Заказная
разработка

Проблема: Сложность выявления несанкционированных мусорных свалок в регионе и наложения ответственности на виновных лиц

Сроки: май 2016 – июнь 2017

Результат:
по факту реализации пилота:
– на 75% сокращено среднее время обнаружения нарушений
– в первые 6 месяцев работы системы на 15% увеличилось количество выявленных несанкционированных свалок
– по итогам года работы системы количество несанкционированных свалок в регионе снизилось на 8%

Решение:
– реализован процесс получения и актуализации космоснимков с разрешением 1 метр на пиксель
– разработана модель автоматизированной регулярной оценки снимков и выявления аномалий и детекции несанкционированных свалок
– интеграция с земельным кадастром для определения собственника и ответственных лиц
– разработан АРМ для контроля выполнения предписаний по устранению нарушений

Проблема: Отсутствие отслеживания в реальном времени состояния мельничного оборудования не позволяет превысить регламентные значения параметров использования и обслуживания, а также не позволяет спрогнозировать риски отказа (поломки)

Сроки: сентябрь 2017 – май 2018

Результат: по факту работы системы в 2018-2019 годах зафиксировано:
– увеличение среднего объема выработки на 8%
– увеличение среднего времени работы на 6%
– сокращение на 28% расходов на ТОиР
– сокращение на 24% времени незапланированных простоев
– снижение длительности внеплановых ремонтов на 10%

Решение:
– оснащение датчиками мониторинга состояния в реальном времени (с подключением к АСУ ТП) четырех стержневых мельниц
– разработана модель прогнозирования состояния и риска отказа на основании собираемых данных
– разработан АРМ для службы ТОиР с показателями текущей работы и прогнозных значений состояния и риска отказа элементов оборудования

Проблема: Кабельная сеть заказчика включает кабели, оконечное трансформаторное оборудование и соединительные муфты. Аварийный отказ элементов сети может повлечь отключение или ограничение нагрузки для потребителей. Прогнозирование точек отказа позволяет избежать аварийных отказов

Сроки: март – июль 2018

Результат:
по факту реализации пилотного проекта:
– достигнута 72% точность прогнозирования риска отказа на основании данных о конкретных единицах оборудования
– определено, что повышение точности прогнозирования возможно путем дооснащения оборудования дополнительными датчиками состояния (напряжения, вибронагрузки) и интеграция с городскими службами по графику проведения земляных работ

Решение:
– проведен сбор и анализ данных по элементам кабельной сети
– разработана ИИ-модель прогнозирования рисков отказа на основании имеющихся данных
– разработан АРМ для службы ТОиР с демонстрацией зон риска и прогнозными показателями

Проблема: Нелинейный риск отказа тормозной системы электровоза требует постоянного мониторинга, который в стандартных условиях проводится в рамках плановых ремонтов путем физического вскрытия и обследования агрегатов. Несвоевременное выявление деградации состояния приводит к аварийным отказам.

Сроки: май 2018 – август 2019

Результат:
по факту проведения пилота зафиксированы следующие результаты:
– достигнута 92% точность прогнозирования риска отказа
– снижение простоев вследствие аварийного выхода из строя агрегатов на 15%
– снижение количества аварийных отказов тормозной системы во время работы на 42%

Решение:
– разработана модель прогнозирования степени риска аварийного отказа агрегатов тормозной системы на базе стандартного комплекта датчиков работы электровоза
– разработан алгоритм прогнозной оценки срока до аварийного выхода из строя (с учетом среднего набега)
– разработан АРМ для службы ТОиР с демонстрацией зон риска и прогнозными показателями

Проблема: Присутствует вариативность путей перевозки и их стоимость. Большое количество факторов влияет на стоимость плеча перевозки (плавающий спрос, погода, сезонность, загрузка портов (чтобы не ходить пустыми обратно) и иных.

Сроки: март – июль 2020

Результат:
По итогам проектирования расчетные параметры системы составляют:
– 80% точность прогнозирования маршрутов с максимальной стоимостью плеча перевозки (подтверждение на основе исторических данных)
– предполагаемое достижение точности в 90% при расширенном объеме данных

Решение:
– предиктивная модель изменения стоимости плеча перевозки на основании прогноза погоды, сезонных колебаний спроса и загрузки портов
– автоматизированные подсказки по стоимости плеча перевозки по конкретному маршруту

Проблема:
Большое количество ресурсов уходит на проверку бумажных документов, предоставляемых студентами. Ручной перенос данных из документов информационные системы провоцирует большой объем ошибок

Сроки: март – август 2022

Результат:
по факту реализации проекта:
– снижена нагрузка в процессах первичной обработки документов на 80%
– посредством системы осуществляется обработка до 50 000 документов год
– снижено время услуги обработки заявлений студентов на 50%

Решение:
– обеспечено автоматизированное распознавание нескольких типов документов
– проведена интеграция с учетными системами образования в целях автоматизированного ввода данных
– разработан АРМ для контроля обрабатываемых документов

Проблема: Большой объем программ ДПО и потенциальных слушателей не позволяет проработать перспективные лиды и совершить сделку. Требуется ранжирование лидов исходя из перспективы продажи. Отсутствуют механизмы измерения ценности посетителя маркетплейса программ ДПО

Сроки: март – ноябрь 2024

Результат:
по факту реализации пилотного проекта:
– прогнозирование изменения CSI посетителей при адресном взаимодействии на уровне 80%
– повышение конверсии при реализации образовательных программ на 8%

Решение:
– подключение к CRM источников касания клиентов, данных идентификации, параметров взаимодействия
– разработка модели ранжирования посетителей по воронке: источник трафика, вовлечённость, конверсия в ключевые действия
– разработан АРМ рекомендаций менеджерам образовательных программ по взаимодействию с лидами

Проблема: Развитие ИТ-ландшафта, количества (более 80 в 2025 году) и функциональности информационных систем кратно усложнило маршрутизацию обращений. Рост количества обращений год к году составляет 20-25% (прогноз 150 тыс. в 2025 году). Следствием является снижение SLA и CSI пользователей (85,6 и 4,24)

Сроки: февраль – июль 2025

Результат:
– сокращение времени на маршрутизацию в 2 раза, снижение ошибок с 42% до 13%
– сокращение общего времени на решение тикетов в 2,2 раза
– 74% обращений решаются в рамках классификации и комментариев ИИ-ассистента
– достижение SLA 97,2, CSI 4,89 в июле 2025

Решение:
– автоматическая классификация типа обращения и компоненты (ИТ-системы или сервиса) на базе семантического анализа запроса и его сравнения с эталонной базой знаний (косинусное сравнение векторных значений), автоматическая маршрутизация запроса на 2 линию
– автоматизация обновления эталонной базы знаний на основе успешных предсказаний
– автоматическая оценка достаточности данных в обращении и запрос недостающих данных
– формирование подсказок оператором 1й линии, формирование ответов пользователям с помощью LLM модели при достижении порога уверенности (нулевая линия поддержки)