Организация, в которой трудится Роман, занимается технической диагностикой объектов трубопроводного транспорта. Работа ведется со стальными конструкциями. Их особенность в том, что со временем сталь стареет. И остается два пути: полная замена (это очень дорого) либо оценка технического состояния (выгоднее). Во втором варианте важно вовремя выявить дефект и устранить его, не допустив разрушения конструкции.

Роман создал нейросеть, которая смогла решить задачу выявления и оценки степени опасности дефектов в трубопроводах. Программа получилась автоматизированной, без участия человека. Нейронка вместо специалиста оценивала массив данных и автоматически выявляла дефекты, определяла их типы и параметры.

Размер выборки дипломного проекта составил 50 тыс. объектов. На деле нейронка училась на внутренней базе данных из 120 млн ранее обнаруженных дефектов. Это данные, которые были записаны в результате технической диагностики с применением современных методов неразрушающего контроля.

«В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра. Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи».

В процессе нейросеть показала высокую точность — результат превзошел все ожидания! Для сравнения: человек при поиске дефектов «пропускает» порядка 15%, нейросеть не более 1% . Также, процесс оценки опасности дефектов с использованием людей давал 20% погрешности, нейросеть смогла снизить погрешность оценки опасности дефектов до 5%. Мы смогли автоматизировать процесс и повысить качество работы.

В дальнейшем Роман планирует помимо полносвязных сетей попробовать сверточные сети, чтобы посмотреть, как решится задача с их помощью.

Евгений Проворов пришел на обучение в Университет Искусственного Интеллекта для того, чтобы научиться внедрять новые технологии в деятельность компании. Прошлый 25-летний опыт программирования дал хорошую базу для понимания. Но для того чтобы освоить нейросети, пришлось разобраться в Python и изучить тонкости всех процессов.

Компания занимается автоматизацией различных процессов на промышленных предприятиях. Идея была в том, чтобы создать нейросеть, способную определить возгорание на ранней стадии по видеосъемке с камер наблюдения. В дальнейшем такую «нейронку» возможно внедрить в качестве дополнения либо вместо традиционных систем пожарной сигнализации в офисах, производственных, складских помещениях и открытых промплощадках.

Пожарные датчики обычно срабатывают от 30 секунд до 2 минут после начала возгорания. За это время огонь увеличивается, и потушить его гораздо сложнее. Решение быстрого реагирования на огонь в первые 20-30 секунд поможет предотвратить пожары.

Евгений протестировал нейросеть на базе 1000 фото с огнем и дымом, 20 видео с началом пожаров, 15 видео с камер офисного наблюдения. Сходу была достигнута высокая точность в 90,8%, но нейросеть не распознавала небольшой огонь меньше 1-2% изображения (500-1000 пикселей). После этого решили обучить нейронную сеть по разнице кадров, чтобы отслеживать небольшие изменения по динамике огня.

Год назад Денис Яцышин увидел сильную потребность фармацевтического рынка в новом продукте. Основная «боль» — в отсутствии единой системы учета всех аптечных товаров. Каждая компания ведет собственные справочники с дублями, неточностями, опечатками. Это создает трудности в поиске и отчетности.

На данный момент эталонный справочник состоит из 170 000 наименований. Туда входят медикаменты и БАДы, а также сопутствующие товары: леденцы, подгузники, женская гигиена, косметика, детские товары.

База данных для обучения составляет чуть более 2 миллионов записей для обучения сети.

Из-за того что в системе учета по-разному написаны позиции, маркетологи и маркетинговые компании не могут учесть все продажи и в итоге не получают бонусы в полном объеме.

Для того чтобы автоматизировать процессы между крупными оптовыми поставщиками и аптеками, Денис Яцышин создает систему, которая могла бы находить автоматически любые написания одинаковых товаров в разных номенклатурных справочниках.

Тестовая нейронная сеть была построена на основании часто используемых товаров, но 8 месяцев написания алгоритма не принесло желаемых результатов.

