В конце 2020-начале 2021 года команда Technology Hub в Wavemaker Russia на живом кейсе протестировала возможности SaaS платформы Neuton AutoML, которая представляет интуитивно понятное решение в области искусственного интеллекта.

Чтобы проверить работоспособность и эффективность этой платформы на реальной задаче, мы выбрали важную для медиапланирования задачу – построение эконометрической модели и прогнозирование ключевых бизнес-индикаторов. Обычно эти процессы занимают много времени и требуют вовлечения высококвалифицированных специалистов с навыками программирования.

Используя решение Neuton AutoML мы смогли быстро и с высокой точность создать и протестировать необходимую модель без необходимости написания программного кода, что потенциально позволяет высвободить ресурс команды и перенаправить его на решение других задач. Ознакомиться с кейсом вы можете по ссылке.

Чтобы лучше понять технические аспекты этого кейса и специфику других AI-решений на рынке, мы поговорили с Антоном Колесниковым, Head of Technology Hub в Wavemaker Russia.

– В компании есть ряд направлений, в которых используются элементы искусственного интеллекта и машинное обучение. Эти направления можно классифицировать следующим образом:

01 Построение прогнозных моделей

Это наиболее широкое направление работ. Мы делаем прогнозы различных показателей в рамках временных рядов, строим прогнозы эконометрических моделей и т. п. Инструментарий здесь максимально широк, например, для высоконагруженных регулярных задач у нас используется облачное решение Microsoft Azure ML Services. Простые или одноразовые задачи решаются с помощью пакета визуального машинного обучения Orange, путем написания программ на Python, с использованием систем визуальной аналитики Tableau и Power BI, а в отдельных случаях даже с помощью средств Excel.

Инструмент выбирается, исходя из требований задачи. В отдельных случаях для их решения приходится разрабатывать собственные решения, чтобы они были максимально просты и интуитивны для конечного пользователя. Например, в прошлом году для нового продукта Wavecast, в рамках которого мы решали проблему оперативного прогнозирования краткосрочного поведения потребителей на фоне пандемии COVID-19, наша команда разработала веб-интерфейс для прогнозирования временных рядов методом Хольта-Винтера. С помощью данного решения любой специалист мог оперативно рассчитать вероятность ажиотажного спроса в своей категории.



02 Решение задач классификации

Это одно из перспективных направлений в ближайшем будущем. В прошлом году для одного из клиентов мы провели эксперимент по классификации комментариев из социальных сетей для сегментирования целевой аудитории бренда. При этом нам было важно не только определить принадлежность их к какой-то группе, но и предсказать их поведение в следующие 3–4 недели. Для решения данной задачи мы использовали 2 подхода: библиотека ML.NET и Azure ML Services.



03 Анализ текстовой информации и построение рекомендательных систем

Данное направление было запущено буквально полтора месяца назад. Мы используем QnA Maker (сервис вопрос-ответ, входящий в состав MS Azure) для построения чат-ботов, которые анализируют вопрос пользователя в рамках заданной предметной области и предоставляют ему максимально релевантный ответ из базы знаний. Подготовкой базы знаний и обучением бота занимаются специалисты Wavemaker из смежных департаментов с глубоким понимание предметной области. Мы встраиваем интеллектуальных помощников в наши продукты и собственные разработки. Это помогает упростить знакомство с инструментами и снизить нагрузку на специалистов группы поддержки.



04 Детектирование аномалий в потоке данных

Данное решение мы используем для предотвращения возникновения инцидентов и анализа необходимости масштабирования в облачной инфраструктуре на базе Azure. Решение построено на связке Application Insights и Anomaly Detector Services. Подход Anomaly Detection также может быть полезен в реализации прикладных задач медиапланирования, например, поиска аномалий в данных при анализе результатов диджитал кампаний.

Спектр решаемых задач постоянно расширяется. В работе мы стараемся использовать SaaS решения, которые могут быть встроены в разрабатываемые нами системы и легко отмасштабированы. Несмотря на то, что по историческим причинам мы работаем в основном с облачной платформой Microsoft Azure, активно используя входящие в неё сервисы Cognitive Services и другие, мы открыты к использованию других решений, если они позволят эффективно решать поставленные задачи, естественно, придерживаясь гомогенного подхода к построению информационных систем.

– Коллеги из Bell Integrator сами вышли на нас: нашли меня на LinkedIn, их заинтересовала область деятельности Wavemaker, и предложили протестировать их новое решение в области машинного обучения Neuton AutoML.

Neuton AutoML – это универсальное облачное автоматизированное решение для машинного обучения. Neuton AutoML позволяет строить прогнозные модели для широкого спектра бизнес-задач, начиная от предсказания оттока клиентов, прогноза продаж или определения лучшего предложения для каждого клиента. Созданная на базе запатентованного нейросетевого фреймворка платформа позволяет решать задачи регрессии, классификации и временных рядов и предлагает ряд инструментов бизнес-аналитики и интерпретации логики построения моделей. При этом система отличается простотой использования бизнес-пользователями с помощью понятного интерфейса, не предполагающего знания машинного обучения и языков программирования.

Этот аспект и подкупил, так как он потенциально позволяет предоставить пользователям компании инструмент для самостоятельного проведения экспресс-прогнозов. При этом мы не отходим от устоявшихся решений, а лишь расширяем текущий спектр возможностей новым инструментом.

– В качестве тестовой была выбрана задача прогнозирования эконометрических показателей. Данный класс задач является одним из наиболее востребованных со стороны наших клиентов. Мы подготовили анонимизированный датасет на исторических данных, для которых у нас были как фактические показатели, так и результаты подготовленных ранее прогнозов. Внесли его в Neuton AutoML и провели ряд экспериментов по построению прогнозных моделей. Эксперимент показал высокую скорость и качество построения прогноза. Индекс качества модели составил ~ 97%. По результатам эксперимента мы подготовили подробный отчет обо всех аспектах работы с системой, в котором были отражены возможные доработки в системе, которые помогли бы улучшить взаимодействие с пользователем и повысить ценность решения. Мы с коллегами из Bell Integrator провели несколько встреч, на которых обсудили результаты, и выпустили совместную веб-публикацию.

Выводы можно сделать следующие:

• Использование Neuton AutoML позволяет сократить ресурсы и время специалистов по работе с данными, проводя оптимизацию и конструирование признаков в автоматическом режиме.
• Система позволяет выполнять прогнозы пользователям, не имеющим глубоких познаний в Data Science или разработке программного обеспечения. Однако совсем без обучения работе с системой обойтись нельзя. При этом нужно уметь грамотно подготовить входной датасет согласно требованиям платформы.
• Система позволяет работать не только через веб-интерфейс, но и через API, что особенно важно для интеграции с нашими решениями. В качестве альтернативного сценария из Neuton AutoML можно выгрузить компактную сгенерированную модель и использовать её отдельно, например, с помощью Python.

В рамках ближайших планов мы хотим выбрать полноценную боевую задачу и решить её с помощью связки наших платформ и Neuton AutoML.

– Изучение и использование новых систем, а также коллаборация с подобными проектами полезна для всех участников, так как позволяет не только повысить эффективность работы, снизить нагрузку на ценных специалистов и автоматизировать рутинные процессы, но и найти новые направления развития бизнеса, создать успешный продукт, основанный на совместных наработках.