Одна из крупнейших ритейл-сетей России «Магнит» совместно с AI-компанией Napoleon IT продолжает создание системы прогнозирования и пополнения товаров (F&R). Главная цель проекта — создать и внедрить решение, которое закроет потребности ритейлера на ближайшие 10-15 лет. В этой статье директор по продукту «Napoleon AI-Driven Replenishment» Азамат Ниров и CTO программы проектов F&R в «Магнит» Михаил Гедзберг рассказывают о преимуществах инкрементального метода разработки и объясняют, почему его используют при создании новой системы.

Завершился масштабный хакатон AI Product Hack 2024, организованный магистратурой AI Talent Hub университета ИТМО и Napoleon IT. Мероприятие стало ключевой площадкой для демонстрации решений на основе искусственного интеллекта (ИИ) и сотрудничества между молодыми разработчиками и крупными бизнес-компаниями. 298 участников представили инновационные разработки, направленные на решение актуальных задач в различных отраслях.

Технологии, формирующие будущее

В этом году искусственный интеллект получил признание на самом высоком уровне — впервые Нобелевская премия по физике была присуждена за исследования в области нейронных сетей. Профессора Джеффри Хинтон и Джон Хопфилд, известные как «крестные отцы ИИ», получили награду за свои фундаментальные открытия, которые заложили основу для современных технологий глубокого обучения и машинного обучения. По мнению Нобелевского комитета, их работы «продемонстрировали совершенно новый способ использования вычислительных систем для решения многих вызовов, стоящих перед человечеством»​.

Эти достижения также находят отражение в AI Product Hack 2024, где передовые подходы и методики машинного обучения применяются для создания инновационных решений для бизнеса. К примеру, команда Ailab разработала масштабируемое решение для мониторинга токсичности в AI-продуктах, а команда «Улыбка Мона Лизы» продемонстрировала успешное использование нейронных сетей для анализа нормативных документов.

В рамках хакатона участники предложили решения для таких компаний, как X5Tech (IT-компания ритейлера X5 Group), Raft, Napoleon IT, ЮНИИТ, Норникель и «Лаборатория измерительных систем» (входит в ПАО «Северсталь»). В течение 14 дней участники разрабатывали проекты, многие из которых удивили экспертов своей инновационностью и нестандартным подходом.

Человек несовершенен, но тщательно старается об этом забыть. Даже в таких рациональных делах, как строительство, ведение бизнеса и создание электронных устройств. Продуктовый подход — это способ мышления, который учитывает эти несовершенства при разработке продуктов и таким образом увеличивает вероятность успеха. Меня зовут Дмитрий Латыпов, Product Manager в Napoleon IT, и сегодня я расскажу, какие слабости нивелирует продуктовый подход и на каких основных принципах он строится.

Ожидание и реальность

Как правило, при планировании крупных проектов существует большая вероятность ошибиться с прогнозом о сроках их завершения. Например, международный аэропорт Денвера в США планировали построить за четыре с половиной года, а закончили только через шесть лет и превысили бюджет на два миллиарда долларов. Сиднейский оперный театр в Австралии планировали реализовать за восемь лет, в итоге строили 14 лет, то есть опоздали на шесть лет, и превысили бюджет в 15 раз, потратив 102 миллиона долларов вместо семи. 

Друзья, всем привет! Сегодня хотим рассказать про то, как мы — Виталий, Даниил, Роберт и Никита — при поддержке AI Talent Hub, совместной магистратуры Napoleon IT и ИТМО, создаем Цифработа — сервис цифровых работников, который помогает оптимизировать временные затраты у сотрудников на выполнение рабочих задач с помощью агентов больших языковых моделей (LLM).

В данной статье мы вкратце рассмотрим, кто такие агенты, как они могут автоматизировать рабочие процессы, и обсудим ключевые вызовы, с которыми мы столкнулись при разработке сервиса. Сразу хочется отметить, что данная статья, скорее, служит обзором нашего решения проблемы и тех задач, над которыми мы работали, нежели преследует цель предоставить подробное руководство по применению агентов или проектированию архитектуры сервиса.

Предлагаем начинать!

Привет, Хабр!

На связи Сергей и Григорий - Data Scientist'ы.

Сегодня расскажем, как заняли 2 место в общем зачете AI Generative Product Hackathon, инициированного Napoleon IT,  и 1 место в кейсе по анализу рекламных креативов для крупной российской фармацевтической компании.

Привет, Хабр! Я Вова, Lead Data Scientist. Заметил, что вам очень нравится вместе с нами разбирать решения задач с хакатонов. Сегодня расскажу, как я занял 4 место в соревновании по выявлению незаконных построек по спутниковым снимкам и что мне не хватило, чтобы попасть в топ-3 на Цифровом прорыве. 

Привет, Хабр!

