Viru kuerzem ass déi nächst Wanterverteidegung vun de Graduéierter vun dräi vun eisen Technologieprojeten stattfonnt - Technopark (Bauman MSTU), Technosphere (Lomonosov Moskau State University) an Technotrek (MIPT). D'Equipe presentéiert souwuel Implementatioune vun hiren eegene Iddien a Léisungen fir real Affär Problemer vun verschiddenen Divisiounen vun Mai.ru Group proposéiert.
Ënnert de Projeten:
- Service fir Kaddoe mat augmentéierter Realitéit ze verkafen.
- E Service deen Promotiounen, Remise an Offere vun der Mailing Lëscht aggregéiert.
- Visuell Sich no Kleeder.
- Service fir elektronesch Buch Kräizgang mat Locatiounspräis Optioun.
- Smart Liewensmëttel Scanner.
- Modern Audio Guide.
- Projet "Mail.ru Aufgaben"
- Mobile Televisioun vun der Zukunft.
Mir wëllen Iech méi detailléiert iwwer sechs Projeten erzielen, déi besonnesch vun de Jurymemberen a Mentoren beliicht goufen.
Visuell Sich no Kleeder
De Projet gouf vun engem Team vun Technosphere Graduéierter presentéiert. Laut Analysten, huet de Moudemaart a Russland am Joer 2018 bal 2,4 Billioun Rubelen ausgemaach. D'Jongen hunn e Service erstallt deen als intelligenten Assistent positionéiert ass fir Akeef an enger grousser Villfalt vu Wueren ze maachen. Dëst ass eng B2B Léisung déi d'Funktionalitéit vun Online Geschäfter erweidert.
Wärend UX Testen hunn d'Autoren vum Projet erausfonnt datt duerch "ähnlech Kleed" d'Leit Ähnlechkeet net a Faarf oder Muster verstinn, mee an den Attributer vun der Kleeder. Dofir hunn d'Kärelen e System entwéckelt, deen net nëmmen zwee Biller vergläicht, mee déi semantesch Proximitéit versteet. Dir lued e Bild vum Kleedungsstéck erop, an deem Dir interesséiert sidd, an de Service wielt Produkter déi relevant sinn fir seng Attributer.
Technesch funktionnéiert de System wéi follegt:
D'Cascade Mask-RCNN neural Netzwierk gouf fir Detektioun a Klassifikatioun trainéiert. Fir d'Attributer an d'Ähnlechkeet vu Kleeder ze bestëmmen, gëtt e neuralt Netzwierk baséiert op ResNext-50 mat verschiddene Kapp fir Gruppen vun Attributer benotzt, an Triplet Verloscht fir Fotoen vun engem Produkt. De ganze Projet gouf op Basis vun der Mikroservicearchitektur ëmgesat.
An Zukunft ass geplangt:
- Lancéiere e Service fir all Kategorien vu Kleeder.
- Entwéckelt eng API fir Online Geschäfter.
- Verbessert Attributer Manipulatioun.
- Léiert Ufroen an der natierlecher Sprooch ze verstoen.
Project Team: Vladimir Belyaev, Petr Zaidel, Emil Bogomolov.
Mobile TV vun der Zukunft
Projet vum Technopark Team. D'Studenten hunn eng Applikatioun mat engem Fernsehplang fir déi Haaptrussesch digital Sendungskanäl erstallt, zu där d'Funktioun bäigefüügt gouf fir Kanäl ze kucken mat IPTV (Online Channels) oder eng Antenne.
Déi schwieregst Saach war d'Antenne un den Android Apparat ze befestigen: dofir hunn se en Tuner benotzt, fir deen d'Auteuren selwer e Chauffer geschriwwen hunn. Als Resultat hu mir d'Méiglechkeet fir Fernseh ze kucken an den Fernsehprogrammguide op Android an enger Applikatioun ze benotzen.
Projektteam: Konstantin Mitrakov, Sergey Lomachev.
E Service deen Promotiounen, Remise an Offere vu Mailinglëschten aggregéiert
Dëst ass e Projet op der Kräizung vu Reklammen a Posttechnologien. Eis Mailboxe si voller Spam a Mailings. All Dag kréie mir Bréiwer mat perséinleche Remise, awer mir maachen se manner a manner op, se gesinn se als "nëtzlos Reklammen." Wéinst dëser, Benotzer verléieren Virdeeler an Annonceuren leiden Verloschter. Eng Etude vu Mail.ru Mail huet gewisen datt d'Benotzer e Resumé vun de Remise wëllen gesinn, déi se hunn.
