childish-page-banner

Казуси

banner

Сертифициране на AI модел за сърдечно-съдова медицина

Общ преглед: Нашият клиент е европейски стартъп в областта на медицинските технологии, фокусиран върху откриването на сърдечносъдови аномалии. Целта на стартъпа е да отправи предизвикателство към пазара на базирано на ЕКГ сигнал откриване на сърдечни патологии, като например, но не само, предсърдно мъждене, преждевременни удари, субвентрикуларна тахикардия и т.н., получени от достъпни носими устройства като Polar H10. Компанията се нуждаеше от разработване на модел, базиран на ML и подготовка за сертифициране на медицинско изделие клас 2A, за да се гарантира, че тяхната система е безопасна и ефективна за използване от пациентите в домашни условия. 

Екип: Екипът ни от експерти включваше Data Engineer, Data Scientists, ML Engineers и Project Manager.

Подход
Фаза на проучване

Нашите Data Scientists си сътрудничиха с клиента, за да разберат съществуващата му система за обработка на ЕКГ сигнали, както и алгоритмите, базирани на изчисления. Създадохме инструмент за автоматизирано тестване, който оцени производителността на настоящото решение спрямо редица вътрешни и външни набори от медицински данни. Въз основа на този анализ предоставихме препоръки за подобряване на обхвата на откриваемите медицински състояния и определихме областите за подобрение. 

Консултирахме клиента относно процеса на сертифициране и изготвихме план за действие за работата и документацията, свързани с ML, необходими за сертифицирането на клас 2A. Също така предоставихме препоръки за подобрения и съдействие за изпълнение, което помогна на клиента да подобри своята система за обработка на ЕКГ сигнали и алгоритми. Нашият екип завърши анализа и препоръките за по-малко от 8 седмици, като предостави приложими съвети, които помогнаха на клиента да намали времето за обработка на заявлението. 

Фаза на разработване на модел за обработка на сигнали, базиран на ML

Клиентът предостави необработените данни за ЕКГ сигнала, включително маркирани данни с анотации на R-пикове, патологии, както и сегменти на "мек" и "твърд" шум. Тези означени данни бяха използвани като входни данни за моделите и се считаха за набор за обучение. Качеството и точността на прогнозите (откриването) на патологии зависят в голяма степен от чистотата на ЕКГ сигнала. Ето защо е важно да се разполага с надеждни, добре работещи модели по отношение на точността и прецизността, които могат да разграничават чистите и зашумените части на ЕКГ сигналите. Нашите Data Scientists разработиха ML-базирани модели за откриване на "мек" и "твърд" шум. След като успешно преминаха строгите критерии за приемане на производителността на моделите на клиента, нашите ML инженери създадоха продукционните pipelines за обучение и инференция и ги интегрираха в платформата и бизнес процесите на клиента. Нашето сътрудничество продължава с разработването на допълнителни алгоритми за откриване на патология, базирани на ML.

Резултати: Благодарение на активното ни сътрудничество с екипа на клиента успяхме да завършим работата по подготовката на модела за сертифициране само за 6 месеца, като помогнахме на клиента да постигне целта си да получи сертификат клас 2A за своята система за медицински изделия, задвижвана от изкуствен интелект. Това сертифициране позволява на клиента да предлага продукта си на по-широк кръг клиенти, като му дава възможност да осигурява ранно откриване и превенция на медицински състояния, свързани със сърцето.

banner

Интегриран с Bloomberg инструмент за данни за фондовия пазар

Общ преглед: Нашият клиент, компания за финансови услуги, се обърна към нас с предизвикателството да подобрим инструментите им за анализ на данни и да автоматизираме ежедневната работа на екипа им. Те искаха решение, което да помогне на тяхната организация за наблюдение да получи повече информация за потенциални сценарии. Нашият подход беше да създадем решение, което да им позволи да прогнозират цените на MTD/YTD.