Меня зовут Андрей, и я data scientist. В этой статье расскажу о том, как я занял второе место в конкурсе «Цифровой прорыв» с решением по автоматизации привязки фотографии к географическому положению. Главный инсайт — базовые решения не всегда хороши и проверены. Спойлер — самодеятельность и использование современных подходов помогают победить :) Расскажу на своем опыте, как не сделать свое решение хуже базового и проанализирую подходы других участников.

В 2022 году компания Napoleon IT, входящая в ТОП-10 лучших AI-разработчиков России по версии Clutch, совместно с лидером в области компьютерных наук Университетом ИТМО, создали AI Talent Hub — комьюнити специалистов по машинному обучению, объединяющее таланты, мировые компании и экспертов из индустрии. Наша миссия: развивать мир, развивая таланты. Наша задача: вывести начинающего специалиста на Middle уровень в AI-проекты ведущих ИТ-компаний.

С 2018 по 2019 г. количество вакансий специалистов по машинному обучению стало больше в 1,3 раза. С 2020 по 2021 год прирост по количеству вакансий направления Data Science составил 120%. В 2022 году мы видим тренд — возрастает спрос на специалистов Middle и Senior ML Engineer и Data Engineer. А теперь, внимание, знатоки, вопрос: «Где же взять столько талантливых Middle специалистов»?

Правильный ответ, как вы уже догадались, в говорящем названии AI Talent Hub, на базе которого запущена самая крупная проектная магистратура по подготовке специалистов по машинному обучению онлайн. К 2025 году планируется, выпустить 700 AI-специалистов на позиции Middle и выше. В 2022 году на магистерскую программу «Инженерия машинного обучения» выделено 90 бюджетных мест. Бизнес и передовые ВУЗы поняли тот факт, что таланты — это новая энергия, за которой стоят идеи, стремление и следующий этап развития мира. 

Napoleon IT уже имеет несколько собственных магистратур: МФТИ — «Индустриальная биоинформатика», Университет ИТМО — «Компьютерное зрение» , ЧелГУ — «Machine Learning». Подробнее об успешном опыте сотрудничества  читайте здесь. 

Хабр, привет. То, о чем мы расскажем достаточно необычный опыт. Наверняка, многим будет интересно узнать, что мы создавали, а в особенности, как это тестировали. Ведь это сильно отличается от тестирования веба и мобильных приложений, т.к. необходимо иметь физический доступ к весам и периодически приезжать по заявкам пользователей или для теста прода. Мы разработали приложение для весов с сенсорным экраном, которые можно встретить в магазине в отделе с фруктами и овощами, куда вы кладете мешок яблок, набираете на экране номер товара, и они показывают вес и стоимость, а затем печатается ценник со штрих кодом. Попробовали сделать обычные весы умными, и вот, что из этого получилось.

Рассказываем, как мы, ML princesses [Napoleon IT] стали победителями кейса от Минприроды «Защита редких животных», и решили задачу по созданию сервиса, способного распознавать в дикой природе особо редкий вид хищников- амурского тигра. Десятый региональный хакатон проходил в рамках федерального проекта «Искусственный интеллект».

2021 год был очень насыщенный на хакатоны и ИТ-чемпионаты. Мы неоднократно писали о том,  что специализируемся на проектах по компьютерному зрению. В этом наша сила. На AgroCode Hack нам предстояло за 40 часов решить кейс с использованием компьютерного зрения и AI по сегментации и отслеживанию поросят. Рассказываем, как в очередной раз заняли призовое место на хакатоне и отследили всех хрюш. 

В современном быстро развивающемся мире, все больше нас окружает новостная повестка, посвященная технологии блокчейн, криптовалютам, смарт контрактам, NFT и с недавнего времени к ним добавились метавселенные. Какие перспективы нам способны открыть эти популярные нынче слова? Мы постараемся выяснить в этой статье.

Рассказываем про опыт участия команды Napoleon IT под кодовым названием Night-stress-testing в хакатоне "Цифровой прорыв" и решение кейса от республики Тыва по детекции источников лесных пожаров. 

В Napoleon IT есть идейный генератор и любитель хакатонов - Вова. Этим летом он выиграл с ребятами один из хакатонов "Цифрового прорыва", что очень вдохновило нашу команду на участие. Было несколько месяцев изучить и посмотреть все актуальные ИТ-соревнования. К ноябрю мы наконец решились на участие в хакатоне по компьютерному зрению "Цифрового прорыва". 

В данной статье мы переводим статью от Google, разбираем их опыт внедрения и видения MLOps практик в Machine Learning.

Бывают ситуации, когда у заказчиков есть свои экосистемы и несколько приложений, и они решают упаковать их в SDK и встроить в другие, расширив таким образом функционал. SDK — не единичный Fragment/Activity и не набор утилит — это несколько десятков экранов с кучей бизнес-логики, сетевая прослойка, БД, и пара специфических фич, завязанных на камере смартфона.

