Искусственный интеллект
для бизнеса
Первая промышленная революция принесла механизацию, вторая — электричество, третья — автоматизацию физического труда. Четвертая принесет автоматизацию труда умственного. Машины будут думать вместо нас, лучше нас.
Сегодня искусственный интеллект предсказывает задержки самолетов, определяет мошенников в сети
и рекомендует фильмы. Завтра он отберет работу у 60% людей. Искусственный интеллект дает компаниям такие
же преимущества, какие дали фабрикам станки почти два века назад.
В США пристальный интерес к машинному обучению возник около шести лет назад. Для России в этой сфере сейчас все только начинается.

Неспециалисту бывает сложно понять, какие задачи решают с помощью машинного обучения. Помогаем разобраться и делимся простым рецептом — с чего начать.
Владимир Макеев
Мы помогаем компаниям найти свой путь в новой эпохе. Машинным обучением занимаемся с 2016 года. За это время провели два десятка исследований, выиграли главный чемпионат по искусственному интеллекту и создали собственные решения.
Наши клиенты
Проекты и исследования
Рекомендательная система для оффлайн-магазинов
Такие системы хорошо прижились в e-commerce, но оффлайновой торговле только предстоит перенять этот опыт. Мы разработали искусственный интеллект, который строит персональные предложения на основе данных из программы лояльности. Он отвечает на 4 главных вопроса: что предлагать, кому предлагать, когда предлагать и какой должна быть скидка. Сами предложения доставляем пользователю с помощью push-уведомлений.
Подробнее >>
Рекомендательная система для интернет-магазина
Большинство существующих рекомендательных систем работают на простейших алгоритмах и чаще ошибаются, чем попадают в точку. Нашему клиенту же была нужна система, советующая покупателям товары, которые они с большой вероятностью купят. Session-based рекомендации и подходы, рассчитанные на «холодных» пользователей тут не подошли бы. Мы обучали нейросети на метасвойствах контента, истории взаимодействий пользователей и их персонализированных характеристиках.
Управление ассортиментом
Правильная раскладка товаров серьезно влияет на прибыль магазинов. В классическом подходе эксперты опираются на исследования, a/b/c-тесты и собственное понимание потребностей покупателей. Искусственный интеллект исключает влияние человеческого фактора и возможность человеческой ошибки. Нейросеть помогает получить максимальную прибыль с каждого магазина благодаря оптимизации раскладки товаров. Она обучается на исторических данных о продажах.

Далее прогнозирует спрос и моделирует тысячи ситуаций с разными вариантами расстановки товаров. В итоге выбирает оптимальный, исходя из ключевой метрики. Например — прибыли.

Все, что требуется, — задать метрики, зафиксировать важные SKU. Это поможет системе подстроиться и работать в заданных рамках.
Прайсинг DIY-ритейлера
У DIY-товаров достаточно долгий жизненный цикл: основные позиции продаются годами. На протяженную во времени историю продаж мы наложили огромное количество внешних факторов: от инфляции до погоды и праздников. На полученных данных обучили нейросети и поставили для ИИ задачу — найти все возможные взаимосвязи и зависимости. Получилась гибкая модель, позволяющая моделировать влияние любого из факторов на итоговые продажи. Зная прибыль с каждого товара, искусственный интеллект может предсказывать цену, которая принесет в итоге максимальную прибыль. При этом учитываются сопутствующие и якорные товары.
Прайсинг авиабилетов
На первый взгляд ценообразование в авиаперевозках выглядит совершенно непредсказуемым. Влияющих на цены факторов множество: от цен на топливо до политической и экономической ситуации в точках присутствия авиакомпании.


Оказалось, что эти факторы задают лишь общий тренд. На продажи билетов конкретного рейса влияют лишь временные факторы и цены конкурентов. Другой интересный фактор — ограниченное количество мест в рамках конкретного рейса. Здесь нам впервые пришлось отказаться от дискретного представления времени и использовать разные по длительности промежутки принятия решений. Обученная на исторических данных модель училась предсказывать оптимальные с точки зрения прибыли цены для каждого тарифа на определенный рейс в конкретную дату и конкретный отрезок времени.
Распознавание ценников
Большие ритейл-сети следят за ценами конкурентов с помощью огромного штата агентов прайс-мониторинга. Мы автоматизируем процесс с помощью искусственного интеллекта.

