Задача:
Требовалось определять эмоции и микроэмоции для решения задачи кредитного скоринга. Определение эмоций по голосу реализовывалось с помощью обучения глубоких нейронных сетей на основе мел-спектограмм.
Определение эмоций по тексту осуществлялось с помощью модификации и файнтюнинга трансформера BERT, определение эмоций на фотографии осуществлялось с помощью собственной архитектуры глубокой нейронной сети.

Результат:
Удалось достигнуть точности распознавания 3 эмоций по аудио 70% (f1) , по тексту 82% (f1), по фото 90% (f1).

Задача:
Разработать систему, классифицирующую текстовые обращения по горячей линии для перенаправления обращения целевому сотруднику. Для разработки данного проекта был формирован датасет из 10000 обращений, затем использовался модифицированный трансформер BERT.

Результат:
Точность классификации обращений по 33 классам составила 85%.

Задача:
Разработать систему, рекомендуемую товары, которые до этого не покупались клиентом на основе его истории покупок.Было проведено исследование, на основе которого создали такие модели, как NCF (нейронная коллаборативная фильтрация), VAE (вариационные автоэнкодеры), модификация алгоритмов кластеризации (k-means).

Результат:
Разработанные модели превосходят по конверсии рандомные товары в 3 раза и самые популярные товары в 2 - 2.5 раза при условии рекомендации ранее не приобретенных клиентами товаров.

Задача:
На основе таких признаков как расстояние, количество курьеров, количество сборщиков , очереди и т.д. прогнозировать время доставки товара до конечного пользователя. Для достижения поставленной задачи было проведено исследование в рамках которого наилучший результат показал градиентный бустинг.

Результат:
Была разработана модель со средней ошибкой в 13.9 минут.

Задача:
Прогнозировать объем потребления воды в различных районах города-миллионника для осуществления планирования.

Результат:
После обучения модели прогнозирования временных рядов на 5-летних данных была получена точность, удовлетворившая заказчика. Обучающая выборка составляла 500 тыс. абонентов.

Задача:
В связи со спецификой работы сервиса требовалось разработать нестандартную рекомендательную систему, работающую на основе похожести аудиозаписи. Для реализации были выделены некоторые признаки аудио, после чего сравнивались вектора записей.

Результат:
Рекомендательная система была верифицирована заказчиком и успешно применяется в работе музыкального сервиса.

Задача:
Разработка системы определения размеров человеческого тела по фото.

Результат:
Погрешность вычислений не превышает 5% в 90% случаев. Система успешно запущена и применяется.

Задача:
Есть привод, который "увозит" из шахты уголь. Задача - сегментировать этот главный привод (U-Net), а также искать угол его отклонения от заданной линии.

Результат:
Точность 75%

Задача:
Классифицировать текст и подсвечивать необходимые зоны. Система была построена на основе глубоких нейронных сетей.

Результат:
Система с точностью 90% успешно заработала и была запущена в продакшн.

Задача:
Спрогнозировать спрос на парфюмерию и косметику через сетевые магазины и маркетплейс. Для прогнозирования спроса использовали модели градиентного бустинга. Для ценообразования: среди возможных вариантов цен подбирали оптимальные (при которой прогнозируемый объем спроса был больше) и давали рекомендации клиентам.

Результат:
Система достигла заданных параметров точности и была принята заказчиком.