Познакомившись с основателями Университета Искусственного Интеллекта, Денис Яцышин понял, что сможет найти тот самый идеальный механизм.

Стояла глобальная цель — разработать систему, способную автоматически сопоставлять номенклатурный справочник с неким эталоном.

В результате обучения точность распознавания наименований стремится к показателям, близким к распознаванию человеком. Благодаря этому программа может в скором времени стать отличным помощником как в аптеках и аптечных сетях, так и в других областях на фармацевтическом рынке, таких как фарм. аналитика.

Денис нашел огромное количество возможностей по её улучшению. Например, сделать сегментацию текстов подобно тому, как это делает человеческий мозг.

Тимофей Скрыльник пришел на обучение, имея основательную базу и все шансы на успех. В прошлом — образование МГУ ВМК, кафедра методов математического прогнозирования под руководством Ю.И. Журавлёва. В МГУ Тимофей познакомился с наработками СССР в области методов, называемых сейчас Data Science.

Сейчас это уже забыто, но эти методы широко разрабатывались Советским Союзом, в том числе для боевых систем. В дальнейшей карьере Тимофей получил опыт разработки на C++ и опыт внедрения систем корпоративной аналитики на платформе Oracle Applications, бизнес-образование в одной из ведущих европейских бизнес-школ.

В качестве дипломной работы Тимофей создал продукт, позволяющий по серии фотографий опознать болезнь садового растения. В итоге получилось приложение для Android, которым могут пользоваться садоводы-любители, фермеры, агрокомпании.

За основу Тимофей взял более 3000 изображений и сузил выбор до огурцов и помидоров. Нейронку писал каждый день на протяжении 2,5 месяцев. На обучающей выборке нейросеть смогла распознать 17 видов болезней с точностью 98%.

Для применения в реальных садах и полях требуются биотехнологические исследования: болезнь имеет десятки симптомов и характеристик, тонкие различия могут быть выявлены только с помощью микроскопа и исследований в лаборатории, после чего нейросеть легко их изучит.

По завершению дипломной работы Тимофей увидел, что уже было создано несколько похожих продуктов. А значит:

1. Есть конкурентный рынок, продукт востребован.

2. Идея рабочая, потому что одновременно пришла нескольким разработчикам сразу.

После окончания обучения Тимофей в качестве разработчика присоединился к стартап компании, работающей в сфере применения Data Science к задачам электронного маркетинга. Стартап осуществляет разработку ИИ системы и предоставляет консультационные услуги по ее применению на данных клиента. Дипломная сработала как портфолио и «продала» как специалиста.

Сергей Шепелевич — системный инженер-администратор из Белоруссии, десять лет работающий удаленно в российской компании. Понимая, что перспективы на работе ограничены, Сергей начал искать новую тему для профессионального развития.

«Я давно наблюдал за сферой искусственного интеллекта. И когда увидел рекламу курса Университета, решил обучиться созданию нейросети».

Сергей поставил высокую цель — ему хотелось взять такую тему диплома, которую можно сразу применить на практике. Для определения направления он встретился с заведующим отделения онкологии местной больницы и узнал о том, что требуется помощь в маммограммах.

В Республике 1,5 миллиона женщин, которых нужно обследовать каждый год, а врачей не хватает. Программа, созданная на основе нейросети, поможет охватить все женское население в вопросах обследования.

Целью работы было создать решение, способное определять 3 состояния пациентов:

1. Отсутствие патологий.

2. Обнаружена доброкачественная опухоль, но рака нет.

3. Есть рак.

Основная база для исследования — 340 образцов фотографий маммограмм, но их было недостаточно. Поставив целью увеличение размера данных и привлечение внимания к идее, Сергей связался с Министерством здравоохранения Республики Беларусь и побывал на встрече с врачами. По их мнению, задача решала только часть проблемы. Они предложили идею того, чтобы нейросеть могла подсветить те области, в которых есть проблема.

«Я доработал нейросеть, и у меня получилось создать 2 программы. Первая определяет, есть рак или нет, но пропускает доброкачественные опухоли. Базовая точность — 70 %. Вторая — отсекает тех, кто здоров. Базовая точность — 90 %».

