Общ преглед: Нашият клиент, компания за финансови услуги, се обърна към нас с предизвикателството да подобрим инструментите им за анализ на данни и да автоматизираме ежедневната работа на екипа им. Те искаха решение, което да помогне на тяхната организация за наблюдение да получи повече информация за потенциални сценарии. Нашият подход беше да създадем решение, което да им позволи да прогнозират цените на MTD/YTD.

Подход: Работихме в тясно сътрудничество с клиента, за да анализираме множество числени методи и да съставим различни видове характеристични вектори, за да подобрим точността на модела за прогнозиране. Разработихме скрипт, който извлича информация, и алгоритъм, който изчислява анализа на историческите промени в цените. 
Интегрирахме множество източници на данни в решението, включително обслужващия терминал на Bloomberg, за да гарантираме, че разполагаме с най-точните и актуални данни. Разработихме API и удобен за потребителя интерфейс за филтриране и търсене на информацията, която извличахме и анализирахме. Използвахме Keras за прогнозиране на цените на MTD / YTD, като разработихме модел за прогнозиране на акции с невронна мрежа за прогнозиране на възвръщаемостта на акциите.&nbsp;

Технологии: Python, Django, Vue.js, AWS, Keras.

Интегриран с Bloomberg инструмент за данни за фондовия пазар

Предизвикателство: Създаване на напълно функциониращо решение от нулата

Екип:&nbsp;Data Engineers, Data Scientists, ML инженери, DevOps

Решение: Проектът започна с фазата на проучване, за да се анализират съществуващите данни и да се тестват множество решения, които отговарят на нуждите както на клиента, така и на доставчиците на облачни услуги. AWS беше избран като основен доставчик на услуги за съхранение на данни в комбинация с ElasticSearch. Екипът ни изгради пълния ETL процес за започване на операциите. След като структурата на данните и потоците бяха определени, въведохме два екипа от data scientists - единият специализиран в семантичен анализ (NLP), а другият с опит в разпознаването на изображения. За ML частта се погрижиха нашите инженери. Резултатът беше табло с визуализации на данни, направени в Kibana, за да се представят резултатите.

Статус: Успешно завършване на етапа на data engineering с продължаващи етапи на data science.

Разпознаване на изображения и NLP за откриване на измами

Предизвикателство: Искането на клиента включваше анализ на пътищата и трафика. Задачата включваше изграждане на система за преброяване на превозни средства въз основа на типа и класификацията им, както и разграничаване на различните видове превозни средства и извършване на общо преброяване.

Подход: Започнахме с разработване на персонализиран софтуер за видеонаблюдение, който даваше възможност за дистанционно наблюдение на пътната обстановка и събиране на данни. Използвайки техники за разпознаване на изображения и анализ на данни, разработихме POC модел, анализиращ данните за трафика, който впоследствие беше разширен до напълно функциониращ инструмент за пътна и безопасност като анализ на трафика.

Чрез усъвършенстван deep learning екипът ни създаде решение, което беше в състояние да открива и предупреждава за потенциални произшествия, да прогнозира задръствания или да планира ефективни пътища и места за паркиране. В момента решението се развива в автономно наблюдение на камери и системи за наблюдение на трафика и генериране на предупреждения в реално време при настъпване на определени събития от интерес.

Технологии: Python, React.JS, Yolo, SSD и OpenCV

Анализ и прогнозиране на трафика въз основа на AI

Общ преглед: Нашият клиент е европейски стартъп в областта на медицинските технологии, фокусиран върху откриването на сърдечносъдови аномалии. Целта на стартъпа е да отправи предизвикателство към пазара на базирано на ЕКГ сигнал откриване на сърдечни патологии, като например, но не само, предсърдно мъждене, преждевременни удари, субвентрикуларна тахикардия и т.н., получени от достъпни носими устройства като Polar H10. Компанията се нуждаеше от разработване на модел, базиран на ML и подготовка за сертифициране на медицинско изделие клас 2A, за да се гарантира, че тяхната система е безопасна и ефективна за използване от пациентите в домашни условия.&nbsp;

Екип: Екипът ни от експерти включваше Data Engineer, Data Scientists, ML Engineers и Project Manager.

