Mail.ru ग्रुपची तांत्रिक समस्या, हिवाळा 2019

अलीकडेच, आमच्या तीन तंत्रज्ञान प्रकल्पांच्या पदवीधरांचे पुढील हिवाळी संरक्षण झाले - टेक्नोपार्क (बॉमन एमएसटीयू), टेक्नोस्फीअर (लोमोनोसोव्ह मॉस्को स्टेट युनिव्हर्सिटी) आणि टेक्नोट्रेक (एमआयपीटी). संघांनी त्यांच्या स्वतःच्या कल्पनांची अंमलबजावणी आणि Mai.ru ग्रुपच्या विविध विभागांनी प्रस्तावित केलेल्या वास्तविक व्यावसायिक समस्यांचे निराकरण दोन्ही सादर केले.

प्रकल्पांपैकी:

• वाढीव वास्तवासह भेटवस्तू विक्रीसाठी सेवा.
• मेलिंग सूचीमधून जाहिराती, सवलती आणि ऑफर एकत्रित करणारी सेवा.
• कपड्यांसाठी व्हिज्युअल शोध.
• भाड्याच्या पर्यायासह इलेक्ट्रॉनिक बुक क्रॉसिंगसाठी सेवा.
• स्मार्ट फूड स्कॅनर.
• आधुनिक ऑडिओ मार्गदर्शक.
• प्रोजेक्ट "Mail.ru टास्क"
• भविष्यातील मोबाइल दूरदर्शन.

आम्ही तुम्हाला सहा प्रकल्पांबद्दल अधिक तपशीलवार सांगू इच्छितो जे विशेषतः ज्युरी सदस्य आणि मार्गदर्शकांनी हायलाइट केले होते.

कपड्यांसाठी व्हिज्युअल शोध

हा प्रकल्प टेक्नोस्फीअर पदवीधरांच्या टीमने सादर केला. विश्लेषकांच्या मते, 2018 मध्ये रशियामधील फॅशन मार्केट जवळजवळ 2,4 ट्रिलियन रूबल इतके होते. मुलांनी एक सेवा तयार केली जी विविध प्रकारच्या वस्तूंमध्ये खरेदी करण्यासाठी बुद्धिमान सहाय्यक म्हणून स्थित आहे. हे एक B2B समाधान आहे जे ऑनलाइन स्टोअरची कार्यक्षमता विस्तृत करते.

UX चाचणी दरम्यान, प्रकल्पाच्या लेखकांना असे आढळले की "समान पोशाख" द्वारे लोकांना समानता रंग किंवा पॅटर्नमध्ये नाही तर कपड्याच्या गुणधर्मांमध्ये समजते. म्हणूनच, मुलांनी एक प्रणाली विकसित केली जी केवळ दोन चित्रांची तुलनाच करत नाही तर अर्थपूर्ण समीपता समजते. तुम्हाला स्वारस्य असलेल्या कपड्यांच्या आयटमची प्रतिमा तुम्ही अपलोड करता आणि सेवा तिच्या गुणधर्मांशी संबंधित उत्पादने निवडते.

तांत्रिकदृष्ट्या प्रणाली खालीलप्रमाणे कार्य करते:

कॅस्केड मास्क-आरसीएनएन न्यूरल नेटवर्कला शोध आणि वर्गीकरणासाठी प्रशिक्षण देण्यात आले. कपड्यांचे गुणधर्म आणि समानता निश्चित करण्यासाठी, अनेक शीर्षांसह ResNext-50 वर आधारित न्यूरल नेटवर्क गुणधर्मांच्या गटांसाठी आणि एका उत्पादनाच्या छायाचित्रांसाठी ट्रिपलेट लॉस वापरला जातो. हा संपूर्ण प्रकल्प मायक्रोसर्व्हिस आर्किटेक्चरवर आधारित होता.

भविष्यात हे नियोजित आहे:

1. कपड्यांच्या सर्व श्रेणींसाठी सेवा सुरू करा.
2. ऑनलाइन स्टोअरसाठी API विकसित करा.
3. विशेषता हाताळणी सुधारा.
4. नैसर्गिक भाषेत प्रश्न समजून घ्यायला शिका.

प्रोजेक्ट टीम: व्लादिमीर बेल्याएव, पेट्र झैदेल, एमिल बोगोमोलोव्ह.

भविष्यातील मोबाइल टीव्ही

टेक्नोपार्क टीमचा प्रकल्प. विद्यार्थ्यांनी मुख्य रशियन डिजिटल प्रसारण चॅनेलसाठी टीव्ही शेड्यूलसह ​​एक अनुप्रयोग तयार केला, ज्यामध्ये आयपीटीव्ही (ऑनलाइन चॅनेल) किंवा अँटेना वापरून चॅनेल पाहण्याचे कार्य जोडले गेले.