Подход: Работихме в тясно сътрудничество с клиента, за да анализираме множество числени методи и да съставим различни видове характеристични вектори, за да подобрим точността на модела за прогнозиране. Разработихме скрипт, който извлича информация, и алгоритъм, който изчислява анализа на историческите промени в цените.
Интегрирахме множество източници на данни в решението, включително обслужващия терминал на Bloomberg, за да гарантираме, че разполагаме с най-точните и актуални данни. Разработихме API и удобен за потребителя интерфейс за филтриране и търсене на информацията, която извличахме и анализирахме. Използвахме Keras за прогнозиране на цените на MTD / YTD, като разработихме модел за прогнозиране на акции с невронна мрежа за прогнозиране на възвръщаемостта на акциите. 

Технологии: Python, Django, Vue.js, AWS, Keras.

Резултати: Ефективността на нашето решение беше много добра и ние го оптимизирахме, за да постигнем повече от 80% точност при прогнозиране на цените. В резултат на това инструментът се превърна в основен актив за нашия клиент, давайки възможност на неговата надзорна организация да разбира по-добре пазарните тенденции и да прогнозира бъдещите цени с по-голяма точност.

banner

Разпознаване на изображения и NLP за откриване на измами

Предизвикателство: Създаване на напълно функциониращо решение от нулата

Екип: Data Engineers, Data Scientists, ML инженери, DevOps

Решение: Проектът започна с фазата на проучване, за да се анализират съществуващите данни и да се тестват множество решения, които отговарят на нуждите както на клиента, така и на доставчиците на облачни услуги. AWS беше избран като основен доставчик на услуги за съхранение на данни в комбинация с ElasticSearch. Екипът ни изгради пълния ETL процес за започване на операциите. След като структурата на данните и потоците бяха определени, въведохме два екипа от data scientists - единият специализиран в семантичен анализ (NLP), а другият с опит в разпознаването на изображения. За ML частта се погрижиха нашите инженери. Резултатът беше табло с визуализации на данни, направени в Kibana, за да се представят резултатите.

Статус: Успешно завършване на етапа на data engineering с продължаващи етапи на data science.

Резултати: Проектът значително подобри способността на клиента да открива нарушения на сигурността, което доведе до намаляване на риска.

media-card-img
Сертифициране на AI модел за сърдечно-съдова медицина
media-card-img
Интегриран с Bloomberg инструмент за данни за фондовия пазар
media-card-img
Разпознаване на изображения и NLP за откриване на измами
media-card-img
Анализ и прогнозиране на трафика въз основа на AI
media-card-img
IoT инструмент за анализ на потреблението на електроенергия
media-card-img
Сертифициране на AI модел за сърдечно-съдова медицина
media-card-img
Видео платформа и чатбот за образователен исторически музей
media-card-img
CRM модел за ефективна оптимизация на клиентските предложения в банковия сектор
media-card-img
Разработване на NLP за фармацевтична компания
media-card-img
Инструмент за скрининг с AI за софтуер за подбор на персонал
media-card-img
Софтуер с computer vision анализ в производствено предприятие
media-card-img
Разпознаване на изображения и NLP за откриване на измами
media-card-img
Анализ и прогнозиране на трафика въз основа на AI
media-card-img
Разработване на цялостен PD модел за точна оценка на кредитния риск в банковия сектор
media-card-img
Federated Learning за персонализирани модели за прогнозиране на здравни услуги при лечение на онкологични заболявания
media-card-img
Видео платформа и чатбот за образователен исторически музей
media-card-img
Уеб платформа с CRM за обмен на туристически резервации
media-card-img
Софтуер с computer vision анализ в производствено предприятие
media-card-img
Образователна платформа с игровизация и мобилни приложения
media-card-img
ERP система за управление на поддръжката и съхранение за международен производствен завод
media-card-img
Здравно приложение, което осигурява пълна комуникация между лекари и пациенти
media-card-img
Специална система за учене и управление на учебния процес
media-card-img
Платформа, генерираща съдържание за гражданско образование за учители
media-card-img
IoT инструмент за анализ на потреблението на електроенергия

За контакт

Като натиснете бутона Приемам, вие давате съгласието си за използването на бисквитки при достъпването на този уебсайт и използването на нашите услуги. За да научите повече как се използват и управляват бисквитките, моля, обърнете се към нашата

Cookie Statement & Privacy Policy