Подход:&nbsp; 
Фаза на проучване

Нашите Data Scientists си сътрудничиха с клиента, за да разберат съществуващата му система за обработка на ЕКГ сигнали, както и алгоритмите, базирани на изчисления. Създадохме инструмент за автоматизирано тестване, който оцени производителността на настоящото решение спрямо редица вътрешни и външни набори от медицински данни. Въз основа на този анализ предоставихме препоръки за подобряване на обхвата на откриваемите медицински състояния и определихме областите за подобрение.&nbsp;

Консултирахме клиента относно процеса на сертифициране и изготвихме план за действие за работата и документацията, свързани с ML, необходими за сертифицирането на клас 2A. Също така предоставихме препоръки за подобрения и съдействие за изпълнение, което помогна на клиента да подобри своята система за обработка на ЕКГ сигнали и алгоритми. Нашият екип завърши анализа и препоръките за по-малко от 8 седмици, като предостави приложими съвети, които помогнаха на клиента да намали времето за обработка на заявлението.&nbsp;

Фаза на разработване на модел за обработка на сигнали, базиран на ML

Клиентът предостави необработените данни за ЕКГ сигнала, включително маркирани данни с анотации на R-пикове, патологии, както и сегменти на &quot;мек&quot; и &quot;твърд&quot; шум. Тези означени данни бяха използвани като входни данни за моделите и се считаха за набор за обучение. Качеството и точността на прогнозите (откриването) на патологии зависят в голяма степен от чистотата на ЕКГ сигнала. Ето защо е важно да се разполага с надеждни, добре работещи модели по отношение на точността и прецизността, които могат да разграничават чистите и зашумените части на ЕКГ сигналите. Нашите Data Scientists разработиха ML-базирани модели за откриване на &quot;мек&quot; и &quot;твърд&quot; шум. След като успешно преминаха строгите критерии за приемане на производителността на моделите на клиента, нашите ML инженери създадоха продукционните pipelines за обучение и инференция и ги интегрираха в платформата и бизнес процесите на клиента. Нашето сътрудничество продължава с разработването на допълнителни алгоритми за откриване на патология, базирани на ML.

Сертифициране на AI модел за сърдечно-съдова медицина

Общ преглед: Нашият клиент се нуждаеше от инструмент за анализ на потреблението на електроенергия въз основа на данните от сензорите, интегрирани в електрическите контакти, в реално време и в исторически план, с възможност за проследяване на всички критични моменти. Клиентът също така изискваше инструментът да бъде скалируем и приложим към други сензори на пазара.

Решение: За да гарантираме, че инструментът отговаря на изискванията, нашият екип си сътрудничи с екипа на клиента, за да разбере неговите нужди и предпочитания. Анализирахме данните, събрани от сензорите, за да разработим алгоритми за точно проследяване на потреблението на електроенергия от всеки контакт. След това интегрирахме алгоритмите в удобен за потребителя интерфейс, който позволява на потребителите лесно да проследяват потреблението на електроенергия във времето. Използвахме Python, Django и Angular, за да разработим съответно backend и front end на инструмента, като по този начин осигурихме мащабируемо решение, което може лесно да бъде разширено, за да поддържа други сензори на пазара.

Екипът ни реализира и различни функции за подобряване на потребителското изживяване. Включихме известия и снимки за критични моменти, като например екстремна консумация на електроенергия, електрическа повреда или внезапен скок в потреблението на електроенергия. Също така генерирахме топлинни карти за всеки контакт, предоставяйки на потребителите визуална информация за потреблението на електроенергия с течение на времето. Уверихме се, че инструментът е адаптивен и може да се използва на мобилни устройства, което позволява на потребителите да следят потреблението на електроенергия в движение.