अँटेनाला अँड्रॉइड डिव्हाइसवर जोडणे ही सर्वात कठीण गोष्ट होती: यासाठी त्यांनी ट्यूनर वापरला, ज्यासाठी लेखकांनी स्वतः ड्रायव्हर लिहिले. परिणामी, आम्हाला टीव्ही पाहण्याची आणि Android वर टीव्ही प्रोग्राम मार्गदर्शक एकाच अनुप्रयोगात वापरण्याची संधी मिळाली.

प्रोजेक्ट टीम: कॉन्स्टँटिन मित्राकोव्ह, सेर्गेई लोमाचेव्ह.

मेलिंग लिस्टमधून जाहिराती, सवलती आणि ऑफर एकत्रित करणारी सेवा

हा जाहिरात आणि पोस्टल तंत्रज्ञानाच्या छेदनबिंदूवर एक प्रकल्प आहे. आमचे मेलबॉक्सेस स्पॅम आणि मेलिंगने भरलेले आहेत. दररोज आम्हाला वैयक्तिक सवलतींसह पत्रे मिळतात, परंतु आम्ही त्यांना "निरुपयोगी जाहिरात" समजत कमी आणि कमी उघडतो. यामुळे वापरकर्ते फायदे गमावतात आणि जाहिरातदारांचे नुकसान होते. Mail.ru मेलच्या अभ्यासातून असे दिसून आले आहे की वापरकर्त्यांना त्यांच्याकडे असलेल्या सवलतींचा सारांश पहायचा आहे.

प्रकल्प मेलडील तुमच्या वृत्तपत्रातून सवलती आणि जाहिरातींची माहिती संकलित करते आणि ती कार्डांच्या रिबनच्या स्वरूपात प्रदर्शित करते ज्यावरून तुम्ही जाहिरात वेबसाइट किंवा ईमेलवर जाऊ शकता. प्रोग्राम एकाच वेळी अनेक मेलबॉक्ससह कार्य करू शकतो. निवडक स्टॉकची यादी आहे.

प्रकल्पामध्ये मायक्रोसर्व्हिस आर्किटेक्चर आहे आणि त्यात तीन मुख्य भाग आहेत:

1. मेलबॉक्सेसच्या सोयीस्कर कनेक्शनसाठी OAuth अधिकृतता.
2. जाहिरातींसह पत्रांचे संकलन आणि विश्लेषण.
3. सवलत कार्डे संचयित करणे आणि प्रदर्शित करणे.

प्रकल्प GPU संसाधने वापरून नैसर्गिक भाषा प्रक्रिया तंत्रज्ञान वापरते: ग्राफिक्स प्रवेगकांनी प्रक्रिया गती 50 पट वाढवणे शक्य केले. अल्गोरिदम प्रश्न-उत्तर प्रणालीवर आधारित आहे, जे तुम्हाला नवीन व्यवसाय आवश्यकतांनुसार स्टॉक श्रेणी द्रुतपणे जोडण्याची परवानगी देते.

या संघाने केवळ ज्युरीनुसार अव्वल संघांमध्ये स्थान मिळवले नाही तर “डिजिटल टॉप 2019” स्पर्धा देखील जिंकली. ही रशियन विकसकांसाठी स्पर्धा आहे जी व्यवसाय आणि सरकारी संस्थांची कार्यक्षमता सुधारण्यासाठी तसेच वैयक्तिक उत्पादकता वाढविण्यासाठी आयटी साधने तयार करतात. विद्यार्थी वर्गात आमचा संघ जिंकला.

प्रकल्पाच्या पुढील विकासासाठी विद्यार्थ्यांकडे मोठ्या योजना आहेत, पुढील आहेत:

• मेल सेवांसह एकत्रीकरण.
• प्रतिमा विश्लेषण प्रणालीची अंमलबजावणी.
• मोठ्या प्रेक्षकांसाठी प्रकल्प लाँच करत आहे.

प्रोजेक्ट टीम: मॅक्सिम एर्माकोव्ह, डेनिस झिनोव्हिएव्ह, निकिता रुबिनोव.

स्वतंत्रपणे, आम्ही तुम्हाला तीन संघांबद्दल सांगू इच्छितो ज्यांना Mail.ru समूह मार्गदर्शकांनी ओळखले होते ज्यांनी संपूर्ण सत्रात विद्यार्थ्यांसोबत काम केले. प्रकल्प निवडताना प्रकल्पाची जटिलता, अंमलबजावणी आणि टीमवर्कवर विशेष लक्ष दिले गेले.

प्रोजेक्ट "Mail.ru टास्क"

या प्रकल्पाची ज्युरी आणि मार्गदर्शक दोघांनीही नोंद घेतली.

“Mail.ru Tasks” ही कंपनीने विकसित केलेली टू-डू लिस्ट राखण्यासाठी पहिली स्वतंत्र सेवा आहे. येत्या काही महिन्यांत, Tasks Mail.ru कॅलेंडरमधील कार्य सूची बदलतील आणि सर्व वापरकर्त्यांसाठी प्रकल्प सक्षम केल्यानंतर, ते Mail.ru मोबाइल आणि वेब मेलमध्ये एकत्रित केले जाईल.

हा प्रकल्प ऑफलाइन-फर्स्ट आणि मोबाईल-फर्स्ट पध्दती वापरून कार्यान्वित करण्यात आला. म्हणजेच, तुम्ही वेब अॅप्लिकेशन कधीही, कुठेही आणि कशावरही वापरू शकता. इंटरनेट प्रवेश काही फरक पडत नाही: डेटा जतन आणि समक्रमित केला जाईल. अधिक सोयीसाठी, आपण ब्राउझरवरून अनुप्रयोग "स्थापित" करू शकता आणि ते मूळसारखे दिसेल.

स्मार्ट फूड स्कॅनर

किराणा दुकानात, अन्नपदार्थ आपल्यासाठी योग्य आहे की नाही, ते किती सुरक्षित आणि आरोग्यदायी आहे हे आपण नेहमी पटकन ठरवू शकत नाही. जर एखाद्या व्यक्तीला आहारातील निर्बंध, विविध ऍलर्जी असतील किंवा आहारावर असेल तर परिस्थिती अधिक क्लिष्ट होते. फूडवाइज अँड्रॉइड अॅप तुम्हाला उत्पादनाचा बारकोड स्कॅन करण्याची आणि ते फायदेशीर आहे का ते सहजतेने पाहू देते.
वापर करा.

अनुप्रयोगात तीन मुख्य विभाग आहेत: “प्रोफाइल”, “कॅमेरा” आणि “इतिहास”.

"प्रोफाइल" मध्ये तुम्ही तुमची प्राधान्ये सेट करता: "घटक" विभागात तुम्ही डेटाबेसमध्ये समाविष्ट असलेल्या 60 घटकांपैकी कोणतेही घटक तुमच्या आहारातून वगळू शकता आणि ई-सप्लिमेंट्सबद्दल माहिती वाचू शकता. "गट" तुम्हाला एकाच वेळी घटकांचा संपूर्ण ब्लॉक वगळण्याची परवानगी देतात. उदाहरणार्थ, तुम्ही "शाकाहार" निर्दिष्ट केल्यास, मांस असलेली सर्व उत्पादने लाल रंगात हायलाइट केली जातील.

"कॅमेरा" विभागात दोन मोड आहेत: बारकोड स्कॅन करणे आणि भाज्या आणि फळे ओळखणे. बारकोड स्कॅन केल्यानंतर, तुम्हाला उत्पादनाची सर्व माहिती मिळेल. तुम्ही वगळलेले घटक लाल रंगात हायलाइट केले जातील.

सर्व पूर्वी स्कॅन केलेली उत्पादने इतिहासात जतन केली जातील. हा विभाग मजकूर आणि व्हॉइस शोधने सुसज्ज आहे.

फळे आणि भाज्यांसाठी ओळख मोड आपल्याला त्यांच्या पौष्टिक आणि उर्जा मूल्याबद्दल माहिती मिळविण्यास अनुमती देतो. उदाहरणार्थ, एका सफरचंदात अंदाजे 25 ग्रॅम असते.
कार्बोहायड्रेट, जे कमी-कार्ब आहार असलेल्या लोकांसाठी अस्वीकार्य आहे.

अनुप्रयोग कोटलिनमध्ये लिहिलेला आहे, “कॅमेरा” बारकोड स्कॅन करण्यासाठी आणि फळे आणि भाज्या ओळखण्यासाठी ML किट वापरतो. बॅकएंडमध्ये दोन सेवा असतात: डेटाबेससह API सर्व्हर,
जे 60 घटक आणि 000 उत्पादनांची रचना तसेच Python आणि Tensorflow मध्ये लिहिलेले न्यूरल नेटवर्क संग्रहित करते.

प्रोजेक्ट टीम: आर्टिओम आंद्र्युखोव्ह, केसेनिया ग्लाझाचेवा, दिमित्री सलमान.

वाढीव वास्तवासह भेटवस्तू विक्रीसाठी सेवा

प्रत्येक व्यक्तीला त्यांच्या आयुष्यात एकदा तरी प्रतीकात्मक भेटवस्तू मिळाल्या आहेत. बर्याचदा, लोकांसाठी, त्यांना मिळालेल्या भेटवस्तूपेक्षा लक्ष देण्याची वस्तुस्थिती अधिक महत्त्वाची असते. अशा भेटवस्तू फायदेशीर नसतात, परंतु त्यांचे उत्पादन आणि विल्हेवाट आपल्या ग्रहाच्या स्वरूपावर नकारात्मक प्रभाव पाडते. अशा प्रकारे प्रकल्पाच्या लेखकांना वाढीव वास्तवासह भेटवस्तू विक्रीसाठी सेवा तयार करण्याची कल्पना सुचली.

कल्पनेची प्रासंगिकता तपासण्यासाठी, आम्ही एक अभ्यास केला. 82% प्रतिसादकर्त्यांना भेटवस्तू निवडण्याच्या समस्येचा सामना करावा लागला. 57% प्रतिसादकर्त्यांसाठी, निवडण्यात मुख्य अडचण ही त्यांच्या भेटवस्तू वापरल्या जाणार नाहीत ही भीती होती. 78% लोक पर्यावरणीय समस्या सोडवण्यासाठी बदलण्यास तयार आहेत.

लेखकांनी तीन प्रबंध मांडले:

1. भेटवस्तू आभासी जगात राहतात.
2. ते जागा घेत नाहीत.
3. नेहमीच जवळपास.

वेबवर संवर्धित वास्तविकता लागू करण्यासाठी, लेखकांनी AR.js लायब्ररी निवडली, ज्यामध्ये दोन मुख्य भाग आहेत:

• प्रथम A-Frame किंवा Three.js वापरून कॅमेरा प्रवाहाच्या वर ग्राफिक्स काढण्यासाठी जबाबदार आहे.
• दुसरा भाग ARToolKit आहे, जो कॅमेरा आउटपुट स्ट्रीममध्ये मार्कर (एक विशेष कॅरेक्टर जो एकतर मुद्रित केला जाऊ शकतो किंवा दुसर्या डिव्हाइसच्या स्क्रीनवर दर्शविला जाऊ शकतो) ओळखण्यासाठी जबाबदार आहे. मार्करचा वापर ग्राफिक्सच्या स्थानासाठी केला जातो. ARToolKit ची उपस्थिती तुम्हाला AR.js वापरून मार्करलेस ऑगमेंटेड रिअॅलिटी तयार करू देत नाही.

AR.js अनेक तोटे लपवते. उदाहरणार्थ, ए-फ्रेमसह त्याचा वापर संपूर्ण साइटवर शैली "ब्रेक" करू शकतो. म्हणून, लेखकांनी AR.js + Three.js चा “बंडल” वापरला, ज्याने काही समस्यांचे निराकरण करण्यात मदत केली. आणि AR.js ला Three.js वर आधारित React मध्ये एम्बेड करण्यासाठी, ज्यामध्ये प्रोजेक्ट वेबसाइट लिहिलेली आहे, आम्हाला AR-Test-2 भांडार तयार करावे लागले (https://github.com/denisstasyev/AR-Test-2), जे Three.js वर आधारित AR.js वापरण्यासाठी स्वतंत्र प्रतिक्रिया घटक लागू करते. संवर्धित वास्तविकता आणि 3D मध्ये मॉडेल पाहणे (कॅमेराशिवाय उपकरणांसाठी) लागू केले गेले.

तथापि, नंतर असे दिसून आले की वापरकर्त्यांना मार्कर म्हणजे काय आणि ते कसे वापरावे हे समजत नाही. म्हणून, लेखक तंत्रज्ञानाकडे वळले , जे सध्या Google द्वारे सक्रियपणे विकसित केले जात आहे. मार्करशिवाय AR मध्‍ये मॉडेल रेंडर करण्‍यासाठी ते ARKit (iOS) किंवा ARCore (Android) वापरते. तंत्रज्ञान Three.js वर आधारित आहे आणि त्यात 3D मॉडेल व्ह्यूअरचा समावेश आहे. प्रोग्रामची उपयोगिता लक्षणीयरीत्या सुधारली आहे, तथापि, संवर्धित वास्तविकता पाहण्यासाठी, तुम्हाला iOS 12 किंवा नंतरचे डिव्हाइस आवश्यक आहे.

प्रकल्प आता येथे उपलब्ध आहे (https://e-gifts.site/demo), जिथे तुम्ही तुमची पहिली भेट घेऊ शकता.

प्रकल्प कार्यसंघ: डेनिस स्टॅस्येव, अँटोन चाडोव्ह.

आमच्या शैक्षणिक प्रकल्पांबद्दल तुम्ही येथे अधिक वाचू शकता हा दुवा. आणि चॅनेलला अधिक वेळा भेट द्या टेक्नोस्ट्रीम, प्रोग्रामिंग, विकास आणि इतर विषयांबद्दल नवीन शैक्षणिक व्हिडिओ तेथे नियमितपणे दिसतात.

स्त्रोत: www.habr.com