Наша команда разрабатывает модели, помогающие распознавать объекты с помощью радиоволн — по сути, мы развиваем технологию радиозрения для машин: охранных систем, беспилотного транспорта и т. п.

Активная фаза разработок началась в 2017 году — вместе с появлением первых драфтов стандарта Wi-Fi 6. Именно идеология направленных антенн, реализованная в новом стандарте беспроводной связи, подготовила для нас технологическую почву.

Радиозрение ЭМИИА основано на распознавании отражённых электромагнитных волн. Полученные приёмником радиограммы интегрируются в цифровую карту помещения. Далее к делу подключается нейросетевая модель, которая в зависимости от поставленной задачи распознаёт людей, животных, элементы обстановки или параметры динамических объектов. Надо отметить, что распознать объект по радиограмме сложнее, чем образ на фото. Но в отличие от обработки видеоизображений, которая требует больших вычислительных мощностей, нейросетевая модель радиозрения ЭМИИА может быть интегрирована даже в примитивные устройства. А кроме того, «видеть» можно через радиопрозрачные преграды.

Разрабатываемое нами радиозрение — это целый комплекс новых технических решений, взаимосвязанных между собой: в перспективе мы планируем оформить 10?15 патентов.

Сегодня в нашей команде на постоянной основе работает четыре человека, ещё четверо — на аутсорсе. В основном это технические специалисты — физики и программисты. Двое из нас имеют кандидатские степени.

Технология готова к выводу на рынок, но пока процессы патентования не закончены, мы не торопимся с внедрением. А сейчас мы запускаем два пилотных проекта — в ретейле и в выставочном бизнесе. Ещё один пилот на стадии подготовки документации.

В обоих случаях в качестве источника и приёмника радиосигнала используются обычные Wi-Fi-роутеры, поддерживающие шестое поколение стандарта, с дополнительным ПО. Анализируя радиоволны, система распознаёт, к какой полке или витрине подошёл человек (позиционирует его по горизонтали и вертикали), сколько времени он там находится и как передвигается по помещению. Это помогает понять поведение посетителей, оптимизировать пространство под поставленные задачи.

Потенциально наша технология имеет массу применений.

Для дальнейшего развития проекта нам не помешал бы выход на Amazon и Google. Но в их программы для стартапов можно зайти только через акселераторы. Естественно, параллельно мы ищем инвесторов и крупные компании, с которыми можно было бы провести пилотный проект, и в этом надежда на Архипелаг 20.35. Также мы хотели бы усилить команду разработчиков и получить менторскую поддержку по «упаковке» проекта для выхода на международные рынки.

Мы, Z-Union, — инженеры, прикладные учёные из МФТИ, МГУ, ВШЭ и других университетов — занимаемся заказной разработкой в области машинного обучения, глубокого обучения и машинного зрения. Мы создаём алгоритмы для распознавания текста, изображений, строим предсказательные модели и т. п. Одна из наших основных задач — распознавание паттернов COVID-19 на снимках КТ.

Модель, обученная на КТ-снимках больных COVID-19, не просто выявляет затронутые болезнью области, но и рассчитывает степень поражения лёгких. Фактически она ускоряет процесс постановки диагноза.

Разработку этой модели мы начали весной 2020 года — вместе с распространением заболевания. Но появился проект не на пустом месте. В течение двух лет до этого мы работали над выявлением на маммографии паттернов рака молочной железы. В основу модели распознавания COVID-19 были заложены те же принципы, точнее, тот же путь проектирования алгоритма обучения. А вот сам алгоритм для работы с КТ лёгких пришлось перестроить практически с нуля.

На тот момент, когда мы начали работать, медицинские системы разных стран находились в процессе изучения болезни — не было единого подхода ни к диагностике, ни тем более к лечению. Мы следовали методологии диагностики нашего партнёра — НМИЦ онкологии им. Н. Н. Блохина (он использует методологию, принятую в России), а значит, не могли использовать зарубежные исследования в качестве основы. Нам необходимо было разработать свою модель.

Обученная модель получает на вход КТ лёгких и распознаёт поражённые области с погрешностью 5?10%. При этом наибольшая погрешность пока проявляется при диагностике в плевральной области, и сейчас мы исправляем это через дообучение модели на новых снимках.

Сегодня модель существует в формате дополнительного модуля к медицинской информационной системе производства «Юсар+». Сейчас мы активно набираем партнёров для клинических испытаний и первых пилотов. Но мы — инженеры, нам интересно развивать и разрабатывать. Мы выходим в бизнес со своим решением, и здесь мы ждём поддержки Архипелага.