Технологии: Python, Django, Angular, AWS.

IoT инструмент за анализ на потреблението на електроенергия

Предизвикателство: Клиентът, мултинационална фармацевтична компания, искаше да преработи съществуваща система за управление на запитвания и да подобри нейната производителност и аналитични възможности чрез изкуствен интелект. Целта беше да се осигури последователно обслужване на клиентите на различни места.&nbsp;

Индустрия: Здравеопазване &nbsp;

Подход: Екипът ни използва семантичен анализ с предварителна обработка на NLTK, за да създаде различни функции за извличане и обозначаване на лекарствени продукти върху вече натрупани и класифицирани данни от запитвания. Предварително обработените данни бяха използвани за обучение на Keras с TF engine и бяха оценени в сравнение с вградените SVM алгоритми в SKLearn. Резултатите бяха с точност, близка до 80 % за класификация. Компонентите на ML бяха интегрирани в конвейера за автоматично задаване на задачи въз основа на продукта и екипа, разпознати в запитването в свободен текст.

От бизнес гледна точка цялостното решение ускорява процеса на управление на запитванията и допринася за цялостната удовлетвореност на клиентите и повишената оперативна ефективност.&nbsp;

Технологичен набор:&nbsp;Python и Angular разработчици, Data Scientists, ML инженери, проектен мениджър.

Разработване на NLP за фармацевтична компания

Преглед: Клиентът беше стартираща компания, която решаваше проблема с управлението на многобройни процеси в отдела за набиране на персонал. Екипите по наемане на персонал разполагат с данни от различни източници, които трудно се обработват и анализират. Нашата задача беше да структурираме и разработим структура от данни и да създадем инструмент с изкуствен интелект за проверка на кандидатите. 
&nbsp;

Подход: Нашият екип от инженери по данни, учени по данни и ML инженери започна с проучвателна фаза, за да разбере изискванията на клиента и да определи най-добрия подход за проекта. Извършихме задълбочен анализ на пейзажа на данните за набиране на персонал и различните видове източници на данни, използвани в индустрията. След това разработихме архитектура на решението, която може да се справи със сложните структури от данни и моделите с изкуствен интелект, необходими за проекта. Избрахме AWS като основен доставчик за съхранение на данни и го комбинирахме с други ETL инструменти за работа с различни формати от множество източници.

След като структурата на данните и конвейерите бяха създадени, използвахме семантичен анализ с предварителна обработка NLTK, за да извлечем необходимата информация за всеки кандидат. Семантичният анализ ни позволи да идентифицираме уменията, опита и образованието на кандидата от неговата автобиография, мотивационно писмо и профили в социалните мрежи. След това разработихме ML модел, използвайки Keras, TensorFlow и SKLearn, за да сортираме кандидатите в предварително определени групи и фактори, като например ниво на опит, длъжност и местоположение. Резултатът беше представен в структурирана база данни с кандидати, която можеше лесно да се търси и филтрира от екипите по наемане на персонал.

Инструмент за скрининг с AI за софтуер за подбор на персонал

Предизвикателство:&nbsp;Задачата беше да се разработи решение за управление на задачи в производствени предприятия, съчетано с извличане на данни от производствени машини чрез сензори и PLC.

Екип:&nbsp;Python разработчици, Angular разработчици, Data scientsts, Computer vision експерти, QA специалисти, DevOps, UX дизайнер и PM

Решение: Решението беше успешно разработено за фазата MVP и продължи да включва computer vision в комбинация със задачи, процедури и регистри за четене от PLC контролери. Понастоящем използва Python OpenCV и YOLO детектор за обекти от IP камера за извличане на движенията на работниците в определени индустриални зони. Първоначално се събират данни, за да се извърши контролирано обучение на по-късни етапи.

Статус: В момента софтуерът е интегриран в 3 производствени предприятия в България.

