Решения

Мы помогаем владельцу бизнеса исследовать и решать его бизнес-задачи связанные с оптимизациями любых бизнес- процессов, сокращениями издержек, повышением дополнительных продаж


Отраслевая экспертиза

Постоянно совершенствуем алгоритмы и модели искусственного интеллекта на данных бизнес партнеров из различных отраслей, а также данных из внешних источников
Государственный сектор

Телекоммуникации

Авиация

Газоперерабатывающая и нефтехимическая отрасль

Транспорт

Энергетика

Горно-металлургическое производство

Банковский сектор

Фарминдустрия

Модель взаимодействия с нами

1

стадия

ИНТЕРВЬЮ

  1. Формулирование бизнес задачи
  2. Расчет потенциального экономического эффекта от её решения
  3. Установление источников данных, определение круга лиц, принимающих решения
  4. Получение данных

2

стадия

АНАЛИЗ

  1. Оценка технологической возможности реализации
  2. Подготовка данных, их обработка
  3. Анализ данных. Построение первичных математических моделей. Оформление и демонстрация результата

3

стадия

РАЗРАБОТКА ПРОТОТИПА

  1. Доведение математической модели до состояния работающей Системы с функционалом необходимым для подтверждения достижения экономического эффекта
  2. Разработка технического задания на целевую Систему

4

стадия

РАЗРАБОТКА И ВНЕДРЕНИЕ

  1. Реализация всего функционала и интерфейсов решения
  2. Настройка всех интеграций
  3. Внедрение
  4. Тестирование и документирование
  5. Техническая поддержка и эксплуатация

Примеры наших работ

Прогнозирование пассажиропотока. Создание системы отчетности на основе матрицы пассажиропотока

Городской пассажирский транспорт. Метрополитен
В Метрополитене нет инструмента объективного контроля и прогнозирования количества посетителей метро в вестибюлях, кассовых зонах в вагонах на перегоне. Нет возможности принятия оперативных управленческих решений.
Задача:
— Создать модель прогнозирования пассажиропотоков
— Внедрить единую систему хранения данных
Результат:
разработана модель прогнозирования пассажиропотока с 2% погрешностью
video

play

cloud
hand

Матрица корреспонденции демонстрирует загруженность линий метрополитена в зависимости от времени
По вертикали количество пассажиров. 8e+06 = 8 миллионов.
По горизонтали просто день в году. Черные точки предсказанные.
Цветные – реальные.
Цвет означает месяц.

Оптимизация бизнес процесса управления вагонным парком (20тыс. Вагонов + корабельные танкеры)

Газоперерабатывающая и нефтехимическая промышленность
Прогноз производства продуктов на день с погрешностью до 4% -это много. Это прямое влияние на кол-во вагонов необходимых для отгрузки продуктов. Сейчас это не решено. Есть резерв вагонов стоящих на станции и в парке. Простой, недостаток, избыток вагонов — деньги
Задача: Минимизировать погрешность прогноза производства продуктов на краткосрочную перспективу (день). Оптимизировать кол-во вагонов в парке
Декомпозиция задачи:
— Посмтроить модель прогнозирования компонентного состава, входящего ШФЛУ
— построить модель прогнозирования производства продуктов из ШФЛУ на ГПЗ
— построить модель оптимизации бизнес процесса управления вагонным парком
Данные:
— тахографов;
— даные из центральных заводских лабораторий;
— карта с распределением узлов и цепей добычи, транспортировки и переработки;
— АСУ ТП и PI System; Данные с инфраструктуры нижнего уровня (центробежные насосы, датчики и т.п.)
Результат:
1. Разработана модель прогнозирования компонентного состава входящего ШФЛУ, с мониторингом погрешности %. Модель снизила погрешность прогноза с 4% до 2%
2. Сфорированы ФТТ для выпонения пилотного проекта

Создание инструмента предиктивного технического обслуживания активных агрегатов (топливные и масло насосы)

Гражданская авиация. Пассажироперевозки
Есть определенная закономерность поломок насосов связаная с климатическими регионами использования авиационных бортов, а так же временами года. Есть плановые ремонты и техническое обслуживание, есть нештатные поломки, которые приводят к остановке агрегатов и могут привести к катастрофе с человеческими жертвами. Простой ремонта агрегата — финансовые убытки для авиаперевозчика. Увеличение ЗИПа — нецелевое использование средств и следовательно убытки. Агрегаты разных вендоров. Каждый вендор предлагает свою систему предиктивного анализа, она не универсальна, дорогостоящая, за счет широкого спектра не всегда нужных клиенту опций.
Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния насосов предсказывания выхода их из строя, а так же предложения по оптимальным маршрутам и регионам использования.
Декомпозиция задачи:
— создать модель прогнозирования выхода из строя насосов авиапарка Клиента;
— Проведение пилотного проекта в контуре Клиента;
— Формирование требований к целевой системе;
— Разработка и внедрение целевой системы.
Данные:
— бортовые параметрические самописцы. Данные насосов
Результат:
1. проведен анализ данных
2. обсуждается запуск пилотного проекта

Создание инструмента предиктивного технического обслуживания активных агрегатов (Парогазовые и газотурбинные установки)

Энергогенерация
Есть плановые ремонты и техническое обслуживание, есть нештатные поломки, которые приводят к остановке агрегатов и требующие восстановление работоспособности. Простой агрегата — финансовые убытки. Тотальная поломка или переход в негодность — финансовые убытки сопостовимые с запланированной прибылью от электрогенерации всей станции за продолжительный срок эксплуатации станции. Активные агрегаты разного вендора(GE, Alstom, Siemens и т.п.)Каждый вендор предлагает свою систему предиктивного анализа, она не универсальна. Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния активных, силовых агрегатов и предсказывания выхода их из строя, а так же предложения по оптимальным интервалам технического обслуживания.
Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния насосов предсказывания выхода их из строя, а так же предложения по оптимальным маршрутам и регионам использования.
Декомпозиция задачи:
— создать модель прогнозирования выхода из строя насосов авиапарка Клиента;
— Проведение пилотного проекта в контуре Клиента;
— Формирование требований к целевой системе;
— Разработка и внедрение целевой системы.
Данные:
— АСУ ТП и PI System;
Данные с инфраструктуры нижнего уровня (насосы, датчики вибрации, температуры, давления масла и т.п.)
Результат:
1. разработана математическая модель прогнозирования выхода из строя турбины с одной станции генерации. Подготовлена пояснительная записка.
2. согласование старта пилотного проекта с Клиентом
Отправить сообщение