Рассказываем, как мы встраивали одно Android-приложение в другое на практике и делимся советами, что делать, если вдруг вам придется столкнуться с подобным случаем разработки SDK

Мы запускаем серию статей про CV  в ритейле. За несколько лет работы с технологиями искусственного интеллекта у нас появилось много опыта и накопилось несколько успешных кейсов внедрения компьютерного зрения в реальный бизнес. И нам есть чем поделиться: распознавание ценников, прайсов сигарет, разметка полок. В этой статье расскажем про то, как мы научились распознавать товары на фото, как отличить водку от яйца и не дать нейронке принять тебя за древесный уголь.  

Привет, Хабр! Сегодня мы хотим рассказать о том, как реализована на практике методика дизайн-мышления ME310, которую используют магистранты из трех ведущих вузов для решения проблемы кадрового голода в ИТ. В этом посте вы узнаете все подробности практики четырех студентов МФТИ, участвующих в проекте. 

В нашем предыдущем посте мы рассказывали о создании единой платформы, способной объединить ИТ-специалистов и компании, которым нужные удаленные сотрудники, а также почему мы вместе с SAP решили обратиться к академической среде для решения проблемы нехватки талантов в будущем.

Вообще, мы сделали выбор в пользу ME310 неслучайно. Эта программа была придумана еще в 1965 году. И именно она помогла решить кучу разных проблем, создавая множество интересных подходов. В частности, MI310 в своей практике использовали Audi, IKEA, GM, Huawei, Lockheed Martin, Merck, Microsoft, Siemens и многие другие. Методика подразумевает решение сложных задач с привлечением мультикультурных команд из разных вузов. Разный возраст, культура, пол, специальность — все это придает проекту широты взгляда.

ME310 подразумевает, что члены мультикультурной команды решают каждую задачу, проходя следующие 6 стандартных этапов.

Привет, Хабр! Я хочу рассказать о нашем новом проекте, который только что был успешно запущен совместно с тремя ведущими вузами мира — Московским Физико-Техническим Институтом, Стэнфордским Университетом и Вестфальском Университете г. Мюнстера. Речь идет о платформе быстрого поиска и найма ИТ-специалистов — oneclickhiring.io — которая начнет работать в следующем году. А сегодня над концепцией платформы трудятся 12 магистрантов разных национальностей, специальностей, пола и культурной принадлежности. И в этом посте вы узнаете, почему мы выбрали такой путь для развития проекта, что такое МЕ310, зачем это нужно студентам, и какой должна получиться платформа в итоге.

Когда весь мир дружно сменил офисы на удаленную работу, в нашей отрасли произошел глобальный, можно сказать даже тектонический сдвиг. Например, в России мы наблюдаем почти 70% увеличение заработной платы ИТ-специалистов за прошлый год. Это происходит потому, что многие переключились на оказание услуг зарубежным заказчикам, продолжая при этом жить в России. Этот феномен называют разными словами, например наш CEO Павел Подкорытов говорит, что произошла “отмена географического рабства” и разрушились “зарплатные горы”. Это значит, что сегодня ситуация, когда разработчик одной и той же квалификации получает в Мехико $1 тысячу долларов, а в Сан-Франциско — 15 тысяч, стала невозможной. Люди стали искать новые возможности, и вместе с этим появилась потребность в сервисах для ИТ-шников, находящихся на другом конце света. 

Поиск подходящих исполнителей для различных ИТ-проектов стал типовой задачей для большинства сервисных компаний. Например, нам в Napoleon IT уже не первый год приходится подбирать нужных специалистов для различных внедрений, разработок, интеграций и так далее. Чтобы делать это эффективно, еще несколько лет назад вместе с экспертами из ИТМО и Московской школы управления Сколково мы разработали методику оценки специалистов и компаний. 

Всем известно, что зарплаты программистов в США или Европе на порядок выше российских. Правда обычно из этого следует, что большую часть заработанного ты тратишь на налоги, жилье, питание, медицину. А как живут разработчики, которые получают зарплату по зарубежным меркам, но живут в СНГ — с нашими ценами и налогами?

Мы запускаем серию статей про разработчиков, у которых получилось найти удаленную работу за границей и комфортно жить на родине.

Сегодня нейросетевые подходы составляют большую часть решений задач в области компьютерного зрения, но при этом работа инженеров в этой области не ограничивается обучением state-of-the-art архитектур на своих данных. Часто такие задачи требуют анализа видео или фотографий в режиме реального времени или с минимальной задержкой на конечных устройствах без возможности горизонтального масштабирования. Это может быть редактирование фотографий на смартфонах или же анализ качества продукции на производстве с помощью микрокомпьютеров. 

Но даже если у нас есть возможность использовать облачную инфраструктуру, затраты на нее довольно внушительны, и хочется иметь возможность их снизить.

Для того чтобы решать задачи компьютерного зрения эффективно, применяются методы оптимизации моделей нейронных сетей, или по-другому - компрессия. 

Мы можем оптимизировать следующие показатели: