Nyligen ägde nästa vinterförsvar av utexaminerade från tre av våra teknikprojekt rum - Technopark (Bauman MSTU), Technosphere (Lomonosov Moscow State University) och Technotrek (MIPT). Teamen presenterade både implementeringar av sina egna idéer och lösningar på verkliga affärsproblem som föreslagits av olika divisioner inom Mai.ru Group.
Bland projekten:
- Tjänst för att sälja presenter med förstärkt verklighet.
- En tjänst som samlar kampanjer, rabatter och erbjudanden från e-postlistan.
- Visuellt sökande efter kläder.
- Tjänst för elektronisk bokpassering med uthyrningsmöjlighet.
- Smart matskanner.
- Modern ljudguide.
- Projektet "Mail.ru Tasks"
- Framtidens mobil-tv.
Vi skulle vilja berätta mer i detalj om sex projekt som särskilt lyfts fram av jurymedlemmarna och mentorerna.
Visuellt sökande efter kläder
Projektet presenterades av ett team av Technosphere-utexaminerade. Enligt analytiker uppgick modemarknaden i Ryssland 2018 till nästan 2,4 biljoner rubel. Killarna skapade en tjänst som är positionerad som en intelligent assistent för att göra inköp i ett stort utbud av varor. Detta är en B2B-lösning som utökar funktionaliteten i nätbutiker.
Under UX-testning upptäckte projektets författare att med "liknande klänning" förstår människor likhet inte i färg eller mönster, utan i klädernas egenskaper. Därför utvecklade killarna ett system som inte bara jämför två bilder, utan förstår semantisk närhet. Du laddar upp en bild på plagget du är intresserad av och tjänsten väljer ut produkter som är relevanta för dess attribut.
Tekniskt sett fungerar systemet enligt följande:
Cascade Mask-RCNN neurala nätverk tränades för upptäckt och klassificering. För att bestämma attributen och likheten hos kläder används ett neuralt nätverk baserat på ResNext-50 med flera huvuden för grupper av attribut, och triplettförlust för fotografier av en produkt. Hela projektet genomfördes baserat på mikrotjänstarkitektur.
I framtiden är det planerat:
- Lansera en tjänst för alla kategorier av kläder.
- Utveckla ett API för onlinebutiker.
- Förbättra attributmanipulation.
- Lär dig att förstå frågor på naturligt språk.
Projektteam: Vladimir Belyaev, Petr Zaidel, Emil Bogomolov.
Framtidens mobil-tv
Projekt av Technopark-teamet. Studenter skapade en applikation med ett TV-schema för de viktigaste ryska digitala sändningskanalerna, till vilken funktionen att titta på kanaler med IPTV (online-kanaler) eller en antenn lades till.
Det svåraste var att fästa antennen på Android-enheten: för detta använde de en tuner, för vilken författarna själva skrev en drivrutin. Som ett resultat fick vi möjlighet att titta på TV och använda TV-programguiden på Android i en applikation.
Projektgrupp: Konstantin Mitrakov, Sergey Lomachev.
En tjänst som samlar kampanjer, rabatter och erbjudanden från e-postlistor
Detta är ett projekt i skärningspunkten mellan reklam- och postteknik. Våra brevlådor är fulla av skräppost och utskick. Varje dag får vi brev med personliga rabatter, men vi öppnar dem allt mindre och uppfattar dem som "värdelös reklam". På grund av detta förlorar användarna fördelar och annonsörer lider förluster. En studie av Mail.ru Mail visade att användare vill se en sammanfattning av de rabatter de har.
Projekt samlar information om rabatter och kampanjer från ditt nyhetsbrev och visar dem i form av ett kortband från vilket du kan gå till kampanjens webbplats eller e-post. Programmet kan fungera med flera brevlådor samtidigt. Det finns en lista över utvalda aktier.
Projektet har en mikrotjänstarkitektur och består av tre huvuddelar:
- OAuth-auktorisering för bekväm anslutning av postlådor.
- Insamling och analys av brev med kampanjer.
- Förvaring och visning av rabattkort.
Projektet använder naturligt språkbehandlingsteknologi med hjälp av GPU-resurser: grafikacceleratorer gjorde det möjligt att öka bearbetningshastigheten med 50 gånger. Algoritmen är baserad på ett frågesvarssystem, som gör att du snabbt kan lägga till aktiekategorier i enlighet med nya affärskrav.
Detta lag vann inte bara en plats i topplagen enligt juryn, utan vann också tävlingen "Digital Tops 2019". Det här är en tävling för ryska utvecklare som skapar IT-verktyg för att förbättra effektiviteten hos företag och statliga myndigheter, samt för att öka den personliga produktiviteten. Vårt lag vann studentkategorin.
Eleverna har stora planer för vidareutvecklingen av projektet, nästa är:
- Integration med posttjänster.
- Implementering av bildanalyssystem.
- Lanserar ett projekt för en bred publik.
Projektteam: Maxim Ermakov, Denis Zinoviev, Nikita Rubinov.
Separat skulle vi vilja berätta om tre team som erkändes av Mail.ru Groups mentorer som arbetade med studenter under hela terminen. Särskild uppmärksamhet ägnades projektkomplexitet, genomförande och lagarbete vid val av projekt.
Projektet "Mail.ru Tasks"
Projektet uppmärksammades av både juryn och mentorer.
"Tasks Mail.ru" är den första oberoende tjänsten för att upprätthålla en att-göra-lista, utvecklad av företaget. Under de kommande månaderna kommer Tasks att ersätta uppgiftslistor i Mail.ru Calendar, och efter att projektet har aktiverats för alla användare kommer det att integreras i Mail.ru mobil och webbmail.
Projektet genomfördes med metoderna Offline-first och Mobile-first. Det vill säga att du kan använda webbapplikationen när som helst, var som helst och på vad som helst. Internetåtkomst spelar ingen roll: data kommer att sparas och synkroniseras. För större bekvämlighet kan du "installera" applikationen från webbläsaren, och den kommer att se ut som en inbyggd.
Smart matskanner
I mataffären kan vi inte alltid snabbt avgöra om en matvara är lämplig för oss eller inte, hur säker och hälsosam den är. Situationen blir mer komplicerad om en person har kostrestriktioner, olika allergier eller går på diet. Foodwise Android-appen låter dig skanna en produkts streckkod och utan ansträngning se om det är värt det.
Använd den.
Applikationen har tre huvudsektioner: "Profil", "Kamera" och "Historik".
I "Profilen" anger du dina preferenser: i avsnittet "Ingredienser" kan du utesluta någon av de 60 000 ingredienserna som ingår i databasen från din kost och läsa information om E-tillskott. "Grupper" låter dig utesluta ett helt block av ingredienser på en gång. Om du till exempel anger "Vegetarianism" kommer alla produkter som innehåller kött att markeras i rött.
Det finns två lägen i avsnittet "Kamera": skanna streckkoder och känna igen grönsaker och frukter. Efter att ha skannat streckkoden får du all information om produkten. Ingredienser som du har uteslutit kommer att markeras i rött.
Alla tidigare skannade produkter kommer att sparas i Historik. Denna sektion är utrustad med text- och röstsökning.
Igenkänningsläget för frukt och grönsaker kan du få information om deras närings- och energivärde. Till exempel innehåller ett äpple cirka 25 gram.
kolhydrater, vilket är oacceptabelt för människor på en lågkolhydratkost.
Ansökan är skriven i Kotlin, "Kameran" använder ML Kit för att skanna streckkoder och identifiera frukt och grönsaker. Backend består av två tjänster: en API-server med en databas,
som lagrar 60 000 ingredienser och sammansättningar av 100 000 produkter, samt ett neuralt nätverk skrivet i Python och Tensorflow.
Projektteam: Artyom Andryukhov, Ksenia Glazacheva, Dmitry Salman.
Tjänst för att sälja presenter med förstärkt verklighet
Varje person har fått symboliska gåvor minst en gång i sitt liv. För människor är ofta uppmärksamheten viktigare än gåvan de får. Sådana gåvor är inte fördelaktiga, men deras produktion och bortskaffande har en negativ inverkan på vår planets natur. Så här kom projektets författare på idén att skapa en tjänst för att sälja presenter med förstärkt verklighet.
För att testa relevansen av idén genomförde vi en studie. 82 % av de tillfrågade stod inför problemet med att välja en gåva. För 57 % av de tillfrågade var den största svårigheten att välja rädslan för att deras gåvor inte skulle användas. 78 % av människorna är redo att förändras för att lösa miljöproblem.
Författarna lade fram tre teser:
- Gåvor lever i den virtuella världen.
- De tar inte plats.
- Alltid i närheten.
För att implementera förstärkt verklighet på webben valde författarna AR.js-biblioteket, som består av två huvuddelar:
- Den första är ansvarig för att rita grafik ovanpå kameraströmmen med A-Frame eller Three.js.
- Den andra delen är ARToolKit, som ansvarar för att känna igen en markör (ett specialtecken som antingen kan skrivas ut eller visas på skärmen på en annan enhet) i kamerans utdataström. Markören används för att placera grafiken. Närvaron av ARToolKit tillåter dig inte att skapa markörlös förstärkt verklighet med AR.js.
AR.js döljer många fallgropar. Till exempel kan dess användning tillsammans med A-Frame "bryta" stilar på hela webbplatsen. Därför använde författarna ett "paket" av AR.js + Three.js, vilket hjälpte till att lösa några av problemen. Och för att bädda in AR.js baserad på Three.js i React, där projektwebbplatsen är skriven, var vi tvungna att skapa ett AR-Test-2-förråd (), som implementerar en separat React-komponent för att använda AR.js baserad på Three.js. Visning av modellen i förstärkt verklighet och 3D (för enheter utan kamera) implementerades.
Det visade sig dock senare att användarna inte förstår vad en markör är och hur man använder den. Därför gick författarna över till teknik , som för närvarande aktivt utvecklas av Google. Den använder ARKit (iOS) eller ARCore (Android) för att rendera modeller i AR utan en markör. Tekniken är baserad på Three.js och inkluderar en 3D-modellvisare. Användbarheten av programmet har förbättrats avsevärt, men för att se augmented reality behöver du en enhet med iOS 12 eller senare.
Projektet finns nu tillgängligt på (), där du kan få din första gåva.
Projektteam: Denis Stasyev, Anton Chadov.
Du kan läsa mer om våra utbildningsprojekt på . Och besök kanalen oftare , nya utbildningsfilmer om programmering, utveckling och andra discipliner dyker upp där regelbundet.
Källa: will.com