De Projet
De Projet huet eng Mikroservicearchitektur a besteet aus dräi Haaptdeeler:
- OAuth Autorisatioun fir bequem Verbindung vun Mailboxen.
- Kollektioun an Analyse vu Bréiwer mat Promotiounen.
- Späicheren a weisen Rabattkaarten.
De Projet benotzt natierlech Sproochveraarbechtungstechnologie mat GPU Ressourcen: Grafikbeschleuniger huet et méiglech gemaach d'Veraarbechtungsgeschwindegkeet ëm 50 Mol ze erhéijen. Den Algorithmus baséiert op engem Fro-Äntwert System, deen Iech erlaabt séier Aktiekategorien am Aklang mat neie Geschäftsbedéngungen ze addéieren.
Dës Equipe huet no der Jury net nëmmen eng Plaz an den Top-Equipen gewonnen, mee och de Concours "Digital Tops 2019". Dëst ass e Concours fir russesch Entwéckler, déi IT-Tools erstellen fir d'Effizienz vu Geschäfts- a Regierungsbehörden ze verbesseren, wéi och fir perséinlech Produktivitéit ze erhéijen. Eis Equipe huet d'Studentekategorie gewonnen.
D’Schüler hu grouss Pläng fir d’Weiderentwécklung vum Projet, déi nächst sinn:
- Integratioun mat Mail Servicer.
- Ëmsetzung vun engem Bild Analyse System.
- E Projet fir e breet Publikum lancéieren.
Projektteam: Maxim Ermakov, Denis Zinoviev, Nikita Rubinov.
Separat wëlle mir Iech iwwer dräi Équipë soen, déi vun Mail.ru Group Mentoren unerkannt goufen, déi mat Studenten am ganze Semester geschafft hunn. Besonnesch Opmierksamkeet gouf op d'Komplexitéit vum Projet, d'Ëmsetzung an d'Teamaarbecht bezuelt bei der Auswiel vu Projeten.
Projet "Mail.ru Aufgaben"
De Projet gouf souwuel vun der Jury wéi vum Mentoren bemierkt.
"Mail.ru Tasks" ass den éischten onofhängege Service fir eng To-Do Lëscht z'erhalen, entwéckelt vun der Firma. An de kommende Méint ersetzen Tasks Tasklëschten am Mail.ru Kalenner, a nodeems de Projet fir all Benotzer aktivéiert ass, gëtt et an Mail.ru Mobile a Web Mail integréiert.
De Projet gouf mat Offline-éischt a Mobile-éischt Approche implementéiert. Dat ass, Dir kënnt d'Webapplikatioun zu all Moment benotzen, iwwerall an op alles. Internetzougang ass egal: d'Donnéeë ginn gespäichert a synchroniséiert. Fir méi Komfort kënnt Dir d'Applikatioun aus dem Browser "installéieren", an et wäert ausgesinn wéi eng gebierteg.
Smart Liewensmëttel Scanner
An der Epicerie kënne mir net ëmmer séier feststellen, ob e Liewensmëttelprodukt fir eis gëeegent ass oder net, wéi sécher a gesond et ass. D'Situatioun gëtt méi komplizéiert wann eng Persoun Diätbeschränkungen, verschidde Allergien huet oder op enger Diät ass. D'Foodwise Android App erlaabt Iech de Barcode vun engem Produkt ze scannen an ouni Ustrengung ze kucken ob et et wäert ass.
benotz et.
D'Applikatioun huet dräi Haaptsektiounen: "Profil", "Kamera" an "Geschicht".
Am "Profil" setzt Dir Är Virléiften: an der Rubrik "Ingredienten" kënnt Dir vun Ärer Ernährung all vun den 60 Zutaten ausgeschloss, déi an der Datebank abegraff sinn an Informatiounen iwwer E-Ergänzungen liesen. "Gruppen" erlaabt Iech e ganze Block vun Zutaten op eemol auszeschléissen. Zum Beispill, wann Dir "Vegetarismus" spezifizéiert, da ginn all Produkter mat Fleesch a rout markéiert.
Et ginn zwee Modi an der Rubrik "Kamera": Barcodes scannen an Geméis an Uebst erkennen. Nodeems Dir de Barcode gescannt hutt, kritt Dir all Informatioun iwwer de Produit. Zutaten, déi Dir ausgeschloss hutt, ginn rout markéiert.
