Разработка рекомендательной системы для медицинской платформы
- Backend
- DevOps
- Pytorch
- Torchvision
- OpenCV
- MediaPipe
- Numpy
- Pandas
- Matplotlib
- Streamlit
- PostgreSQL
- Gitlab
Индустрия
Медицина
У вас есть задача?
Давайте обсудим?
О клиенте
Бизнес создает и внедряет программы на базе машинного обучения и искусственного интеллекта. Клиентами преимущественно являются компании, работающие в сфере здравоохранения, биотехнологий и науки. Среди ИТ-решений: система анализа медицинских изображений, платформа управления лекарственными средствами, приложение для отслеживания сна и др. У разработчика свыше 100 тыс. клиентов из 50 стран мира.
О проекте
Веб-сервис позволяет оценить физическое и психоэмоциональное состояние пользователя на основе его цифрового профиля. Юзер сообщает данные о себе: общую информацию (пол, рост, вес, возраст), измерения с различных mHealth устройств (smart-часы, фитнес-браслеты, мобильные приложения) и др. Далее программа анализирует сведения и открывает базу знаний о ЗОЖ-привычках. Однако продукт не формировал индивидуальные рекомендации.
Основная задача проекта заключалась в построении рекомендательной системы по корректировке образа жизни с учетом индивидуальных особенностей пользователя. Также ИТ-специалистам RedLab требовалось:
- Улучшить автоматический сбор данных о показателях образа и качества жизни аудитории.
- Обеспечить хранение структурированной и неструктурированной информации о пользователе из различных источников в единообразном виде.
- Обеспечить хранение структурированной и неструктурированной информации о пользователе из различных источников в единообразном виде.
Реализация
После детального изучения ИТ-инфраструктуры и используемых технологий наши ML- и DevOps-инженеры приступили к работе:
- Разработали алгоритмы вычисления скорости реакции человека по данным от модели распознавания ключевых точек, чтобы оптимизировать время отклика системы.
- Выполнили прототипирование пользовательских интерфейсов, что помогло создать максимально удобный и привлекательный для ЦА продукт.
- Внедрили модели в промышленную среду и подготовили техническую документацию.
- Спроектировали архитектуру на основе GPT и LLM. Языковые модели обучены на огромных наборах данных, что позволяет им генерировать высококачественные и релевантные ответы.
- На основе опросов пользователей разработали рекомендательную систему, которая стала формировать персонализированные профилактические мероприятия по изменению образа жизни.
- Собрали базу из 30+ млн научных статей для того, чтобы программа предоставляла советы, подтвержденные различными исследованиями.
- Создали интеллектуального диалогового ассистента и сделали его валидацию и стресс-тестирование. Аудитория получила виртуального цифрового помощника, который бесперебойно работает даже под высоким пользовательским трафиком.
Результат