Софтуер с computer vision анализ в производствено предприятие

Общ преглед: Банка за обслужване на физически лица е изправена пред предизвикателството да оптимизира офертите за привличане на нови клиенти и повишаване на стойността на съществуващите клиенти. Отделите за маркетинг и риск работеха с различни подходи и имаше нужда от унифицирана оценка, която да осигури единна мярка за очакваната рентабилност на клиент. За да се справим с това предизвикателство, нашият Data Science екип беше ангажиран да разработи решение с изкуствен интелект, което да дава надеждна обективна оценка за очакваната рентабилност на клиент, базирана на маркетингови и рискови фактори.

Решение: Екипът ни разработи CRM (Customer Relationship Management) модел, който комбинира маркетингови и рискови фактори за оценка на очакваната рентабилност на всеки банков продукт въз основа на разработения от нас методологичен продукт. Моделът използва моделите Propensity-to-Buy (PtB) за прогнозиране на вероятността клиентът да закупи конкретен продукт, както и моделите Probability of Default (PD) за оценка на риска клиентът да не изпълни задълженията си по даден кредит. Резултатът от модела е единна мярка за очакваната рентабилност на клиент, която може да се използва за класиране на следващата най-добра оферта (NBO) за всеки клиент.&nbsp;

За да разработим CRM модела, първо събрахме и интегрирахме данни от различни източници, включително данни за транзакции, демографски данни и данни за взаимодействието с клиентите. След това приложихме различни алгоритми за машинно обучение, като логистична регресия и random forests, за да обучим и тестваме моделите PtB и PD. Също така проведохме инженеринг и подбор на характеристики, за да идентифицираме най-подходящите променливи за прогнозиране на рентабилността.

CRM модел за ефективна оптимизация на клиентските предложения в банковия сектор

Общ преглед: Банковият сектор е изправен пред сериозно предизвикателство да оценява точно кредитоспособността на кредитополучателите, за да взема информирани решения за отпускане на кредити. Традиционните модели за оценка на кредитоспособността, които често разчитат на ограничена информация, като например кредитна история, може да не отразяват точно риска от непогасяване на задълженията. За да се справим с това предизвикателство, нашият екип получи задачата да разработи по-точен и изчерпателен модел за прогнозиране на вероятността от неизпълнение.

Решение: Екипът ни разработи модел за вероятност от непогасяване (PD), който използва широк набор от данни за клиентите, включително поведенчески и демографски данни, за да прогнозира вероятността от непогасяване. Моделът се основава на алгоритми за машинно обучение, които са обучени на исторически данни, за да идентифицират модели и корелации между различни променливи и риска от неизпълнение.&nbsp;

Първоначално събрахме и обработихме голям набор от данни от молби за кредит и свързаните с тях данни за клиентите и използвахме различни алгоритми за машинно обучение, като логистична регресия и &quot;дървета на решенията&quot;, за да обучим и тестваме модела. Също така извършихме подбор на характеристики и инженеринг, за да идентифицираме най-подходящите променливи за прогнозиране на риска от неизпълнение.

Резултатът от модела е единна оценка, която отразява вероятността от неизпълнение, която може да се използва за информиране на решенията за отпускане на кредити и за определяне на подходящи лихвени проценти.

Разработване на цялостен PD модел за точна оценка на кредитния риск в банковия сектор

Предизвикателство: Между 2009 и 2013 г. нашият ръководител на отдел &quot; Data Science&quot; ръководеше разработката и внедряването на проекта <a href="http://www.eurocat.info/">euroCat</a> - новаторско решение за персонализирана методика на лечение в радиационната онкология. Проектът включваше пет болници в три държави от ЕС, които използваха данните на своите пациенти с онкологични заболявания с цел оптимизиране на персонализираното лечение. Целта беше да се разработи модел за Machine Learning (машинно обучение), който е способен да се обучава от различни източници на данни, без да се централизират данните на пациентите, по начин, който запазва неприкосновеността на личните данни на пациентите. Можете да прочетете повече за euroCat в <a href="http://www.sciencedirect.com/science/article/pii/S2405630816300271">академичния документ</a>.