Система "видит" несколько ценников на одном фото и обрабатывает 40 ценников в секунду. В ее основе — шесть нейросетей, каждая из которых отвечает за свою часть процесса. Результат — информация с ценников в виде текста. Его можно легко занести в базу, проанализировать, соотнести с имеющимися SKU.
Предсказание продаж аптек
Заранее зная продажи конкретной аптеки, мы можем лучше сформировать поставку — избежать недостатка или переизбытка лекарств. Решая классическую задачу регрессии, мы можем предсказать, сколько валидола мы продадим на следующей неделе в аптеке №100500. Функция потерь позволяет максимизировать прибыль для позиций с коротким сроком годности.
Определение сопутствующих товаров в аптеках
С зеленкой почти всегда покупают бинты. Но что покупают, например, с транексамовой кислотой? Ответить на это может только опытный фармацевт, причем не сразу. Наша задача — правильно подобрать сопутствующие товары к корзине покупателя. Обученные на истории продаж нейросети справляются с этим лучше привычных алгоритмов, вроде Apriori, находят сложные и ранее скрытые паттерны.
Предсказание продаж производителя ритейлеру
Бизнес-процесс выпуска товаров часто представляет собой сложную цепочку. Приближение процесса к желаемой концепции JIT (Just In Time) просто невозможно без качественного прогнозирования. Решение классической задачи регрессии на основе исторических данных о продажах и внешних данных помогает максимально эффективно использовать имеющиеся ресурсы.
Предсказание следующей корзины
Нейросеть учится на исторических данных из программы лояльности. На их основе модель точно определяет, что будет в корзине конкретного покупателя в следующий раз. Это позволит рекомендовать ему подходящие товары. Так можно легко удержать пользователей, повысить средний чек и персонализировать апсейл.
Определение похожих товаров
Покупатель любит выбирать. Поэтому в любом магазине полно товаров с похожими свойствами. Все возможные варианты нельзя выставить на полки — для них просто не хватит места и денег.

Кажется, что подобрать аналог товара просто. Достаточно сравнить характеристики, цены, популярность и престиж брендов. Предпочтения и поведение покупателей не учитываются. Мы не ориентируемся на «экспертные» знания. Нейросеть распознает данные из корзины и подбирает продукты, которые купили пользователи с идентичным поведением.

Результаты такой модели помогут в работе категорийным менеджерам.
Классификация транзакций выписки
Наш клиент тратил огромное количество ресурсов на ручную классификацию транзакций. Мы предложили автоматизировать этот процесс.

Классифицировать транзакции на основе их метаданных можно легко, быстро и без человеческих усилий. Нейросеть учится на истории размеченных человеком транзакций. Автоматически и не менее точно сама распределяет их в будущем.
Скоринг вероятности покупки авто
При большом потоке лидов важно правильно оценить ситуацию и выявить потенциальных клиентов. Менеджеры смогут экономить время на общении с теми, кто на самом деле не собирается покупать машину. Нейросеть позволяет по поведению пользователей на сайте вычислить готовых к покупке. С ними менеджер свяжется в первую очередь.
Прогноз оттока клиентов на данных банка
Удержание клиентов — первостепенная задача для банков. Мы решили предсказывать вероятность того, что клиент на 2 месяца прекратит пользоваться услугами банка. Обычно такие клиенты не возвращаются.


Данные банка помогли нам разделить клиентов на 3 типа, в зависимости от прибыли, которую они приносят. Для самых выгодных клиентов даже небольшая вероятность отказа требует ответных действий. Для средних — вмешиваться стоит, если вероятность отказа большая. В случае клиентов, приносящих меньше всего прибыли — вмешиваться неэффективно.
Прогноз вероятности покупки по поведению на сайте
Бизнес традиционно двигается к уменьшению неопределенности прогнозов, используя актуальный на каждый момент стек технологий. Сегодня быстрые нейросети позволяют предсказывать вероятность совершения покупки в реальном времени, когда пользователь еще не ушел с сайта. А зная эту вероятность, можно предпринимать действия, чтобы ее повысить.


Мы использовали сверточную нейросеть, анализирующую информацию о поведении пользователя. Такие данные есть у большинства интернет-магазинов, но используются пока не на полную катушку. Сейчас статистику анализируют маркетологи, строят стратегии на будущее и разбирают ошибки. С AI можно не только находить невидимые для человека зависимости, но и оптимизировать воронку продаж в реальном времени.
Визуальный поиск
Набирать текст на маленьком экране телефона не всегда удобно. Мы добавили в приложение онлайн-книжного возможность искать книги по фотографии обложки. Нейронная сеть формирует пространственный вектор изображения и сравнивает со всеми векторами книг в базе. Находит самый подходящий — это искомая книга.
Классификация сканов документов
Мы помогли автоматизировать процесс классификации отсканированных образцов входящих документов. Решение помогает фильтровать поток документов и исключает вероятность мошенничества.
Оптимизация поиска книг
С помощью нейросетей решили проблему пропущенных мета-тегов. AI классифицировал книги на основе имеющейся в наличии дополнительной информации. Благодаря этому повысилось качество поиска.
Свяжитесь с нами
Заполните мини-бриф и мы свяжемся с вами в течение 24 часов
Какой продукт вы хотите разработать и каким бизнес-целям он служит?
Какие услуги вас интересуют?
Сроки
Если у вас есть ТЗ, макеты дизайна или другие полезные файлы — приложите их
Ваше имя
E-mail
Телефон