Подведен итог конкурса Лидеры Цифровых Трансформаций, организатором которого выступили Департамент предпринимательства и инновационного развития города Москвы и Агентство инноваций Москвы. Конкурс значимый для сообщества – на него зарегистрировались 4109 человек, которые боролись за призовой фонд 10 миллионов рублей. Участникам предложили десять задач, одну из которых нужно было решить в ходе мероприятия. Мы делали разбор на эти задачи в статьях:
1. Разбор задач конкурса Лидеры Цифровой Трансформации 2021 (Часть 1)
2. Разбор задач конкурса Лидеры Цифровой Трансформации 2021 (Часть 2)
А сейчас посмотрим какие решения завоевали призовые на конкурсе по каждому треку:
01. Персонализированная рекомендательная система по сервисам Москвы для стартапов
Описание задачи: разработайте рекомендательную систему для стартапов, которая будет предлагать компаниям доступные меры поддержки и сервисы от структур Правительства Москвы, частных и государственных корпораций, акселераторов, венчурных фондов. Система позволит персонализировать программы поддержки в зависимости от профиля, потребностей и опыта предпринимателей в городе Москве, а для физических лиц и команд подобрать инструменты для развития идеи и старта своего бизнеса.
Команда из Перми, Ростов-на-Дону и области Dragons разработала сайт для подбора полезных сервисов, для стартапов из Москвы.
Особенностью сайта является подбор, на основе Искусственного Интеллекта, с использованием машинного обучения и подхода, как «многорукие нейронные бандиты». Машинное обучение позволяет системе постоянно совершенствоваться, на основе предыдущего опыта, таким образом повышать качество подбора, для следующих запросов.
Команда провела работы по изучению пользовательского опыта, для построения удобного пользовательского интерфейса. Был разработан адаптивный сайт, для использования, на любых электронных устройствах. Команда разработала функцию «Сохранение данных» при заполнении анкеты в реальном времени. Реализованы два типа анкет - экспресс подбор и персональный подбор. Экспресс подбор был разработан для быстрого подбора сервисов, но для персонального подбора потребуется уделить до 7 минут заполнения анкеты, при этом точность подбора окажется гораздо точнее. Команда представила ряд улучшений и концептов, среди которых функционал по составлению плана развития, для достижения цели стартапа, на основе Машинного обучения.
02. Решение для распознавания и разметки пешеходных маршрутов
Описание задачи: в Москве появляется все больше тропинок и пешеходных маршрутов на неасфальтированной поверхности, формируемых горожанами, что указывает на неудобство расположения существующих тротуаров. Разработайте модель, обеспечивающую автоматическую обработку пространственной информации территории города Москвы и прилегающих территорий для автоматического детектирования и построения карты пешеходных троп с использованием технологий искусственного интеллекта в целях последующего наложения указанных пространственных данных на Единую городскую картографическую основу Москвы.
Команда из Москвы Silk road автоматизировали поиск протоптанных тропинок на фотоснимках поверхности земли, полученных с дрона.
Для использования решения не требуется специальных знаний. Можно загрузить изображения и выгрузить результаты. Обработка 1 гектара земли занимает 1 секунду. Алгоритм состоит из двух стадий. В основе первой стадии лежит искусственный интеллект, который был «обучен» на множестве примеров. На второй стадии происходит коррекция и уточнение предсказаний нейронной сети: сглаживаются края дорожек, соединяются ошибочные разрывы в траекториях дорожек.
03. Рекомендательная система для пользователей московских библиотек
Описание задачи: в целях популяризации библиотек у москвичей необходимо сформировать персонифицированную подборку литературы на основе истории получения книг. Разработайте рекомендательную систему (веб-интерфейс) для формирования истории прочитанных книг, полученных жителями Москвы в библиотеках, а также для формирования персональной подборки литературы на основе прочитанных книг.
Команда из Санкт-Петербурга и Москвы laugh-most-last-coat-not-deterministic создала решение для полного цикла взаимодействий пользователя с рекомендательной системой. Продукт позволяет получить рекомендации как для пользователей с историей, так и для новых читателей. Ребята разработали несколько архитектур рекомендательных систем, сравнили их на тестовых данных и выбрали лучшую модель. При этом выбранная модель способна быстро учитывать изменения в интересах пользователя.
