторы игроков и состояние сеанса, затем данные отправляются обратно в multicast. В настройках проекта stargate происходит прослушивание различных портов multicast с помощью этого stargate может получать как “сырые” данные, так и те что были обработаны enrich. Данные из multicast принимает kafka и передает их внутрь контейнеров, в проекте поднятно 4 контейнера 3 из них это kafka, kafka manager и zookeeper, они отвечают за дальнейшую передачу данных контейнеру shottracker. Внутри контейнера shottracker как раз и происходит вся дальнейшая обработка данных и подключение различных моделей нейронных сетей которые на основе полученных данных делают предсказания и передают эти данные в UDP Stream, который в свою очередь отправляет их из контейнера наружу в udp processor. Udp processor вызывает плагины, только те что указаны в plugins.json и обрабатывает данные с помощью этих плагинов для дальнейшей отправки на сервер multicast или в influx, также плагины осуществляют логирование данных.

22/05/2024

Сейчас реализуем проект по определению мин с коптера через машинное обучение.

Суть проекта в интерпретации данных, полученных с георадара (GPR), расположенного на коптере.

Если говорить простыми словами, то GPR данные позволяют увидеть задержку отраженного сигнала от земли в зависимости от координаты. Это дает возможность при правильной интерпретации данных (которая как раз происходит с помощью обученной ML модели) получить информацию о координатах мин, их типу и глубине их залегания.

ПО позволяет оператору дрона загружать маршрутную карту облета, а саперу получать информацию об обнаруженных минах.

02/05/2024

Как обещал, рассказываю более подробно про софт для геологов, который мы разработали для ИГТ-Групп.

В чем вообще изначально была проблема: при бурении породы извлекаются ее образцы (керновый материал), который используется для анализа глубинного строения земной коры и решения геолого-промысловых задач поиска и разведки полезных ископаемых.

Каждый ящик с керном фотографируется и обрабатывается потом геологами вручную, то есть человек смотрит на фотографию ящика с керном и "на глаз" определяет состав керна на наличие жил, прожилок, разрушенного керна, цельной породы и других характеристик. Ручная обработка фотографий естественно занимает много времени, что значительно усложняет процесс расчетов. Кроме того, в расчетах присутствуют ошибки, обусловленные «человеческим фактором». Стояла задача автоматизировать процесс обработки фотографий через машинное зрение.

Что было сделано нашей командой? Решение было в обучении нейронной сети на примерах размеченных фотографий ящиков с керном. Нами была произведена разметка датасета (несколько тысяч фотографий) и обучение нейронной сети на автоматическое определение жильного материала, вмещающей породы, трещин, литотипов, цельного и разрушенного керна.

Далее был создан интерфейс позволяющий оператору при необходимости самостоятельно (без привлечения разработчиков) размечать объекты на изображениях керна, редактировать полученную разметку в ходе работы моделей и запускать процесс обновления построения геологической колонки. Собственно построение геологической колонки - это и есть финальная цель данного ПО. Кстати, наименование скважины и глубина извлечения, которые указываются на коробке с керном также определяются через машинное зрение что и позволяет автоматически строить геологическую колонку.

Спроектированный web-интерфейс включает в себя главное меню системы с возможностью выбора проекта, модуль итогов классификации керна со встроенным редактором полученных масок, редактор глубин кернового материала и интерфейс визуализации геологической колонки.

Как итог можно констатировать, что данный софт в десятки раз сокращает время на обработку фото с керном и определяет параметры более точно, нежели "человеческий персонал" :) Все это опять же со слов заказчика, есть пруфы в виде замеров точности.

По ссылке можно посмотреть краткий обзор интерфейса https://youtu.be/QUr7yxQfntY?si=DTuyp7Vdh_b627AM

24/04/2024

Начинаем работать с компанией Добрые Печеньки (печеньки на фото).

Ребята красавцы - за несколько лет подняли ярдовый бизнес, делают и продают печенья в крупные сети РФ и другие страны (даже Монголия и Иран!).

Производство очень технологичное, что будем им делать через машинное зрение:

- контроль эффективности ручной лепки печений (с подсчетом количества печений по каждому сотруднику и % соответствия эталону)

- анализ эффективности палетирования / погрузки / разгрузки

- подсчет выхода и качества продукции на автоматических линиях производства печенья

22/04/2024

Машинное зрение на примере работы с геологами из ИГТ-Групп.

Уютный офис ИГТ-Групп располагается на территории МГУ, в тихом спокойном месте, но большую часть времени коллеги проводят на геологоразведочных работах в самых разных точках земного шара от Архангельской области до Чукотки, Австралии и Перу.

Коллеги из ИГТ уже имели свое видение того, как машинное зрение и искусственный интеллект могут облегчить им работу, поэтому мы сразу перешли к разработке соответствующего ПО. Важным моментом была передача прав на ПО для получение патента и регистрации программы в едином Реестре Российского ПО. Мы возражений не имели, так как обычно так и работаем - все что разработали - это интеллектуальная собственность заказчика.

Долго писать лень, поэтому буду писать порциями - в следующем посте раскрою более подробно суть ПО для анализа добытого кернового материала через машинное зрение. Вот тут коллеги как раз рассказывают на конференции про эту программу https://youtu.be/RB69SCtHRnsb

18/04/2024

Нейросетевая видеоаналитика, насколько она сейчас популярна?

На самом деле видеоаналитику используют на производствах уже много лет, есть специальные смарт камеры, которые решают типовые задачи на производстве и на складах (контроль нанесения маркировки, уровень долива в бутылках, типовой брак, подсчет и определение габаритов грузов, учет автомобилей на парковке итд). Внедрение данных решений на производстве обычно не требует от интегратора каких-либо глубоких навыков в машинном обучении и ИИ, так как все расчеты и настройки уже "вшиты" в софт вендора смарт-камер.

Сейчас уже мы видим новую волну внедрения видеоаналитики, так как появляются возможности решать не только типовые узкие задачи, а решать практически любые задачи контроля, автоматизации и исключения человеческого фактора.

Образно говоря, вы можете полностью контролировать все процессы на производстве (это может быть тяжелое машиностроение, добыча нефти или скручивание роллов:)). Можно по камерам определять объем вышедшего шлама при бурении, определять литологические свойства добытого керна, качество скрученных роллов и производительность тех, кто эти роллы готовит.

Мы в Data Acquisition как раз специализируемся на внедрении ИИ в любые процессы и можем подтвердить, что внедрение нейросетевой видеоаналитики (как и аудиоаналитики) становится обязательным условием конкурентности на рынке.

Address

Московская область, г. Дубна, Улица Флерова, д. 11, офис 53
Moscow

Website

https://dataacquisition.ru/

Alerts

Be the first to know and let us send you an email when Data Acquisition posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Shortcuts

Want your business to be the top-listed Business in Moscow?