Решение: Това е техника, която позволява на множество страни да си сътрудничат по machine learning модел, без да споделят чувствителни данни и без да е необходимо данните да бъдат централизирани, като се обменят само параметри на модела по време на процеса на обучение. 
При този подход всяка болница обучава част от модела на всяка итерация, като използва локалните си данни и след това споделя само някои параметри с централен сървър.След това централният сървър обобщава параметрите от всички държави, за да актуализира глобалния модел, без да има достъп до местните данни. Обучението продължава чрез цикли на итерации, докато не бъдат изпълнени критериите за конвергенция на модела. Ролята на &quot;централен сървър&quot; може да се изпълнява от всяка от болниците в мрежата. Екипът по изкуствен интелект на Георги Налбантов използва Federated Learning (Федеративно обучение), за да научи модели на Support Vector Machine (SVM), използвайки метода на множителите с променлива посока (ADMM), от различни бази данни, за да предскаже резултатите от лечението: които могат да бъдат или пряк ефект от лечението, или страничен ефект от лечението, например задух след лъчетерапия (на белия дроб).

Ефективността на SVM моделите е оценена чрез площта под кривата (AUC) при петкратна процедура за кръстосано валидиране (обучение в четири обекта и валидиране в петия).

Представянето на алгоритъма за обединено (федеративно) обучение е сравнено с централизираното обучение, при което наборите от данни на всички клиники са обединени в един набор от данни. Резултатът на централизирания модел беше (естествено) същият като този на модела за федеративно обучение, тъй като математически те дават един и същ резултат.

Federated Learning за персонализирани модели за прогнозиране на здравни услуги при лечение на онкологични заболявания

Общ преглед: SpareFare е британска стартираща компания, която свързва хора, които са закупили самолетен билет или са направили хотелска резервация, но вече не могат да ги използват, с хора, които искат да закупят билет с отстъпка. Екипът им търсеше партньор за разработка, който да им помогне да изградят сложната архитектура зад тяхната платформа. Платформата трябваше да включва комплексни транзакции между различните потребители и бек офиса.

Решението: Когато се присъединихме към проекта, клиентът вече имаше съществуваща платформа. Разширяването на бизнеса и увеличаването на броя на клиентите изискваше да бъде изградена наново от нулата, като се запазят основните функционалности и дизайн. Нашият екип трябваше да създаде скалируема платформа, да добави липсващите елементи и функции както в потребителския интерфейс, така и в CRM частта.

Разработката включваше структура от множество роли и разрешения, обработка на плащания чрез множество източници и одобрения на плащания. Екипът на бек-офиса трябваше да работи в добре структуриран и бърз CRM, който изградихме като изцяло персонализирано решение, за да може да отговаря на динамичните заявки.&nbsp;

Системата включваше и множество интеграции с доставчици на услуги. Най-голямото предизвикателство беше обменът на постоянно променяща се информация за цената на самолетните билети. Задачата изискваше висококвалифициран екип от разработчици. Освен разработката на front-end и back-end, ние ги подкрепихме с консултации по Cloud, DevOps и UX на всяка стъпка. Активно участие взе и нашият data engineering екип, така че системата да е готова да прерасне в платформа за прогнозен анализ в бъдеще.

Технически екип: Решението беше изградено с помощта на разработка на Python, разработка на React.JS, data engineering, UX, DevOps engineering, QA и проектен мениджмънт.

Уеб платформа с CRM за обмен на туристически резервации

Общ преглед: Един от нашите клиенти, образователна компания, искаше да създаде платформа, която да ангажира децата в процеса на учене и да насърчи навиците им за четене. Предизвикателството беше да се създаде платформа, която да има вълнуващ потребителски интерфейс за децата и комплексен back-end с много нива на потребителите. Платформата трябваше да позволява на децата да играят игри с въпроси и отговори, базирани на книги, които са прочели, да се състезават с други деца, да оставят оценки за книгата и да общуват помежду си и в рамките на група.

Решение: Екипът ни започна с разработването на MVP и уеб версията с по-малък екип. След като успешно завършихме MVP, направихме няколко основни подобрения и платформата се разшири до приложения за iOS и Android. Процесът на разработка беше интензивен и изискваше от нас да работим в кратки срокове. Въпреки това предоставихме плавно работеща и ефективна платформа, която работи с хиляди ученици в цялата страна.&nbsp;

Една от уникалните характеристики на платформата беше възможността децата да играят игри с въпроси и отговори, базирани на книгите, да се състезават в отбори, да оставят оценки и коментари и да общуват с учители, съученици, членове на семейството и други потребители. Това не само направи обучението по-приятно, но и помогна за изграждането на общност от млади читатели. Освен това функционалностите на платформата включваха система за виртуални плащания с потребителски портал.&nbsp;

В пиковите моменти на сайта на платформата имаше над 20 000 потребители и тя се справи успешно с натоварването. Това беше доказателство за скалируемостта и надеждността на платформата, която беше проектирана да се справя с голям обем от трафик.

 
Статус: След разработването на платформата през 2019 г. разработихме множество надстройки и нови модули, както и мобилни приложения. Освен това клиентите са повече от доволни и благодарни в партньорството си с нас.

Образователна платформа с игровизация и мобилни приложения

Предизвикателство: Производствено предприятие с над 1200 работници търсеше персонализирано решение за организиране на процесите по поддръжка. Съществуващите ERP системи не покриваха всички изисквания за широкия спектър от дейности. Това е довело до увеличаване на разходите за поддръжка и непредвидени престои.

Клиент: АББ България

Решение: За служителите, свикнали да попълват много документация, която се изисква както от ръководството, така и от одиторите, новата система беше напълно нова методология. Използвайки гъвкав подход за разработка, отделихме време да дефинираме изискванията и да изслушаме потребителите. Системата беше базирана на нашата Fabrico SaaS с подобрения и персонализирани надстройки, адаптирани към клиента. Нашите UX дизайнери и продуктови мениджъри трансформираха изискванията в система, интегрирайки всички персонализирани функционалности в мобилните приложения за iOS и Android.

Добавянето на скенери за QR кодове към съществуващите процеси беше преломен момент и помогна на екипа да увеличи производителността си и да намали времето, необходимо за анализиране на данните и изпълнение на задачите по поддръжка.

За една година работа екипът вече е спестил време и има допълнителна сигурност при проследяването на информацията за ремонтите. Аварийните ремонти бяха намалени с 10% за период от 6 месеца.

Технологии и екип: Python, Angular, разработка на мобилни приложения, UX, QA, DevOps, PM

ERP система за управление на поддръжката и съхранение за международен производствен завод

Преглед: Нашият клиент, компания от сферата на здравеопазването, си постави за цел да подобри възможностите на платформата си за телемедицина, като даде възможност на пациентите и медицинските специалисти да се свързват от разстояние, използвайки иновативна цифрова технология. Основното предизвикателство обаче беше да се надгради и разшири платформата, като същевременно се гарантира, че десетките хиляди пациенти и медицински специалисти, които вече я използват, могат да продължат да имат безпроблемен достъп до нейните функции. 
&nbsp;

Екип: Екипът ни от опитни Python и ReactJS разработчици, работи заедно, за да създаде безпроблемна и интуитивна платформа за практикуващите лекари и пациентите.

 
Решение: Екипът ни си сътрудничи със съществуващия екип на клиента, за да осигури поддръжка и да разработи нови функции за неговото приложение за здравеопазване. Това приложение улеснява безпроблемната комуникация между здравните работници и пациентите, както и с други важни заинтересовани страни в здравеопазването като болници, аптеки и здравни фондове.

За да гарантира най-високите стандарти за поверителност и сигурност, екипът ни внедри цялостен работен процес, отговарящ на изискванията на HIPPA, който създава повторяем план за грижи за всеки пациент и клинично състояние. Приложението предлага широк набор от функции и взаимодействия, като дава възможност на пациентите да получават достъп до здравни услуги, да проследяват здравословното си състояние и да общуват лесно с доставчиците на здравни услуги.

Приложението се интегрира с множество здравни устройства, които събират и анализират данни за пациентите и предоставят ценна информация на здравните специалисти. Благодарение на разширените възможности за анализ приложението позволява на доставчиците на здравни услуги да откриват тенденции и модели в данните на пациентите, което им позволява да вземат по-информирани решения и да предоставят висококачествени грижи.

Въпреки сложността на проекта, нашият екип успешно се справи с редовното рефакториране и текущите подобрения, за да осигури безпроблемно потребителско изживяване и оптимална производителност.

Резултати: Проектът беше много успешен, като екипът предостави новите модули и функции навреме и в рамките на бюджета. В резултат на това потребителската база нарасна до над 100 000 потребители, а клиентът се превърна в доверен партньор на ръководството.

Здравно приложение, което осигурява пълна комуникация между лекари и пациенти

Общ преглед: Един от нашите клиенти се обърна към нас с нуждата от разработване на иновативна и цялостна образователна система за управление на учебния процес. Нашият екип работи в тясно сътрудничество с тях, за да създаде единна платформа, която съчетава основни функции, за да я превърне в незаменим инструмент както за преподавателите, така и за родителите и учениците.

Системата е проектирана така, че да осигурява безпроблемно и ефективно преживяване за всички заинтересовани страни, участващи в образователния процес. Педагозите могат лесно да проследяват напредъка на учениците и да комуникират с родителите, като същевременно управляват документите, проследяват специалните образователни програми и прилагат модела &quot; Responding to the Intervention&quot; (RTI).

Благодарение на разширената функционалност на системата преподавателите могат да гарантират, че всеки ученик получава правилното ниво на подкрепа, което води до подобряване на резултатите от обучението.&nbsp;

Решение: Нашият екип работи в тясно сътрудничество с основателя на образователната система, за да разберем напълно изискванията на преподавателите, родителите и учениците.Провеждахме чести срещи с основателя, за да сме сигурни, че платформата отговаря на техните нужди и надхвърля очакванията им. По време на целия процес на разработване бяхме проактивни и любопитни, задавахме въпроси, за да се уверим, че сме на прав път, и давахме съвети относно UX и функционалността.

Проектирахме и разработихме цялостна платформа, която включваше адаптирани интерфейси за преподаватели и ученици. Интерфейсите бяха проектирани така, че да отговарят на специфичните им нужди и да им осигуряват безпроблемно използване. Екипът ни включи широк спектър от основни функции, включително проследяване на напредъка, комуникация с родителите, управление на документите, проследяване на специалните образователни програми, RTI модел и Gradebook. Добавихме и допълнителни функции като взаимно оценяване на учениците, Goalbank и ценни аналитични табла, за да предоставим на преподавателите ценна информация за резултатите на техните ученици.

За да гарантираме, че изградената от нас система е напълно персонализирана, използвахме Python и Django за back end, React за front end и използвахме възможностите на AWS. Това ни позволи да разработим система, която може да бъде адаптирана към уникалните нужди на всяко училище. Екипът ни старателно тества продукта на всички етапи от разработката, за да гарантира неговото качество и функционалност.

Технологии: Python, Django, React, AWS.

Специална система за учене и управление на учебния процес

Общ преглед: Клиентът се нуждаеше от нашата експертиза, за да разработи интерактивна онлайн платформа за историческо образование, посветена на историите за оцеляване на затворници в лагерите по време на комунистическата епоха в България. Общата идея беше да се даде възможност на потребителите да проведат виртуален видеоразговор с оцелелите, като задават въпроси и получават най-добрият отговор от предварително записан набор от отговори на най-популярните въпроси. Те са почерпили вдъхновение от подобен проект за истории от концентрационните лагери в нацистка Германия, но не са имали техническо ноу-хау как да го постигнат. Подобна платформа може да се види тук. Работихме в сътрудничество с множество екипи, ангажирани със заснемането на интервютата, обработката на видеото и графичния дизайн.

Решение:

Етап 1 - планиране

Започнахме със задълбочено планиране на въпросите за интервютата и процеса на записване, тъй като екипът разполагаше само с няколко дни, които да прекара с всеки човек и нямаше място за грешки. Всяко лице трябваше да бъде интервюирано по предварително подготвен сценарий и да му бъде зададен много конкретен списък от над 500 въпроса, като например: &quot;Как се казвате?&quot;, &quot;Кой е любимият ви цвят?&quot;, &quot;Какво си спомняте за Втората световна война?&quot; и други.

Етап 2 - Подготовка на данните

Екипът за последваща обработка на видеоклиповете се зае с нелеката задача да изреже и редактира необработените видеоклипове в набор от няколко хиляди видеоотговора. Нашата задача беше да категоризираме всички видеоданни чрез подход на претеглени ключови думи и да приложим алгоритъм, който да съпостави ключовите думи във въпроса на потребителя с категоризираните отговори в базата данни. 
&nbsp;

Етап 3: Разработване на алгоритъм

Като взехме предвид граматическите особености на българския и английския език, направихме няколко итерации на конфигурацията, за да коригираме тежестите на ключовите думи и да подобрим работата на алгоритъма. Всички тестове бяха наблюдавани и активно използвани за постоянно подобряване на алгоритъма.&nbsp;

След като платформата регистрира достатъчно данни от реални потребители, планът беше да се въведе езиков модел с изкуствен интелект, за да се даде възможност за още по-реалистични и проницателни разговори с оцелелите. Все пак щяхме да използваме алгоритъма за съвпадение на ключови думи, за да сравняваме и измерваме ефективността на AI модела, за което щяха да са необходими значително повече данни, отколкото първоначално имахме в началото на проекта.&nbsp;

Етап 4 - Разработване на уебсайт

Когато алгоритъмът беше готов, продължихме с интегрирането му в останалата част на платформата, където потребителите могат да влизат, да проследяват предишни чат сесии и да откриват интересна информация и факти за конкретния исторически период за по-нататъшна оценка.

Видео платформа и чатбот за образователен исторически музей

Общ преглед: Екипът ни беше потърсен от организация с нестопанска цел, която се фокусира върху подобряване на качеството на гражданското образование в училищата в цялата страна. Те търсеха цялостна платформа, която да предостави на учителите и активните граждани работещи материали за преподаване на предмета гражданско образование.

 
Предизвикателство: Основното предизвикателство беше да се разработи лесна за използване платформа, която да позволи на учителите бързо и лесно да генерират план за преподаване на десетки теми от учебната програма. Също така трябваше да гарантираме, че платформата отговаря на изискванията на Министерството на образованието и предоставя на учителите изчерпателен набор от цели и дейности за уроците.

 
Решение: Екипът ни разработи платформа с ресурси, която даде възможност на учителите и активните граждани да получат план за провеждане на подбрани дейности по избрана тема от гражданското образование. Създадохме интуитивен интерфейс за учителите, който им позволи да изберат аудиторията, да изберат раздела и урока, който искат да подготвят, и да моделират начина на провеждане на урока. Включихме и набор от цели на урока, които са съвместими с изискванията на Министерството на образованието. Всеки план на урок включва идеи за дейности, изисквания и необходимо време за подготовка. С така създадения план може да се направи лист за учениците. Всеки учител може да види всички създадени уроци в своя профил.

Платформа, генерираща съдържание за гражданско образование за учители

Данни и анализи

AI & ML

Софтуерна Разработка

We specialize in crafting innovative software solutions that effectively address technical challenges in various industries, including healthcare and pharma, banking and fintech, manufacturing, and education.