Detalles clave

Mejora de las operaciones de procesamiento y almacenamiento de datos.

Cliente

El cliente es un proveedor de aplicaciones fáciles de usar y personalizadas en el ámbito de la salud y el bienestar. Más de 75 millones de usuarios de todo el mundo han instalado estas apps para mejorar la calidad de la actividad física, la nutrición, el sueño y la atención plena.
El cliente necesitaba la ayuda de un servicios de análisis predictivo para encontrar formas de utilizar el análisis predictivo para mejorar las aplicaciones de salud y fitness.

Reto: mejorar las aplicaciones de fitness existentes con inteligencia artificial (IA)

El cliente quería mejorar el sistema existente para ofrecer a los usuarios orientación adicional sobre salud y estilo de vida. Nuestro equipo se enfrentó al reto de adaptar una solución de inteligencia empresarial (BI) para trabajar con los datos de los usuarios recopilados a través de una aplicación.

Se esperaba que una aplicación renovada de entrenamiento físico basada en IA permitiera trabajar con grandes cantidades de datos sobre la salud y las actividades físicas de los usuarios almacenados en la base de datos del cliente. Además, se preveía que esta aplicación funcionara como un salud y forma física AI sistema de recomendación generar recomendaciones personalizadas relacionadas.

Solución: aprendizaje automático para crear un módulo de análisis predictivo y permitir el análisis exploratorio de datos

1. La calidad de los datos y el diseño de la base de datos eran ineficaces para el análisis. El equipo de ESSID Solutions llevó a cabo la migración básica de datos desde el almacenamiento del cliente al de InData Lab. También especificamos cómo debía ser el repositorio de datos para almacenar datos más útiles.

Nuestro siguiente paso fue trazar las tablas necesarias para visualizar los datos.

Había un clúster Couchbase como almacenamiento de datos en bruto. Añadimos Kafka para una transferencia de datos fiable al almacén de datos de BI (DWH), es decir, PostgreSQL, utilizando procedimientos Spark. Sobre BI DWH, utilizamos Apache Superset para proporcionar cuadros de mando interactivos.

Nuestras soluciones ofrecían a los responsables de marketing y a los analistas de datos la posibilidad de seleccionar parámetros de filtrado, entre otros:

• Aumento de peso
• Pérdida de peso
• Género
• Índice de masa corporal (IMC)
• Tipo de plataforma para ejecutar la aplicación
• Forma de pago
• Filtros interactivos (por ejemplo, para controlar en tiempo real el número de instalaciones durante una campaña de marketing).

En total, la solución abarcaba 10 cuadros de mando para permitir un mayor nivel de personalización.

2. Otro reto era utilizar el aprendizaje automático (AM) para crear un sistema de recomendación que permitiera a la aplicación existente ofrecer recomendaciones personalizadas.

Hemos entrenado el modelo basado en ML para que funcione a partir de los datos que los usuarios comparten a través de sus perfiles. Un usuario descarga e instala la aplicación e introduce datos personales básicos, y el algoritmo elige el plan más adecuado entre los existentes.

Además, hemos construido un sistema de recomendación basado en árboles y minería de reglas asociativas mediante el algoritmo Apriori, todo ello escrito en Python.

Las recomendaciones generadas automáticamente difieren en función del nivel de forma física del usuario. Si los datos personales sugieren que un usuario afronta con facilidad las actividades establecidas actualmente, el sistema puede recomendar pasar al siguiente nivel. De lo contrario, la aplicación puede recomendar repetir los entrenamientos en el nivel actual.

Todos los datos para los conjuntos de datos de entrenamiento fueron proporcionados por el Cliente. La principal fuente de recopilación de datos fue el GPS, si el usuario lo permitía.

Resultado: aplicación avanzada de fitness basada en IA con función de recomendación personalizada

El equipo de ESSID Solutions ha mejorado las aplicaciones móviles de fitness del cliente con funciones de análisis predictivo.

El cliente se benefició de la cooperación con ESSID Solutions en los siguientes aspectos:

• Experiencia del cliente más personalizada en comparación con la capacidad inicial de la aplicación
• Mejor tratamiento y almacenamiento de datos
• Capacidades de análisis predictivo

Ofrecimos al Cliente utilizar enfoques y tecnologías de vanguardia para prestar servicios solicitados y ampliar el número de clientes.

Trabaje con ESSID Solutions en su Análisis predictivo Proyecto