То, что у меня сейчас есть — одна из важных заготовок, которую можно использовать внутри сканера по определению рака. Программа сможет сразу сортировать пациентов: есть проблема или нет. И нужно ли проходить дальнейшее обследование.

Самая большая проблема с внедрением — ответственность за принятие решения. Ошибка здесь может стоить жизни. Но программа — не замена врача, а помощь ему. Специалисты утверждают, что нейросеть уже в текущем виде сможет страховать молодых врачей. Врач не допустит ошибку — программа напомнит. Специалист сможет поправить программу в случае, если она вдруг ошибется.

«В настоящее время я решаю вопрос с получением данных для улучшения нейросети. Пока мешает бюрократическая проблема, но этот вопрос я обязательно решу».

Дмитрий Полещенко — преподаватель ВУЗа, решивший расширить свой кругозор в области современных нейронных сетей и получить практические навыки в их проектировании. Объектом дипломной работы стала важная задача для одного из переделов металлургического завода.

На металлургическом заводе города производится металлопродукция. Одним из промежуточных звеньев являются стальные заготовки сечением 300х360, на торец которых механическим способом (клеймовочной машиной) наносится девятизначное клеймо.

Одной из технологических операций является загрузка данных заготовок в печь для нагрева перед прокатом. Загрузкой занимается оператор в ручном режиме. Посад зависит от марки стали, который забит в коде. Также оператор должен сличать данный код с тем, что реализовано в его базе для каждой из четырех печей под конкретного потребителя. Если он вдруг ошибается и садит в печь не ту заготовку, то покупатель получит не ту заготовку и выставит предприятию штраф, который исчисляется десятком миллионов рублей.

Для помощи оператору с целью дублирующего контроля на данный момент создается система, обеспечивающая автоматическую идентификацию номера литой заготовки.

Первоначально задача распознавания решалась на сверточных нейронных сетях. Однако, с их помощью задачу решить не удалось, точность распознавания не поднималась выше 65%.

Во время обучения Дмитрий узнал о различных более мощных структурах нейронных сетей способных решать поставленную задачу. В рамках исследования, совместно с коллективом единомышленников для распараллеливания огромного объема работ, была решена задача по определению типа нейросети, которая наиболее точно распознавала цифры клейма. В исследовании прорабатывалось применение базовых архитектур сетей из библиотеки Segmentation models, а именно Unet, FPN, Linknet, PSPNet. В качестве backbones использовались сети resnet34, seresnet34. Также удалось разобраться с установкой, обучением и работой сети FasterRCNN.

Для создания датасета на заводе была установлена видеокамера с помощью которой удалось собрать базу для обучения сетей, состоящую из 10 000 изображений.

В результате исследования были выявлено, что наилучший результат из сетей библиотеки Segmentation models дает сочетание FPN c backbones seresnet34 и этот результат соизмерим по качеству с результатом сети FasterRCNN.

В результате на тестовой выборке из 1000 клейм FPN сеть дала 90 % точности, FRCNN — 92 %. Однако следует отметить, что сеть FasterRCNN работает быстрее. Для выдачи результата она тратит порядка 0,2 сек, а сеть FPN – 1 сек.

В планах — улучшить точность распознавания до 99 %. Есть гипотеза, что самый лучший результат получится на совмещении этих двух сетей.

Евгений Маханьков — разработчик с 19-летним опытом работы в программировании. В процессе обучения в Университете Искусственного Интеллекта создал и протестировал нейронную сеть, которая помогает в классификации документов.

Основные цели — организация доступа к документам и усовершенствование рабочего процесса в рассылках. Все документы, хранящиеся в делопроизводственной системе, необходимо сортировать по классам. И грамотно автоматизировать процесс рассылки документов тем специалистам, которые с ними работают.

Задача — создание нейронной сети, которая сможет выбирать из всех документов договоры на создание и закупку аудиовизуальных произведений.

Нейронную сеть обучили на базе из 9500 документов, протестировали и интегрировали в разработанный Евгением web-сервис на базе django фреймворка.

Тестовая выборка для оценки качества работы нейронной сети была получена просто взятием из системы 243 новых на момент проверки документов. Метрики точности полноты на проверочной выборке показали 99% значение — верно отклассифицировано 240 документов из 243.

Также были детально изучены полученные 3 ошибки классификации на тестовой выборке. В двух случаях из трех это была ошибка в разметке данных. И в 1 оставшемся случае — сложный договор, который трудно поддавался даже ручной классификации.

Ильдар пришел в Университет, чтобы освоить перспективную профессию и прокачать навыки специалиста по искусственным нейронным сетям. Высшее образование по специальности «Информатика и управление в технических системах» дало общее представление, но не узконаправленные навыки. Понимая это, Ильдар решил учиться снова.

В сентябре 2018 года начал самостоятельное изучение языков программирования JAVA и Python. Затем увидев перспективу нейронных сетей, закончил обучение в Университете Искусственного Интеллекта.

«Самое главное, что я получил по итогу обучения — отличный скилл. Планирую совершенствовать свой навык и найти достойную работу для себя. Хочу помогать компаниям в решении их задач с использованием нейронных сетей.

Обучившись в Университете Искусственного Интеллекта, я увидел, что теперь с новыми навыками и знаниями смогу найти хорошую работу. Для меня это идеально — когда за деятельность, которой люблю заниматься, я могу получать достойную оплату».

Дипломный проект помог пройти шаг за шагом все этапы построения нейронной сети. При решении задачи генерации изображений часов проверялась гипотеза, сможет ли GAN выдать изображения абсолютно оригинальных часов, которые еще не разработаны.

Для этого потребовалась тщательно отобранная база из 11 000 изображений и 5 часов в день в течение 1,5 месяца на написание нейронной сети и ее обучение. Поддержка куратора дала проекту новые идеи.

В результате удалось в общих чертах получить изображения новых моделей часов. Четко видны стрелки, циферблат, где-то есть дополнительные циферблаты и окошко для даты. В перспективе Ильдар планирует «допиливать» проект, чтобы улучшить результат выдачи.

Юрий Кобызев — начальник отдела информационных систем в спутниковой компании ООО СТЭККОМ. Он поставил перед собой задачу изучить принципы работы нейронной сети — для собственного развития и внедрения в компанию.

Перед Юрием стояла задача отслеживать камерой разные виды объектов (людей, животных, автомобили). Отсутствие хорошей связи было проблемой — невозможно было передать весь видеопоток.

Было решено передавать не весь объем информации, а короткое смысловое сообщение. К камере был подключен недорогой одноплатный компьютер Nvidia-nano с GPU процессором специализированный для работы нейронных сетей. Она распознавала картинку напрямую с камеры и передавала короткую информацию о найденных объектах через спутниковый канал.

Такая технология позволяет значительно снизить стоимость отслеживания. Полный видеопоток обходится дорого, а система отслеживания конкретных действий снижает затраты.

Примеры команд для нейросети: следить за участком, пропускать хозяев, сигнализировать о несанкционированном проникновении на территорию участка.

В создании дипломного проекта Юрий использовал модели Resnet-18 и GoogleNet, дообучив их на своей базе. За основу он взял 1000 фотографий (своих и сотрудников) и обучил сеть определять кто есть кто на фотографиях. Затем сеть научилась распознавать лица на других изображениях с точностью до 78%.

Основное время (3 месяца) ушло не на обучение нейросети, а на изучение программного обеспечения, которое обучает нейросеть, а также на формирование базы.

У Александра был давний интерес к нейронным сетям. В Университете Искусственного Интеллекта он провел исследовательскую работу по снижению времени и сложности машинного обучения и выбрал для этого проекта задачу по сегментации лиц. Для этого оказалось достаточно базового уровня программирования.

Что сделано за время обучения:

Придуман собственный алгоритм, которого нет на рынке. Обычно для сегментации лиц необходимо «разметить базу» — графически выделить лицо на фотографии.