All virdrun gescannte Produkter ginn an der Geschicht gespäichert. Dës Sektioun ass mat Text a Stëmm Sich ausgestatt.
Den Unerkennungsmodus fir Uebst a Geméis erlaabt Iech Informatiounen iwwer hiren Ernärungs- an Energiewäert ze kréien. Zum Beispill, en Apel enthält ongeféier 25 Gramm.
Kuelenhydrater, wat inakzeptabel ass fir Leit op enger Low-Carb Diät.
D'Applikatioun ass a Kotlin geschriwwen, d'"Kamera" benotzt ML Kit fir Barcodes ze scannen an Uebst a Geméis z'identifizéieren. De Backend besteet aus zwee Servicer: en API Server mat enger Datebank,
déi 60 Zutaten a Kompositioune vun 000 Produkter späichert, souwéi en neuralt Netzwierk geschriwwen am Python an Tensorflow.
Projektteam: Artyom Andryukhov, Ksenia Glazacheva, Dmitry Salman.
Service fir Kaddoe mat augmentéierter Realitéit ze verkafen
Jiddereen huet symbolesch Kaddoen op d'mannst eemol an hirem Liewen kritt. Oft, fir Leit, ass d'Tatsaach vun Opmierksamkeet méi wichteg wéi de Cadeau se kréien. Esou Kaddoen sinn net profitabel, mä hir Produktioun an Entsuergung hunn en negativen Impakt op d'Natur vun eisem Planéit. Dëst ass wéi d'Auteuren vum Projet op d'Iddi komm sinn e Service ze kreéieren fir Kaddoen mat augmentéierter Realitéit ze verkafen.
Fir d'Relevanz vun der Iddi ze testen, hu mir eng Etude gemaach. 82% vun de Befroten hunn de Problem vun engem Kaddo auswielen. Fir 57% vun de Befroten war d'Haaptschwieregkeet beim Choix d'Angscht datt hir Kaddoe net benotzt ginn. 78% vun de Leit si prett ze änneren fir Ëmweltproblemer ze léisen.
D'Auteuren hunn dräi Thesen virgestallt:
- Kaddoen liewen an der virtueller Welt.
- Si huelen net Plaz op.
- Ëmmer an der Géigend.
Fir augmentéiert Realitéit um Internet ëmzesetzen, hunn d'Auteuren d'AR.js Bibliothéik gewielt, déi aus zwee Haaptdeeler besteet:
- Déi éischt ass verantwortlech fir Grafiken op der Kamerastroum ze zéien mat A-Frame oder Three.js.
- Den zweeten Deel ass ARToolKit, deen verantwortlech ass fir e Marker ze erkennen (e spezielle Charakter deen entweder gedréckt oder um Bildschierm vun engem aneren Apparat gewise ka ginn) am Kameraausgangsstroum. De Marker gëtt benotzt fir d'Grafiken ze positionéieren. D'Präsenz vun ARToolKit erlaabt Iech net markéierlos augmentéiert Realitéit mat AR.js ze kreéieren.
AR.js verstoppt vill Falen. Zum Beispill, seng Notzung zesumme mat A-Frame kann Stiler am ganze Site "briechen". Dofir hunn d'Auteuren e "Bündel" vun AR.js + Three.js benotzt, wat gehollef huet e puer vun de Problemer ze léisen. A fir AR.js baséiert op Three.js an React z'integréieren, an deem d'Projet Websäit geschriwwen ass, hu mir missen en AR-Test-2 Repository erstellen (
Wéi och ëmmer, et huet sech spéider erausgestallt datt d'Benotzer net verstinn wat e Marker ass a wéi se se benotzen. Dofir hunn d'Auteuren op Technologie gewiesselt , déi am Moment aktiv vu Google entwéckelt gëtt. Et benotzt ARKit (iOS) oder ARCore (Android) fir Modeller an AR ouni Marker ze maachen. D'Technologie baséiert op Three.js an enthält en 3D Model Viewer. D'Benotzerfrëndlechkeet vum Programm ass wesentlech verbessert, awer fir augmentéiert Realitéit ze gesinn, brauch Dir en Apparat mat iOS 12 oder méi spéit.
De Projet ass elo verfügbar op (
Projektteam: Denis Stasyev, Anton Chadov.
Dir kënnt méi iwwer eis pädagogesch Projete liesen op
Source: will.com