Détails clés

Amélioration des opérations de traitement et de stockage des données.

Client

Le client est un fournisseur d'applications conviviales et personnalisées dans le domaine de la santé et du bien-être. Plus de 75 millions d'utilisateurs dans le monde ont installé ces applications pour améliorer la qualité de l'activité physique, de la nutrition, du sommeil et de la vigilance.
Le client avait besoin de l'aide d'un services d'analyse prédictive pour trouver des moyens d'utiliser l'analyse prédictive afin d'améliorer les applications de santé et de fitness.

Défi : améliorer les applications de fitness existantes grâce à l'intelligence artificielle (IA)

Le client souhaitait améliorer le système existant afin de fournir aux utilisateurs des conseils supplémentaires en matière de santé et de mode de vie. Notre équipe a été mise au défi d'adapter une solution de business intelligence (BI) pour travailler avec les données des utilisateurs collectées via une application.

Une nouvelle application de coaching physique basée sur l'IA devait permettre de travailler avec de grandes quantités de données sur la santé et les activités physiques des utilisateurs stockées dans la base de données du client. De plus, cette application devait fonctionner comme un outil d'aide à la décision pour le client. la forme physique et la santé AI système de recommandation la génération de recommandations personnalisées connexes.

Solution : apprentissage automatique pour construire un module d'analyse prédictive et permettre une analyse exploratoire des données

1. La qualité des données et la conception de la base de données étaient inefficaces pour l'analyse. L'équipe d'ESSID Solutions a effectué la migration de base des données du stockage du client vers le stockage des données d'InData Lab. Nous avons également spécifié à quoi devrait ressembler le référentiel de données pour stocker des données plus utiles.

L'étape suivante a consisté à élaborer les tableaux nécessaires à la visualisation des données.

Il y avait un cluster Couchbase pour le stockage des données brutes. Nous avons ajouté Kafka pour un transfert de données fiable vers l'entrepôt de données BI (DWH), c'est-à-dire PostgreSQL, en utilisant des procédures Spark. Au-dessus du BI DWH, nous avons utilisé Apache Superset pour fournir des tableaux de bord interactifs.

Nos solutions offrent aux responsables marketing et aux analystes de données la possibilité de sélectionner des paramètres de filtrage, y compris mais sans s'y limiter :

• Prise de poids
• Perte de poids
• Genre
• Indice de masse corporelle (IMC)
• Type de plateforme pour exécuter l'application
• Mode de paiement
• Filtres interactifs (par exemple, pour le suivi en temps réel du nombre d'installations au cours d'une campagne de marketing)

Dans l'ensemble, la solution comprenait 10 tableaux de bord pour permettre un niveau de personnalisation plus élevé.

2. Un autre défi consistait à utiliser l'apprentissage automatique (ML) pour créer un système de recommandation qui permettrait à l'application existante de fournir des recommandations personnalisées.

Nous avons entraîné le modèle basé sur la ML à travailler sur la base des données que les utilisateurs partagent via leurs profils. Un utilisateur télécharge et installe l'application et saisit des données personnelles de base, puis l'algorithme choisit le plan le mieux adapté parmi les plans existants.

Nous avons également mis en place un système de recommandation basé sur des arbres et l'extraction de règles associatives à l'aide de l'algorithme Apriori, le tout écrit en Python.

Les recommandations générées automatiquement varient en fonction du niveau de forme physique de l'utilisateur. Si les données personnelles suggèrent que l'utilisateur peut facilement faire face aux activités actuelles, le système peut recommander de passer au niveau suivant. Dans le cas contraire, l'application peut recommander de répéter les séances d'entraînement au niveau actuel.

Toutes les données pour les ensembles de données de formation ont été fournies par le client. La principale source de collecte de données était le GPS si l'utilisateur l'autorisait.

Résultat : une application de fitness avancée basée sur l'IA et dotée d'une fonction de recommandation personnalisée.

L'équipe d'ESSID Solutions a amélioré les applications mobiles de fitness existantes du client avec des capacités d'analyse prédictive.

Le client a bénéficié de la coopération avec ESSID Solutions dans les domaines suivants :

• Une expérience client plus personnalisée par rapport à la capacité initiale de l'application
• Amélioration du traitement et du stockage des données
• Capacités d'analyse prédictive

Nous avons proposé au client d'utiliser des approches et des technologies de pointe pour fournir des services recherchés et augmenter le nombre de clients.

Travaillez avec ESSID Solutions sur votre Analyse prédictive Projet