04. Интерактивная карта экологического мониторинга
Описание задачи: в целях повышения качества экологического мониторинга в Москве необходимо разработать карту, которая позволит объединить системы контроля для своевременного реагирования на изменения ситуации. Разработайте комплексную интерактивную карту экологической ситуации в городе на основе измерений состояния воды, почвы и загрязнений атмосферы с предиктивной моделью состояния экологии по районам и распознаванию аномальных ситуаций загрязнения окружающей среды.
Команда из Москвы SpatialTeam подготовила интерактивную карту экологического мониторинга для г. Москвы.
Команда решила три задачи. Во-первых, протестировала несколько алгоритмов машинного обучения для составления прогнозов концентраций загрязняющих атмосферу веществ, и выбрала алгоритм RandomForestRegressor. Модель способна давать прогноз на произвольную дату при наличии на неё метеопрогноза. Выполнена оценка влияния каждого метеопараметра на точность прогноза. Во-вторых, команда предложила метод моделирования распределения загрязнения по территории города с учётом подстилающей поверхности, фактических и прогнозных данных станций мониторинга, направления и скорости ветра. В-третьих, представлены технологические решения по обработке, хранению и визуализации данных в картографическом веб-приложении
05. Интерактивная карта для размещения спортивной инфраструктуры
Описание задачи: в Москве находится большое количество спортивных городских объектов, которые остаются незамеченными гражданами из-за недостатка информации о них. Разработайте интерактивную карту с фильтрами под каждый вид спорта и рекомендациями по развитию инфраструктуры района, составленную на основе анализа открытой спортивной инфраструктуры в городе.
Созданный продукт командой из Тулы ASA позволяет быстро, наглядно и комплексно оценивать существующую городскую спортивную инфраструктуру с целью ее дальнейшего развития.
Предложенное решение основано на принципах пространственного и количественного анализа. Оно учитывает городской ландшафт, улично-дорожную сеть, плотность населения, а также существующую обеспеченность населения города спортивными зонами. Приложение имеет интуитивно понятный интерфейс. При разработке был использован наглядный метод картографической визуализации на основе регулярной сетки в виде гексагонов (правильных шестиугольников). Предлагаемые аналитические инструменты помогут пользователям эффективно и точно давать оценку различным городским территориям по критерию необходимости оснащения их новыми спортивными объектами.
06. Рекомендательный сервис по размещению городской или частной социальной инфраструктуры
Описание задачи: разработайте пользовательский интерфейс и модель определения оптимальных мест размещения городской или частной социальной инфраструктуры в городе Москве (больницы, сады, школы, МФЦ и др.) на основе анализа покрытия существующей инфраструктуры.
Продукт разработанный командой из Москвы и Рязани Spatialband позволяет ответить на вопрос: где в столице эффективнее открыть новую школу и какой она должна быть? В его основе лежит геоинформационный анализ, позволяющий строить оценки и рекомендации, опираясь на открытые пространственно-временные данные в цифровой форме.
Центральным показателем сервиса является потенциал строительства, показывающий не только рекомендуемые места для строительства, но также и необходимое количество мест в будущей школе. Рекомендация опирается на прогнозную модель спроса, которая учитывает существующие школы и современное количество школьников, а также рост этого количества в связи с вводом нового коммерческого жилья и программой реновации в ближайшие годы. Определить оптимальное место для строительства новой школы поможет наглядная карта и специальная панель фильтров, позволяющая гибко настраивать отображение модели.
07. Сервис для поиска пропавших животных
Описание задачи: ежегодно на территории Москвы теряются сотни домашних животных. Благодаря сети камер городского видеонаблюдения можно существенно повысить скорость поиска. Разработайте модель поиска пропавшего животного и определения предполагаемого местонахождения потерянного питомца на основе данных с камер городского видеонаблюдения.
Команда из Краснодара KEKDATA разработала сервис с помощью которого любой человек, зная параметры своего питомца, может произвести оптимизированный поиск своего любимца по камерам города Москвы.
Поиск производится по таким параметрам, как порода, цвет и длина хвоста, однако легко расширяется на произвольное число атрибутов. Внутри сервиса пользователь также может узнать адрес, по которому был замечен его питомец, телефоны ближайших ОВД и кадры, на которых зафиксировано появление питомца. Особенностями сервиса являются современные алгоритмы искусственного интеллекта, тщательно настроенные для решения задач машинного зрения в контексте поиска пропавших питомцев.
08. Система автопротоколирования конференций в онлайн режиме
Описание задачи: по результатам конференций сотрудники государственных структур формируют детальные стенограммы, которые требуют ручного труда. Для автоматизации процесса расшифровки требуется разработать веб-интерфейс, который автоматически в режиме диктофона, либо при загрузке аудиофайла формирует текстовую стенограмму конференций.
Решение от команды из Туймазы, Москвы и Самары k0b1x сервис ELSE - ELectronic SEcretary. Это инновационный перспективный сервис, позволяющий формировать на основе видео- и аудиозаписей совещаний, конференций и других подобных событий протоколы, стенограммы, аннотации и прочее.
Сегодня ELSE уже умеет транскрибировать текст из записи, выделять ключевые моменты в тексте, тегировать его, строить стенограммы и протоколы, рассылать полученные документы пользователям на электронную почту и в мессенджер. В ближайшем развитии ELSE может стать полноценной площадкой для проведения онлайн-мероприятий, где можно будет формировать стенограммы событий по ролям, а также появится бот для подключения с skype для формирования протоколов и стенограмм «на лету».
09. Автоматизированный алгоритм обезличивания данных
Описание задачи: в обращениях в адрес Правительства Москвы москвичи указывают свои персональные данные. Чтобы работа с такими обращениями осуществлялась максимально безопасно и быстро, необходимо разработать модель автоматической деперсонификации персональных данных (ФИО, дата рождения, адрес и др.), которые указываются в обращениях москвичей с целью дальнейшей безопасной работы с документами сотрудниками Правительства Москвы.
Команда из Ростова-на-Дону Backlab создала сервис, заменив этапы распознавания текста и поиска нужной именованной сущности (ФИО) на одну модель детекции.
Это позволило улучшить скорость работы и уменьшить вероятность ошибки. Отличительной чертой модели от других решений является возможность её разностороннего дообучения, она легко интегрируется для работы с рукописным текстом, подписями, печатями, и любыми другими чувствительными сущностями. Помимо высокой точности модели, команда реализовала специальные метки, сигнализирующие о вероятности ошибки, а также добавили редактирование разметки прямо на сайте.
10. Рекомендательная система новостей для пользователей mos.ru и приложения «Моя Москва»
Описание задачи: сейчас медиа mos.ru рассчитано на множество разных сегментов горожан. Необходимо помочь жителям Москвы ориентироваться в новостях и дать возможность выбирать то, что интересно именно им. Командам нужно будет изучить путь пользователей в новостном разделе mos.ru, а также приложении «Моя Москва» и разработать модель, предлагающую новости для новых и действующих пользователей, а также обеспечивающую автоматическую разметку новостей по органам исполнительной власти и их руководителям, тематикам, тегам и др.
Командой из Долгопрудного и Москвы mamkins data dudes разработанна рекомендательная система, которая состоит из 3 частей:
- Подбор материалов для пользователей сайта за счет выявления похожих пользователей с аналогичной историей просмотров с учетом актуальности
- Рекомендации для новых пользователей, основанные на популярности и актуальности контента
- Алгоритм для автоматической разметки контента по его тематике
Основной алгоритм рекомендательной системы основан на машинном обучении модели для поиска похожих по поведению пользователей. Особенностью подбора данных для обучения модели является учет актуальности материалов, так как это является важной спецификой новостей. Чем старше становится новость, тем она менее востребована. Этот критерий на тестовых данных дает наилучшие результаты по точности подбора рекомендаций.
Ожидаем пилоты от всех участников и победителей этого года.
Хотите побеждать на хакатонах и DS-чемпионатах? Самое время обсудить эту статью в Телеграм-канале или чате.
