• С новым 2018 годом!

    AIbigdatacomputer visiondeep learningneural networksассоциациибазы данныхИИискусственный интеллекткогнитивные технологиикомпьютерное зрениеметод Байесанейроинтерфейснейронные сетинейронынечеткая логикаобучающие данныеобучениераспознавание образовробототехникасмыслжизнифреймворкэкспертные системыLogotrakrShelfMatchLikeThisKUZNECH

    Дорогие друзья!

    Примите наши теплые поздравления с замечательными, волшебными праздниками Нового года и Рождества! Пусть наступающий год ознаменуется новыми возможностями, которые приведут к процветанию вашей компании.

    Желаем крепчайшего здоровья, растущего благополучия и личного счастья всем сотрудникам вашей профессиональной команды. Надеемся, в 2018 году мы с лёгкостью будем решать совместные задачи и претворять в жизнь взаимовыгодные проекты.

    В благодарность за сотрудничество мы подготовили для вас небольшой, но приятный сюрприз. На нашем новогоднем IT-дереве спрятан подарок. Сможете его отыскать?

    С уважением и признательностью,

    Команда Kuznech

  • AI, машинное обучение, нейросети – в чём отличие

    Искусственный интеллект — Машинное обучение — Глубокое (глубинное) обучение — Нейронные сети. Всё это взаимосвязанные, но не тождественные понятия. Давайте разберёмся.

    Про искусственный интеллект мы уже говорили неделю назад.

    Машинное обучение (machine learning, ML) — это подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных к обучению: ученые «скармливают» системе большой объём (прежде размеченных) данных, которые они хотят, чтобы машина умела определять. И машина просеивает эти данные через себя и учится определять: это нужный мне объект, это не он, это снова нужный мне объект. И так со временем система становится способной распознавать заданные объекты: от цифр до животных, от самолётов до типов растений.

    mashine-learning

    В основном о машинном обучении говорят в контексте big data и data mining, поскольку методы machine learning умеют самостоятельно выявлять в эмпирических данных прежде неизвестные закономерности и делать прогнозы.

    Глубинное (глубокое) обучение напрямую связано с нейронными сетями. По сути, слово «глубинное» обозначает степень сложности (глубины) обучения нейросети и указывает на то, что обучение в данном случае производится на больших (глубоких) выборках данных.

    Искусственные нейронные сети (neural networks, NN) представляют собой упрощенный аналог естественных нейронных сетей, существующих в головном мозге человека. Несмотря на то, что современные нейросети устроены в полторы тысячи раз проще, чем головной мозг крысы, они успешно решают интересные и нетривиальные задачи. Например, на их основе построены такие продукты, как: Prisma по стилизации фотографий под художественные картины, Mubert, пишущий электронную музыку, OpenFace, распознающий лица даже внешне похожих людей, NeuralTalk, описывающий картины в нескольких предложениях, медицинский сервис ImagineCare, следящий за состоянием пациента.

  • Все по местам: кто, как и зачем автоматизирует мерчандайзинг

    ShelfMatchБольшая головная боль многих производителей и ритейлеров – мерчандайзинг. Контроль за наличием товара на полках, правильностью выкладки, соответствием планограмме – как разобраться с этим всем, например, поставщику, работающему с федеральной сетью магазинов?

    Организационно вопрос можно решать по-разному: набирать штат своих мерчандайзеров, полагаться на сотрудников магазина ,отдать проблему на откуп внешнему агентству или комбинировать эти способы.

    Но как бы то ни было, эту работу необходимо координировать и оптимизировать. В этом на помощь приходят технологии, о которых мы сегодня и поговорим.

    Первоначально мерчандайзинг («завезенный» в Россию международными монстрами типа Coca-Cola, Philip Moris и др.) предполагал собой переписывание вручную каждой ассортиментной позиции и ее расстановки, занесение данных в таблицы Excel и т.д.

    Затем на помощь пришла цифровая фотография, хотя, и этот способ требовал серьезной обработки результатов. Да и достоверность отчетов нельзя было гарантировать – кто знает, где и когда, был сделана фотография, не поленился ли автор «дорисовать» содержимое полок в редакторе.

    Сейчас мы имеем дело с практически полной автоматизацией процесса. Задача полевого мерчандайзера сводится к тому, чтобы сделать качественный снимок и отправить его на распознавание. Отчет и рекомендации система может выдать сама.

    Как это работает…

  • Мерчандайзинг: технологии визуального распознавания на службе у ритейла

    Merchandising.ru
    Портал Merchandising.ru разместил статью о возможностях технологий Kuznech для ритейла, рассказав о сервисах ShelfMatch и Similar4.

    Читать статью…