Я верю, что мы работаем в очень перспективном направлении. COVID-19 — это лишь первый шаг.

Хотя это заболевание известно давно, медицине нужны инструменты его более точной диагностики. Так что здесь есть куда развивать алгоритмы.

Мы создаём универсальный софт для управления складом и роем логистических роботов с использованием искусственного интеллекта. Наша компания была создана два года назад в стартап-студии «ТехноСпарк», и теперь мы готовы запускать пилоты.

Быстрая комплектация заказов для конечных клиентов — важнейшая составляющая современного склада. С помощью логистических роботов мы реализуем комплектацию по принципу Goods-to-person, изначально появившемуся в Amazon.

Реализация такого современного склада — это решение одновременно двух задач. С одной стороны, это правильное управление хранением товаров на мобильных стеллажах. При помощи интеллектуальных алгоритмов, анализирующих данные истории клиентских заказов, можно размещать стеллажи в роботизированной зоне хранения таким образом, чтобы пробеги роботов были минимальны. Это напрямую связано с сокращением энергозатрат и стоимости обслуживания.

С другой стороны, такому складу необходимо управление роем роботов, перемещающих мобильные стеллажи. RMS позволяет сотне роботов одновременно двигаться в едином пространстве склада, выполняя команды, которые система им отправляет. Мы в RMS разрабатываем софт, который решает одновременно обе задачи. Ядро этой системы уже готово.

Интенсив для нас — во многом образовательная история. У нас есть много технических компетенций и знаний в инженерии и логистике, но мы рассчитываем с его помощью ещё глубже прояснить свои возможности в бизнесе. Мы уверены, что это будет классный нетворкинг.

Наша команда использует нейрофизиологические данные и машинное обучение для решения задач в сфере foodtech. Всё вместе это позволяет накапливать ценную Data для создания очень сложных информационных моделей. Мы исследуем реакцию потребителя на рецептуры продуктов, упаковку и рекламные материалы, анализируем точки продаж при помощи машинного зрения, а также создаём уникальные ароматы на основе данных о работе тела и мозга.

Поскольку при этом оцениваются нейрофизиологические реакции человека, результаты анализа лишены погрешности субъективного восприятия. Так можно получать ответы на вопросы вроде «какую из упаковок выбрать для нового продукта», «какая из рецептур окажется более выигрышной» и т. п.

Среди прочих мы решаем задачу анализа реакций мозга конкретного человека на различные запахи. Используя ароматизаторы в еде, производители добиваются более высокой потребительской оценки свойств продукта. Но наше понимание реакций на запах вышло далеко за пределы foodtech, и сейчас это уже помогает создавать индивидуальную парфюмерию или, используя накопленные данные, предоставлять персональные рекомендации среди существующих ароматов.

Мы можем изучать известный психологам эффект якорения. Его действие оказалось гораздо глубже, чем мы думали. Это импульс к созданию целого метода генерации парфюмерных ароматов, которые решают личную боль многих людей — проблему выбора «того самого» аромата. К тому же мы поняли, что на рынке нет решений, которые могли бы достаточно точно прогнозировать выбор человека в сфере парфюмерии. Консультанты магазина работают в основном на интуиции и опыте, чат-боты строят прогноз на основании предыдущего выбора человека, что говорит о неточности инструментов работы с клиентом. Это ведёт к ложному выбору и отказу от покупки. Были бы и возвраты, но они не совершаются из-за законодательных ограничений.

Я этой темой занимаюсь уже 7 лет. С 2013 года я работал в дистрибуции парфюмерии и интересовался аспектами выбора. В аспирантуре изучал социально-психологические механизмы предпочтений и того, как человек выбирает аромат. И с 2016-го мы собираем данные и оттачиваем собственную методику анализа и построения рекомендаций. С 2019-го мы делаем это в формате стартапа на базе «Сколково».

Наша команда состоит из программистов и инженеров, которые создают программно-аппаратный комплекс NeuroCUBE, а также химиков-технологов и сенсорных аналитиков, работающих со стимулами и глобальной мультисенсорной моделью. Кроме того, в SensoryLab входят специалисты по Dаta Science, психологии, нейрофизиологии, решающие задачи исследовательского процесса, сбора и анализа данных.

Для сбора необходимой информации мы приглашаем клиента в лабораторию, где с помощью нейрофизиологических датчиков измеряем его реакцию на каждый из 12 ароматов. Эти ароматы специально сгруппированы по определённой системе классификации, чтобы максимально отражать всю палитру запахов. Также мы можем анализировать принесённые клиентом эфирные масла и парфюмерные продукты, чтобы дать более точную оценку функциональности используемых ароматов.

Проект постепенно накапливает информацию о том, какие компоненты ароматов нравятся разным категориям потребителей. На этих данных мы обучаем модель, которая строит рекомендации по подбору аромата среди ассортимента конкретного магазина.

На мой взгляд, это будущее парфюмерии. Мы решаем сразу несколько проблем — от создания личного аромата и индивидуального подбора парфюма до замены консультантов, которые не могут подобрать аналоги. Последним мы даём инструмент первичного скрининга предпочтений среди более чем трёх тысяч единиц продукции магазина. Модель в буквальном смысле должна предсказать, на сколько процентов понравится человеку тот или иной аромат.

Хотя у нас довольно большой опыт в этой теме, нам не хватает свежего взгляда профессионалов на проект со стороны, «тёплых» контактов производителей парфюмерного сырья, ретейлеров, готовых запускать пилоты, «умных» денег умных инвесторов (инвестиций). Именно поэтому мы идём с этим проектом на AI-интенсив. Ждём живого общения с людьми, которые понимают B2C-рынок. Ранее мы уже участвовали в подобных инициативах, и они помогали нам решить актуальные на тот момент проблемы.

Как любой нанимающий менеджер, я знаю, сколько боли связано с поиском нужных людей. В этом процессе заложено очень много рутинных операций, на которые тратится огромное количество времени. Найти резюме, оценить, созвониться — всё это можно роботизировать. Мы в Sever. AI пытаемся уменьшить количество рутинных операций рекрутера, частично передав их искусственному интеллекту. Наша команда — это 15 разработчиков и дата-сайентистов с опытом в рекрутинге.

Платформа Sever. AI — модульная, и мы позиционируем её как end-to-end-решение для автоматизации рекрутмента. Машинное обучение применяется лишь в части модулей — например, при оценке релевантности кандидата по резюме, определении навыков кандидатов, трактовке видеоинтервью по пяти основным психологическим параметрам — модели Big5, при классификации ответов и определении причины увольнения. В комплексном решении возможности ИИ мы дополняем классическими модулями роботизации процессов, например блоком коммуникаций и продвижением кандидата по автоматизированной воронке.

У нас есть базовые модели под каждую из задач, решаемых при помощи машинного обучения. При их построении использовались собственные корпуса размеченных резюме, а также открытые размеченные и неразмеченные данные. При этом предусмотрен механизм дообучения моделей под конкретного клиента (так называемое машинное обучение с учителем): внутренние эксперты компании-клиента размечают порядка 1000 резюме или несколько видеоинтервью, на которых и тренируются алгоритмы. Так ответы моделей становятся более адаптированными под стратегию компании.

Все эти инструменты необходимы там, где наём сотрудников поставлен на поток. Они позволяют масштабировать процесс, сохранив качество подбора и анализа обратной связи, даже если речь идёт о географически распределённых организациях.

Учитывая, что в основном масштабирование найма востребовано крупными компаниями, мы развиваем интеграцию с существующими у них HR-системами, а также с ATS Potok.

Параллельно мы продолжаем расширять корпуса для дообучения и развития моделей. Например, в оценку резюме планируется добавить инструмент детектирования навыков и модель специализации. Всё это направлено на увеличение точности процессов подбора, который мы оцениваем по нашим внутренним метрикам и обратной связи от наших корпоративных клиентов. Мы развиваемся и сами. В рамках Архипелага 20.35 планируем повысить зрелость продукта и увеличить продажи. У нас есть свои проблемы, отчасти связанные с масштабированием, поиском клиентов.

Также мы бы хотели уделять больше времени R&D — находить новые идеи и проверять больше гипотез. Ведь сегодня HR становится не просто одной из функций, а инструментом осуществления стратегии компании и развития главного ресурса организации — человека и его таланта. Цифровизация этой сферы уже не будущее, а настоящее!

Это истории лишь пяти проектов, которые пойдут на Архипелаг 20.35. На AI-интенсив пройдёт тысяча лучших проектов. Сейчас зарегистрировались 4313 участников, которые заявили на отбор 584 проектов, находящихся на разных стадиях развития. Это как коммерчески успешные стартапы, так и социальные продукты на стадии идеи, а также научные исследования. Всех их объединяет одно — использование машинного обучения и анализа данных для решения актуальных повседневных задач. 868 человек, у которых нет своей разработки, пришли, чтобы найти интересный ИИ-проект и, возможно, стать членом его команды.

Приходите и вы, будет интересно!