Использование достижений искусственного интеллекта (AI) и обучаемых моделей машинного обучения (ML models) активно эксплуатируется крупными бизнес-игроками для работы с большими объёмами входных переменных, требующих унификации и анализа ряда факторов. Модели отличает высокая точность, при условии достаточного количества исторических данных.
Компания АМ-БИТС имеет опыт в построении ML-моделей для различных бизнес-задач, среди которых:
Задача:
Снижение операционных затрат на обеспечение банкоматов наличными средствами.
Решение:
Для анализа были взяты реальные суточные данные снятия наличных в банкомате. При построении ML-модели использовался Gradient Boosting Regressor.
Решение включало три этапа. Первый этап состоял из:
Второй этап заключался в:
На третьем этапе были реализованы:
Результат:
Реализовано автоматическое прогнозирование спроса на наличность с погрешностью в пределах 0,01—3,5 %.
Достигнуто снижение операционных расходов: объёма отвлечённых средств до 30%, кешбэка – до 40%, времени простоя “out-of-cash” – до 0,2%.
Задача:
Получение краткосрочного прогноза энергопотребления для планирования закупок на украинской энергетической бирже.
Решение:
Проведя анализ алгоритмов и передовых исследований в области машинного обучения для краткосрочного прогнозирования событий в привязке к временной линии, были выбраны Рекуррентные нейронные сети (RNN). Благодаря этому стало возможным обрабатывать серии событий во времени или последовательные пространственные цепочки.
Для проведения исследования и настройки тестовых RNN нами были взяты почасовые данные потребления электроэнергии городом Нью-Йорк, которые имелись в открытом доступе и температурные изменения в этот период. В результате анализа мы получили точный прогноз потребления на 2 дня вперёд используя 3-х месячный интервал исторических данных.
Результат:
Использование Рекуррентных нейронных сетей (RNN) для построения эффективной ML-модели. Получение краткосрочных прогнозов энергопотребления на основе анализа исторических данных, с точностью 96,4-99,5%.
Задача:
Верификация клиентов колл-центра на основе голосовых данных как часть многофакторной авторизации с целью увеличения безопасности.
Решение:
Использование глубокой нейронной архитектуры для сравнения экземпляров голоса из базы данных, с оценочной точностью верификации более 90%.
Запросить полную версию: