Vyhodnocování škodlivých webových stránek.
Kalkulace optimálního řízení.
Detekování nelegálně připojených segmentů.
Implementace prediktivního řízení.
Systém schopný detekovat anomálie v datech produkovaných webovým vyhledávačem.
První příchody zvukových vln z výbuchů. Zlepšení geofyzikální měření, simulace, zvýšení bezpečnosti, snížení nákladů.
Systém řízení účetního managementu.
Metoda pro tvorbu optimálních prodejních oblastí na základě geografických a jiných typů dat.
Řešení pro identifikaci technických problémů v reálném čase v e-commerce.
Nástroj pro identifikaci sharp traders umožňující efektivnější řízení rizik.
Nástroj pro realistickou simulaci kryptoměnového ekosystému.
Současná metoda hodnotící škodlivost webové stránky je ad-hoc kombinací několika metrik. Náš cíl je vyhodnotit funkce, které jsou užitečné pro detekci malwaru, a vyvinout postup založený na strojovém učení, který by zjednodušil a zdokonalil detekci škodlivých webů.
Vývoj finálního algoritmu je stále v průběhu. Dosud testované přístupy zahrnují logistickou regresi, klasifikátory náhodného lesa, posílené stromy klasifikace a stromy klasifikace založené na histogramu gradientního zlepšování.
Výpočet optimálního řízení rozvodny pro další den užitím predikce spotřeby a fotovoltaické výroby a následné porovnání jejich výhod s aktuálně používanou metodou hromadného dálkového ovládání.
Vytvořili jsme nový LODIS algoritmus, který je postavený na předpovědi počasí, predikci spotřeby, výrobě fotovoltaiky a na očekávaném chování spotřebitelů při změně tarifu v různých situacích.
Porovnání použití metody hromadného dálkového ovládání s LODIS algoritmem bylo analyzováno na reálných naměřených datech. Klíčovým ukazatelem byly ztráty - součet čtverců .. průběhů denních bilancí?
Užití metody porovnání ztrát hledáním podobných dnů prokázalo výrazně nižší ztrátovost ve prospěch LODIS metody, která byla následně implementována
Identifikace nelegálně připojených síťových segmentů a míst s nelegální spotřebou elektrické energie.
30 transformátorových stanic (1200 odběrných míst)
Určení podezřelých segmentů
Naší metodou jsme docílili 150% zvýšení přesnosti při určování nelegálních připojení, což dokládají fyzické kontroly sítě (v porovnání s dříve používanou metodou).
Implementovat prediktivní řízení distribuovaných systémů pomocí prediktivní analýzy přímo v rámci již existujících inteligentních měřičů.
Podobný postoj lze zaujmout u jakéhokoliv měřícího zařízení shromažďujícího data. Místo odeslání všech dat je možné provádět výpočty přímo v zařízení a odeslat jen výsledek.
Naše algoritmy BORT a BOCT využívají podstatně nižší výkon, než klasické algoritmy AI, takže predikční modely mohou běžet přímo na měřičích.
Naše algoritmy jsou schopné přizpůsobit se každému jednotlivému koncovému bodu a v průběhu času se vylepšují samy.
Máme zavedené pracovní systémy implementované na několika inteligentních měřičích a pokračujeme v testování s ostatními.
Webový vyhledávač produkuje a ukládá velké množství metadat poskytujících podrobné informace o zpracovaných vyhledávacích dotazech. Tyto informace lze využít k odhadu aktuálního stavu a zatížení samotného vyhledávače a dalších zapojených komponent.
Po analýze datových logů jsme identifikovali důležité proměnné a navrhli statistické agregace, které zvýrazňují potenciální anomálie.
Implementovali jsme algoritmy pro odstranění sezónnosti a šumu z agregovaných dat a vyvinuli jsme sadu detektorů pro hledání anomálií v zpracovaných časových řadách.
Nakonec jsme vyladili parametry detektorů, aby byla optimalizována přesnost detekce.
Vyvinuli jsme detektor anomálií, který umožní detekovat anomálie v reálném čase a upozornit operátory na možné problémy.
Zadání: Zákazník zkoumá složení hornin před tunely. Toto se provádí detekcí zvukových vln odrážených od různých struktur v hornině. Zvukové vlny jsou generovány výbušninami nebo hydraulickým kladivem. Úkolem bylo vytvořit algoritmus pro detekci zvukové vlny ze signálu získaného pomocí geofonů.
