PolyAnalyst
Платформа визуальной разработки сценариев анализа данных и текстов

Polyanalyst - платформа визуальной разработки сценариев анализа данных и текстов, не требующая для работы навыков программирования.

Система представляет собой сквозной инструмент обработки и анализа. Она способна выгружать информационные потоки из всех общеприменяемых разнородных источников (стандартные файлы, базы данных, социальные сети и т.д.) и, проведя их интеллектуальную обработку, представлять полученные результаты в виде настраиваемых пользовательских отчетов.

2022

PolyAnalyst – российская low-code платформа интеллектуального анализа данных и текстов enterprise уровня

Платформа PolyAnalyst, разработанная российским производителем программных продуктов Мегапьютер, является аналитической low-code системой и средой разработки интеллектуальных решений. Работа с платформой осуществляется с применением механизма графического построения аналитического скрипта, состоящего из последовательности функциональных узлов. Таким образом, даже пользователи, не обладающим специальными математическими знаниями и навыками программирования могут самостоятельно создавать законченные комплексные решения для анализа данных и текстов, а также оптимизации и автоматизации бизнес-процессов. Подробнее здесь.

Интеграция с Luxms BI

ГК Luxms и Мегапьютер в 2022 году объявили о успешном пилоте по глубинной многопараметрической аналитике текстов (NLP).

Совместное решение на базе Luxms BI и PolyAnalyst может быть ориентировано, в первую очередь, на внушительный пласт полезной информации, содержащейся в текстовых данных из интернета, и позволит выявлять и отслеживать проблемы, возникающие как у отдельных людей, так и у целых клиентских сегментов.

2020

Прогнозная модель развития пандемии вирусной инфекции COVID-19

Российская компания-разработчик аналитических продуктов Мегапьютер Интеллидженс опубликовала в мае 2020 года собственную прогнозную модель развития пандемии вирусной инфекции COVID-19 на территории России. Модель наглядно визуализирована и представляет собой интерактивную карту прогноза достижения пика новых случаев заболеваемости COVID-19, а также общее число активных, смертельных и случаев выздоровлений. Результаты прогноза представляются как в общем по стране, так и по каждому отдельно взятому субъекту РФ.

Прогнозная модель развития пандемии вирусной инфекции COVID-19

Визуализация прогноза Covid19 в России

Для всех регионов имеется собственный ежедневный прогноз количества подтвержденных и активных случаев заболевания, числа выздоровлений и летальных исходов. В результате анализа данных о пандемии алгоритмами машинного обучения была получена статистическая картина течения и распространения заболевания. По каждому показателю алгоритм формирует два варианта развития событий: реалистичный и пессимистичный. Второй строится за счет увеличения параметра дисперсии распределения. Это делается на случай снижения уровня самоизоляции, вызванного наступлением майских праздников.Известный писатель-фантаст Сергей Лукьяненко выступит на TAdviser SummIT 28 ноября. Регистрация 5.6 т

Для формирования прогноза система проводит анализ исторических данных, получаемых из открытых источников. Модель использует алгоритмы машинного обучения и предиктивного анализа, учитывающие диффузии зараженных граждан между регионами в условиях беспрепятственного перемещения, а также строгость карантинных мер в том или ином субъекте. В ситуации, когда ключевые эпидемиологические характеристики COVID-19 еще достоверно не известны, выбранный подход к прогнозированию посредством ИИ может привести к получению наиболее точных прикладных результатов.

В основе методологии прогноза лежит сочетание различных техник. Совмещение разнообразных подходов необходимо так как прогноз строится для отдельных регионов, которые сильно различаются по степени развития эпидемии, демографическим показателям, да и по степени достоверности данных. Используется широкий спектр техник – и оптимизация феноменологических моделей, и устойчивые, но достаточно грубые методы типа деревьев решений, и такие точные алгоритмы как сверточные сети. Процедура их комбинирования также является предметом оптимизации- гиперобучение или «обучение обучению».

Представленный прогноз дает ответы на множество прикладных вопросов о борьбе с пандемией. Например, с какой нагрузкой в ближайшие дни может столкнуться система здравоохранения, и где уже сейчас могут быть смягчены карантинные меры. Также, сопоставив течение картины заболеваемости в регионе с введенными ограничительными мерами, можно сделать выводы об эффективности определенных методов борьбы с заболеванием.

При выполнении анализа учитывались общедоступные данные, полученные из открытых источников, таких как Роспотребнадзор и портал http://coronavirus-monitor.ru. Результаты анализа представляют собой прогноз, полученный на основе исторических данных, который следует учитывать только после тщательного, глубокого исследования, принимающего во внимание данные о картине течения заболевания, полученные из прочих источников.

Базовое описание и функциональные задачи

Комплексный процесс анализа выстроен из этапов очистки и подготовки данных, исследования с применением алгоритмов искусственного интеллекта и текстового анализа на 16 языках, а также публикации результатов в интерактивном веб-интерфейсе.

PolyAnalyst применяется в качестве открытой среды разработки. Она включает в себя элементы Low-code платформы, что совместно с механизмом визуального проектирования аналитического скрипта, позволяет пользователям, не обладающим специальными математическими знаниями и навыками программирования, самостоятельно создавать законченные многошаговые решения для анализа данных и автоматизации рабочих процессов.

• Анализ структурированных данных.
• Анализ текстовых данных: классификация, кластеризация, извлечение сущностей и фактов, выявление тенденций.
• Разработка решений по автоматизации процессов работы с данными:
• Контроль качества обслуживания клиентов путем анализа сообщений, отправляемых сотрудниками колл центров;
• Юридической экспертизы договоров;
• Диспетчеризация потока входящих документов;
• Процессы и процедуры промышленных предприятий по использованию и анализу текстовых документов (договора, счета, финансовые сверки, накладные, жалобы, диспетчерские журналы, справочники НСИ, отзывы, переписка сотрудников, расшифровки переговоров и т.д.), в больших объемах проходящих через различные функциональные блоки: юридический, финансовый, продажи, маркетинг, обслуживание клиентов, анализ информационного поля, логистика, сопровождение бизнес процессов и т.д.
• Визуализация результатов анализа и конструирование отчетов.

Ожидаемый эффект от внедрения

• Отказ от затратного ручного труда по анализу данных;
• Автоматизация рабочих процессов, подразумевающих взаимодействие с информационными потоками и документацией;
• Повышение эффективности управленческих решений за счет роста их информированности;
• Агрегирование информации из всего множества используемых источников;
• Повышенная надежность финансовых/коммерческих расчетов и прогнозирование.

Отчет по анализу новостного потока

Построение визуального скрипта анализа

Сентиментный анализ интренет-отзывов