Am\u00e9lioration des op\u00e9rations de traitement et de stockage des donn\u00e9es.<\/p>\n
Le client est un fournisseur d'applications conviviales et personnalis\u00e9es dans le domaine de la sant\u00e9 et du bien-\u00eatre. Plus de 75 millions d'utilisateurs dans le monde ont install\u00e9 ces applications pour am\u00e9liorer la qualit\u00e9 de l'activit\u00e9 physique, de la nutrition, du sommeil et de la vigilance. Le client souhaitait am\u00e9liorer le syst\u00e8me existant afin de fournir aux utilisateurs des conseils suppl\u00e9mentaires en mati\u00e8re de sant\u00e9 et de mode de vie. Notre \u00e9quipe a \u00e9t\u00e9 mise au d\u00e9fi d'adapter une solution de business intelligence (BI) pour travailler avec les donn\u00e9es des utilisateurs collect\u00e9es via une application.<\/p>\n Une nouvelle application de coaching physique bas\u00e9e sur l'IA devait permettre de travailler avec de grandes quantit\u00e9s de donn\u00e9es sur la sant\u00e9 et les activit\u00e9s physiques des utilisateurs stock\u00e9es dans la base de donn\u00e9es du client. De plus, cette application devait fonctionner comme un outil d'aide \u00e0 la d\u00e9cision pour le client. la forme physique et la sant\u00e9<\/a> AI syst\u00e8me de recommandation<\/a> la g\u00e9n\u00e9ration de recommandations personnalis\u00e9es connexes.<\/p>\n 1.<\/strong> La qualit\u00e9 des donn\u00e9es et la conception de la base de donn\u00e9es \u00e9taient inefficaces pour l'analyse. L'\u00e9quipe d'ESSID Solutions a effectu\u00e9 la migration de base des donn\u00e9es du stockage du client vers le stockage des donn\u00e9es d'InData Lab. Nous avons \u00e9galement sp\u00e9cifi\u00e9 \u00e0 quoi devrait ressembler le r\u00e9f\u00e9rentiel de donn\u00e9es pour stocker des donn\u00e9es plus utiles.<\/p>\n L'\u00e9tape suivante a consist\u00e9 \u00e0 \u00e9laborer les tableaux n\u00e9cessaires \u00e0 la visualisation des donn\u00e9es.<\/p>\n Il y avait un cluster Couchbase pour le stockage des donn\u00e9es brutes. Nous avons ajout\u00e9 Kafka pour un transfert de donn\u00e9es fiable vers l'entrep\u00f4t de donn\u00e9es BI (DWH), c'est-\u00e0-dire PostgreSQL, en utilisant des proc\u00e9dures Spark. Au-dessus du BI DWH, nous avons utilis\u00e9 Apache Superset pour fournir des tableaux de bord interactifs.<\/p>\n Nos solutions offrent aux responsables marketing et aux analystes de donn\u00e9es la possibilit\u00e9 de s\u00e9lectionner des param\u00e8tres de filtrage, y compris mais sans s'y limiter :<\/p>\n Dans l'ensemble, la solution comprenait 10 tableaux de bord pour permettre un niveau de personnalisation plus \u00e9lev\u00e9.<\/p>\n 2.<\/strong> Un autre d\u00e9fi consistait \u00e0 utiliser l'apprentissage automatique (ML)<\/a> pour cr\u00e9er un syst\u00e8me de recommandation qui permettrait \u00e0 l'application existante de fournir des recommandations personnalis\u00e9es.<\/p>\n Nous avons entra\u00een\u00e9 le mod\u00e8le bas\u00e9 sur la ML \u00e0 travailler sur la base des donn\u00e9es que les utilisateurs partagent via leurs profils. Un utilisateur t\u00e9l\u00e9charge et installe l'application et saisit des donn\u00e9es personnelles de base, puis l'algorithme choisit le plan le mieux adapt\u00e9 parmi les plans existants.<\/p>\n Nous avons \u00e9galement mis en place un syst\u00e8me de recommandation bas\u00e9 sur des arbres<\/a> et l'extraction de r\u00e8gles associatives \u00e0 l'aide de l'algorithme Apriori, le tout \u00e9crit en Python.<\/p>\n Les recommandations g\u00e9n\u00e9r\u00e9es automatiquement varient en fonction du niveau de forme physique de l'utilisateur. Si les donn\u00e9es personnelles sugg\u00e8rent que l'utilisateur peut facilement faire face aux activit\u00e9s actuelles, le syst\u00e8me peut recommander de passer au niveau suivant. Dans le cas contraire, l'application peut recommander de r\u00e9p\u00e9ter les s\u00e9ances d'entra\u00eenement au niveau actuel.<\/p>\n Toutes les donn\u00e9es pour les ensembles de donn\u00e9es de formation ont \u00e9t\u00e9 fournies par le client. La principale source de collecte de donn\u00e9es \u00e9tait le GPS si l'utilisateur l'autorisait.<\/p>\n L'\u00e9quipe d'ESSID Solutions a am\u00e9lior\u00e9 les applications mobiles de fitness existantes du client avec des capacit\u00e9s d'analyse pr\u00e9dictive.<\/p>\n Le client a b\u00e9n\u00e9fici\u00e9 de la coop\u00e9ration avec ESSID Solutions dans les domaines suivants :<\/p>\n Nous avons propos\u00e9 au client d'utiliser des approches et des technologies de pointe pour fournir des services recherch\u00e9s et augmenter le nombre de clients.<\/p>\n
Le client avait besoin de l'aide d'un services d'analyse pr\u00e9dictive<\/a> pour trouver des moyens d'utiliser l'analyse pr\u00e9dictive afin d'am\u00e9liorer les applications de sant\u00e9 et de fitness.<\/p>\nD\u00e9fi : am\u00e9liorer les applications de fitness existantes gr\u00e2ce \u00e0 l'intelligence artificielle (IA)<\/h2>\n
Solution : apprentissage automatique pour construire un module d'analyse pr\u00e9dictive et permettre une analyse exploratoire des donn\u00e9es<\/h2>\n
\n
R\u00e9sultat : une application de fitness avanc\u00e9e bas\u00e9e sur l'IA et dot\u00e9e d'une fonction de recommandation personnalis\u00e9e.<\/h2>\n
\n
Travaillez avec ESSID Solutions sur votre Analyse pr\u00e9dictive<\/a> Projet<\/h3>","protected":false},"excerpt":{"rendered":"