Byl implementován algoritmus, který využívá změny energie signálu v čase a křížovou korelaci mezi signály z více výstřelů. Algoritmus byl naprogramován v Pythonu.
Byl vytvořen algoritmus pro detekci prvních příchodů zvukových vln. Navržený algoritmus funguje dobře pro signály generované výbuchy, ale jeho úspěšnost u dat z kladiva je omezená. Byly navrženy přístupy pro vytvoření složitějšího algoritmu vhodnějšího pro data z kladiva.
Vyvinout dynamický analytický systém pro firmu Jaspar s.r.o., účetní firmu specializující se na komplexní účetní a daňové služby, zaměřený na zlepšení řízení kvality účetnictví prostřednictvím podrobného sledování několika ukazatelů.
Byl vytvořen datový sklad pro konsolidaci a optimalizaci dat z účetních systémů POHODA a Dynamics 365 CRM, což umožnilo efektivní analýzu dat. Nástěnka v Power BI zobrazovala klíčové metriky s barevně kódovanými indikátory pro identifikaci stavu účetnictví, integrovaná s údaji o klientech a zaměstnancích pro přizpůsobenou kontrolu přístupu.
Systém se aktualizuje každou noc, aby bylo zajištěno, že informace jsou aktuální.
Rozhraní ve stylu nástěnky v Power BI, které vizualizuje kvalitu účetnictví u více klientů a ukazatelů.
Zákazník je společnost specializující se na webové mapování. Jejich hlavním zaměřením je vizualizace geografických vzorů, vymezování prodejních území a dalších geografických dat.
Naším úkolem je navrhnout a implementovat metodu pro rozdělení geografických map na jednotlivá území tak, aby se minimalizovaly určité metriky. Řešení by mělo nahradit současnou metodu třetí strany. Očekává se také, že poskytne některé další funkce a vylepšenou funkčnost oproti stávající metodě vyvinuté společností WeMapSales.
Po provedení průzkumu dat a výzkumu problému jsme navrhli řešení založené na metodách iterativní optimalizace. Náš přístup byl založen na typu iterativního lokálního vyhledávacího algoritmu a implementacích různých dalších technik optimalizace grafů.
Vyvinuli jsme algoritmus pro rozdělení oblastí v pevninské USA na území schopná optimalizovat mnoho metrik, jako je například variace populace. V současné době se pracuje na implementaci dalších funkcí a zobecnění na širší škálu geografických dat a metrik.
Vyvinout rámec pro detekci anomálií v reálném čase, zaměřený především na identifikaci technických problémů, se kterými se zákazníci setkávají během nákupního procesu. Doba odezvy musí být co nejrychlejší kvůli vysokému objemu zákazníků a příjmům, které jsou v sázce.
Byl vytvořen rámec pro detekci anomálií na základě dat z Google Analytics.
Identifikovat sharp traders na základě jejich chování. Nejjednodušší způsob, jak identifikovat obchodníky s určitým náskokem před trhem, je zkoumat jejich dlouhodobé zisky. Je však obtížné určit, co kvalifikuje jako „dostatečně dlouho“, a navíc je výhodné identifikovat ostré obchodníky co nejdříve. Tento náskok může pramenit buď z technické stránky, nebo ze schopností klienta. Příklady aktivit ostrých obchodníků nejsou snadno dostupné, protože jsou typicky jedinečné a klasifikace obchodníka se může časem měnit.
Byly objeveny různé typy účtů s náskokem před trhem. To umožňuje Purple lépe řídit rizika spojená s jednotlivými klienty. Čas strávený odborníky na klasifikaci se významně snížil.
Vytvořit digitální dvojče schopné věrně reprezentovat chování komplexního ekosystému včetně interakcí jednotlivých entit. Využití dvojčete k simulaci scénářů s různými parametry a pobídkami jednotlivých entit systému.
Bylo vytvořeno digitální dvojče a následně využito pro simulace různých scénářů. Vytvořený nástroj umožňuje předcházet problémům způsobeným nevhodným nastavením parametrů systému nejen v situacích, kdy má dojít k jejich změně.
