Zkušenosti s využitím umělé inteligence v našich projektech a typových řešeních

Díky využití AI v oblasti detekce poškození, prediktivní analýzy i automatizace a optimalizace procesů pomáhají Aricoma specialisté firmám zlepšovat kvalitu, zvyšovat efektivitu a optimalizovat provoz napříč různými odvětvími.

Zveřejněno dne: 09. 10. 2024

Inspirace a aktuality

Oblasti umělé inteligence, které využíváme

V námi realizovaných projektech a našich typových řešeních se objevuje několik oblastí AI modelů a algoritmů.

Deep Learning [DL]
Funkce umělé inteligence, která napodobuje fungování lidského mozku při zpracování dat a vytváření modelů pro jejich použití při rozhodování.

Computer Vision [CV]
Algoritmy počítačového vidění se snaží porozumět obrazu jeho rozkladem a studiem různých částí objektů.

Machine Learning [ML]
Strojové učení umožňuje stroji rozhodovat se na základě minulých zkušeností.

Neural Networks [NN]
Řada algoritmů, které se snaží rozpoznat vztahy v souboru dat prostřednictvím procesu, který napodobuje fungování lidského mozku.

Natural Language Processing [NLP / LLM]
Model zpracování přirozeného jazyka je věda o čtení, porozumění a interpretaci jazyka pomocí stroje.

Cognitive Computing
Algoritmy, které se snaží napodobit lidský mozek tím, že analyzují text, řeč a obrázky způsobem, jakým by to udělal člověk.

Automatická detekce vad na dopravnících

V rámci automobilové výroby jsme implementovali pokročilý [DL/CV] model, který v reálném čase monitoruje dopravníky a detekuje desítky typů poškození, včetně trhlin a opotřebení.

Systém okamžitě informuje údržbu o potřebě zásahu, což vedlo ke snížení počtu neplánovaných prostojů, zvýšení produktivity a zlepšení celkové spolehlivosti výrobního procesu.

Optimalizace výrobních procesů

Pro Schwan Cosmetics jsme nasadili pokročilé řešení strojového učení [ML], které monitoruje výrobní proces kosmetických tužek a predikuje odchylky od plánu. Systém detekuje potenciální problémy, jako jsou prostoje nebo zvýšená produkce zmetků, a nabízí doporučení, jak je řešit.

Díky tomu se zrychlil průchod výrobou, snížily se náklady na jednotlivé zakázky a celkově se zvýšila efektivita výroby.

Automatizace třídění

e-mailů

Pro zákaznické centrum energetické společnosti jsme nasadili řešení [NLP], které automatizuje třídění e-mailů do více než 40 kategorií, jako jsou fakturace nebo technické dotazy.

Denně systém zpracuje přes 2 300 e-mailů, což zrychlilo rozdělování požadavků, zvýšila konzistence třídění a snížil počet chyb. Došlo tak ke zlepšení celkové zákaznické spokojenosti.

Využití AI při práci s dokumenty / vlastním obsahem

U firmy zpracovávající velké množství požadavků jsme pomohli zvýšit kvalitu a rychlost právních služeb. Pomocí tzv. RAG technik kombinujeme generativní AI s kategorizací dotazů a vyhledáváním relevantních informací.

V tomto případě jsme pro [LLM] algoritmy využily cloudové Microsoft Azure AI. Řešení je ale možné nabídnout i ve vlastním uzavřeném on-premise modelu.

Platforma pro vytváření inteligentních asistentů

Naše typové řešení #1 využívající pokročilé [LLM] modely poskytuje personalizovanou podporu v reálném čase.

Kombinace LLM, finetuningu a technologie RAG (Retrieval-Augmented Generation) umožňuje přesné odpovědi a rychlé vyhledávání relevantních informací, to zvyšuje efektivitu procesů a nabízí podporu přizpůsobenou potřebám uživatelů.

KNIME, univerzální platforma pro analýzu dat

Naše typové řešení #2, využívající open-source nástroj KNIME Analytics Platform pro analýzu a vizualizaci dat, usnadňuje obchodní rozhodování.

Platforma umožňuje snadné čištění a transformaci dat, tvorbu modelů strojového učení, analýzu textu a tvorbu vizualizací a reportů. Podporuje tím datové projekty napříč různými odvětvími bez nutnosti programování.

Platforma pro inteligentní rozpoznání obrazu

Naše typové řešení #3 zahrnuje modul pro detekci anomálií, který identifikuje nespecifikované vady a nepravidelnosti na základě hlubokého učení [DL/CV]. Systém, trénovaný na bezchybných obrázcích, umožňuje detekovat odchylky bez nutnosti definovat všechny možné vady předem.

Díky intuitivní anotaci lze snadno lokalizovat objekty a detekovat přítomnost či absenci komponent.