Для этого требуется большая работа по подготовке базы — время специалистов и деньги на их работу. Алгоритм Александра позволяет сегментировать лица без подготовки такой базы. Была использована обычная база из 5000 фотографий мужчин и женщин, которую легко достать.

Этот алгоритм значительно упрощает внедрение нейронных сетей по сегментации — а это сейчас одна из самых популярных задач для бизнеса и исследований.

Год назад Максим Стекольщиков приступил к выполнению задачи по сегментации для агрокомпании. Это требовалось для контроля перемещения животных по территории агрокомплекса. Традиционный метод библиотеки-помощника не сработал, и тогда Максим начал искать новое решение. Он узнал, что эффективнее всего распознавать объекты через нейронные сети и решил пойти на обучение.

«Мои знания до обучения в Университете Искусственного Интеллекта были обрывочными, продвижение в работе было медленное. Я понял, что мне необходимо полное погружение в тему и сопровождение на этапе тестирования, и записался на курс. В результате обучения увидел, что нейронные сети — это современный метод и мощный инструмент для решения задач. Я рад, что моя давняя задача сдвинулась с мертвой точки и получила новое развитие».

В дипломной работе Максим протестировал распознавание животных на видео. Цель — распознавание конкретного животного. Система должна была точно определить кличку конкретного объекта.

Взяв за основу базу в 5 часов видео и 10 000 картинок, Максим добился 80-85 % точности распознавания. Проблемой стала особенность съемки: в зависимости от угла перемещения животного нейросеть не всегда могла правильно его распознать.

Сейчас проект работает в тестовом режиме. В планах сделать нейросеть более гибкой, чтобы не зависеть от режима видеосъемки. Желанная цель — 90 % точности. Есть версия, что повысить точность поможет метод распознавания движения животного, а также расширение базы данных. Это улучшит качество алгоритма и возможно решит проблему с похожими животными. Также планируется рассмотреть использование сети Inceptionv4 или Inception-resnet.

Алексей Рогачев — преподаватель технического ВУЗа, кафедры математического моделирования. Взялся за изучение нейросетей для саморазвития и исследовательских целей. Алексей — самый старший выпускник Университета ИИ: на момент обучения ему было за 60.

Программированием не занимался много лет — когда-то использовал «старый, добрый» Фортран. В процессе обучения вынужден был уделить внимание языку Python и основам объектно-ориентированного программирования.

«Изучение программирования практически с нуля далось мне сложно, отчасти и тяжело, но было очень интересно. Благодаря продуманной программе курса получалось шаг за шагом усвоить конструкции Python. Преподаватели — яркие и харизматичные — давали много полезного и оказывали поддержку. Поэтому удалось завершить обучение с разработкой своего проекта. И планирую продолжить обучение по одной из новых Программ в Университете Искусственного Интеллекта».

Цель дипломной — создание нейронной сети, которая могла бы распознавать состояние участков сельскохозяйственных полей, а именно выявлять дефектные участки по изображениям с дронов.

Когда речь идет о десятках гектаров земли, ручного труда специалистов не хватает. Для решения задачи специалисты пытаются использовать средства дистанционного зондирования. Но оценить дефекты по полученным изображениям довольно сложно. Нейросеть сможет решить проблему в тех масштабах, где коллектив людей не в состоянии справиться.

Разработанной сети для обучения предлагались «эталонные» изображения качественных и дефектных участков. Она отличала, какие участки содержали дефекты. Итоговая точность нейросети на тестовой выборке— 71-83 %. Этого вполне достаточно, чтобы сеть помогала в реальной работе. Стоит отметить, что размер обучающей базы был достаточно малым — порядка 300 изображений, что потребовало реализации аугментации. Увеличение обучающей выборки позволит значительно поднять точность распознавания в будущем.

В планах — разработка следующего этапа, после завершения которого усовершенствованная архитектура сети сможет классифицировать участки по типам дефектов. В этом, по мнению, Алексея, поможет улучшение обучающей выборки и корректировка ее макропараметров.