Создание быстрых прототипов, проверка продуктовых, технологических и бизнес гипотез и реализация инфраструктурных проектов
Интегрируемся в бизнес процессы банка и адаптируем наши технологии под специфику процессов заказчика.

ОСОБЕННОСТИ РАБОТЫ С КЛИЕНТАМИ СФЕРЫ ФИНАНСОВ
Персональные данные
Приходится работать с персональными данными: либо анонимизируем, либо работаем на стороне банка
Data Engineering
Много приходится работать с данными, выстраивая их в единые витрины, вокруг которых будет строиться последующее моделирование
Работа на стороне банка
Доступ ко многим системам и интеграция в контур возможны только на стороне заказчика
Мультипрофильная команда
Нужно работать как с моделями, так и с интеграциями, с большими данными, с оптимизацией процессов - это требует разных специалистов
Сложные интеграции
Банк - это объединение различных подразделений, у каждого может быть своя специфика, приходится интегрироваться с разными базами данных и источниками данных
Работа с неопределенностью
Требования бизнеса зачастую плохо формализованные, так как необходимо достигать показателей эффективности, но четкой дороги туда нет
КАКИЕ НАПРАВЛЕНИЯ МЫ ПОМОГАЕМ РАЗВИВАТЬ БАНКУ
У НАС ЕСТЬ ДВА ОСНОВНЫХ НАПРАВЛЕНИЯ СОТРУДНИЧЕСТВА
Прототипирование ML-продукта с нуля
Мы знаем, как ...
  • стартовать продукт "в холодную"
  • сделать технологический MVP без данных
  • собрать эти данные
  • прийти к маленькому прототипу, который уже доставляет ценность
Потому что ...
  • у нас есть опыт работы с задачами на "нулевом старте"
  • мы понимаем, как быстро свести задачу к решаемой
  • мы знаем, в чем отличие технологий, использующихся в стандартном машинном обучении с наличием большой обучающей выборки от нулевой стадии развития продукта, когда данных совсем нет
  • мы используем как экспертные знания, так и специфичные технологические решения
  • мы умеем собирать и размечать данные при помощи crowd-source платформ и специализирующихся на этом компаний
Интересно сделать продукт
Настройка инфраструктуры, ML-Ops
  1. Построение непрерывной интеграции моделей
  2. Отслеживание качества моделей
  3. Отладка непрерывного потока данных
  4. Настройка контуров прототипирования, тестирования и продакшн
Мы уже выстроили инфраструктуру внутри нашей команды и в нескольких R&D подразделениях крупных компаний. Мы используем актуальные фреймворки области ML-Ops - от Airflow до Wandb, умеем интегрировать решения со Spark / Hadoop. В общем, делаем всё чтобы наладить прозрачность и предоставить понятные инструменты для команд внутри компаний.
Интересно настроить инфраструктуру
В РАБОТЕ С НАШЕЙ КОМАНДОЙ
До 5 млн. руб.
Банк экономит на сборе команды для старта нового направления
До 3 месяцев
Снижаются сроки при разработке прототипов для тестирования гипотез
До 3 млн. руб.
Экономия на издержках в случае увольнения команды
До 6 месяцев
Быстрее проходит разработка и внедрение требуемой инфраструктуры
ПРИМЕРЫ ПРОЕКТОВ ДЛЯ БАНКОВ-ПАРТНЕРОВ
Что используем для написания кода
Основной язык программирования: Python
Работа с данными: PostgreSQL, MongoDB
Распределенные вычисления: Spark, Hadoop
Notebooks: Colab, Jupyter, H2O
Упаковка моделей и управление потоком данных: Kubernetes, Docker, Airflow.
Профильные фреймворки
Нейросетевые фреймворки: PyTorch (прототипирование), TensorFlow (production), TensorFlow lite (импорт на устройства)
Работа с данными: pandas, NumPy
Профильные библиотеки: BigARTM, TopicNet, gensim, nltk, DeepPavlov, SpaCy, OpenCV, Scipy, etc.
Управление экспериментами: Wandb, MLFlow, Tensorboard.
Code Style и поставка решения
  • Оформление кода в виде python-скриптов с использованием PEP 8
  • Высокий уровень читаемости кода

Варианты поставки:
  • Docker + REST API;
  • Web-service + Frontend (например, Python Flask + React);
  • Python-скрипты;
  • Библиотеки на Python.
Заказать проект
Для начала проекта нам нужно поговорить. Достаточно заполнить поля ниже, и мы свяжемся с Вами.
Промокод
Заказать проект просто
Для начала работы нам нужно поговорить. Достаточно рассказать о проекте и указать контакты. Мы свяжемся с вами, чтобы всё обсудить.