Künstliche Intelligenz
und Maschinelles Lernen

Wir entwickeln und implementieren Lösungen auf der Basis von Künstlicher Intelligenz, die im digitalen Zeitalter dauerhafte Wettbewerbsvorteile ermöglichen

Künstliche Intelligenz
und Maschinelles Lernen

Wir entwickeln und implementieren Lösungen auf der Basis von Künstlicher Intelligenz, die im digitalen Zeitalter dauerhafte Wettbewerbsvorteile ermöglichen

Unsere Lösungen

ML-Modelle für das Kreditrisikomanagement im Finanzbereich
Wir entwickeln und implementieren Modelle zur Bewertung von Kreditrisiken im Finanzsektor (PD, LGD, Frühwarnmodelle, makroökonomische Modelle für IFRS9)
Genaue Vorhersagen
und Planungsoptimierung
Wir entwickeln Services für die Vorhersage mehrdimensionaler Zeitreihen (Verkaufsvolumen, Lagerauslastung, Auslastung der Informationssysteme) mit Hilfe von ML-Modellen
Erkennen von versteckten Gefahren
Wir erstellen Dienste zur Erkennung von Auffälligkeiten auf der Grundlage von ML-Modellen

ML-gesteuertes HR-Management
Wir entwickeln und implementieren Modelle für den HR-Bereich: Vorhersage von Personalkündigungen und Automatisierung der Personalsuche auf der Grundlage von ML-Modellen
Kundenbindung, Umgang mit Abwanderung und Cross-Selling-Empfehlungen
Wir entwickeln ML-Modelle der Kundenabwanderung, NBA/NBO-Modelle, KI-basierte Empfehlungssysteme
NLP für mehr Effizienz im Betriebsablauf
Wir entwickeln Dienste zur Verarbeitung der natürlichen Sprache (NLP) für die Bearbeitung von Kundenanfragen, Nachrichteninformationen, automatisiertes Parsing und Überprüfung von Textdokumenten.

Unsere Lösungen

ML-Modelle für das Kreditrisikomanagement im Finanzbereich
Wir entwickeln und implementieren Modelle zur Bewertung von Kreditrisiken im Finanzsektor (PD, LGD, Frühwarnmodelle, makroökonomische Modelle für IFRS9)
Genaue Vorhersagen
und Planungsoptimierung
Wir entwickeln Services für die Vorhersage mehrdimensionaler Zeitreihen (Verkaufsvolumen, Lagerauslastung, Auslastung der Informationssysteme) mit Hilfe von ML-Modellen
Erkennen von versteckten Gefahren
Wir erstellen Dienste zur Erkennung von Auffälligkeiten auf der Grundlage von ML-Modellen

ML-gesteuertes HR-Management
Wir entwickeln und implementieren Modelle für den HR-Bereich: Vorhersage von Personalkündigungen und Automatisierung der Personalsuche auf der Grundlage von ML-Modellen
Kundenbindung, Umgang mit Abwanderung und Cross-Selling-Empfehlungen
Wir entwickeln ML-Modelle der Kundenabwanderung, NBA/NBO-Modelle, KI-basierte Empfehlungssysteme
NLP für mehr Effizienz im Betriebsablauf
Wir entwickeln Dienste zur Verarbeitung der natürlichen Sprache (NLP) für die Bearbeitung von Kundenanfragen, Nachrichteninformationen, automatisiertes Parsing und Überprüfung von Textdokumenten.

Fallstudien

ENTWICKLUNG VON PD, LGD MODELLEN UND MAKROANPASSUNGEN FÜR BANKEN
Kunde
Zahlreiche Banken in Europa, Afrika und im Nahen Osten

Aufgabenstellung
Um die Anforderungen der regionalen und europäischen Regulierungsbehörden in Bezug auf den Rechnungslegungsstandard IFRS9 zu erfüllen, sollten die Banken Modelle zur Bewertung des Kreditrisikos der Kreditnehmer entwickeln: Modelle zur Ausfallwahrscheinlichkeit, Modelle zur Verlustquote bei Ausfall und Modelle zur makroökonomischen Anpassung.

Ergebnisse
Ein entwickeltes Paket von Modellen zur Schätzung der beobachteten Ausfallraten (ODR) unter Verwendung eines Vintage-Ansatzes, eine Reihe von implementierten Algorithmen zur Anpassung parametrischer Kurven an die ODR (einschließlich Weibull-Pareto, Cox PH, Gen Gamma, RF, usw.). Es wurden LGD-Modelle, automatisierte Backtesting-Verfahren und makroökonomische Anpassungsmodelle (Regressionsmodelle und SVMs) entwickelt. Es wurde eine Reihe erfolgreicher externer Prüfungen der Big-4-Unternehmen (EY, PWC) durchgeführt.
VORHERSAGE VON LAGERBESTANDSMENGEN
Kunde
Großes Logistikunternehmen. Mehr als 200 regionale Niederlassungen, 400 000 m² Lagerfläche, mehr als 10 000 Mitarbeiter, mehr als 3,5 Millionen Kunden

Aufgabenstellung
Implementierung eines Modells zur Vorhersage des Lagerbestandsvolumens in allen Abteilungen des Logistikunternehmens, um die Genauigkeit der Planung der Transportressourcen zu erhöhen.

Ergebnisse
Enfint hat eine Reihe von Zeitreihenmodellen mit verschiedenen Ansätzen (STL + SARIMA, ARIMA+Fourier, TBATS, Prophet, LSTM) entwickelt. Das SARIMA-Modell hat die besten Ergebnisse gezeigt; der gewichtete Mittelwert des prozentualen Fehlers beträgt ~28%. Durch die Genauigkeit des entwickelten Planungsalgorithmus konnte die Planungsgenauigkeit im Vergleich zu den bisher verwendeten Algorithmen um mehr als 5% gesteigert werden.
VORHERSAGEMODELL FÜR DIE MITARBEITERABWANDERUNG
Kunde
Großes internationales IT-Unternehmen, über 1200 Beschäftigte in 3 Ländern, über 100 Kunden

Aufgabenstellung
Um die Abwanderung von Front-Office-Mitarbeitern (Entwickler, Tester, Systemanalytiker) zu verringern, müssen wir eine Reihe von Schlüsselfaktoren ermitteln, die die Wahrscheinlichkeit der Mitarbeiterkündigung deutlich erhöhen.

Ergebnisse
Ein entwickeltes Modell mit AutoML-Ansätzen (das beste Ergebnis wurde mit dem Distributed-Random-Forest-Algorithmus erzielt), AUC = 0,64 und die Rückrufquote der gekündigten Mitarbeiter beträgt etwa 0,68. Mit Hilfe dieses Modells können Mitarbeiter, die sich in der "Risikozone" befinden, auf der Basis von mehr als 50 Faktoren identifiziert werden, was wiederum dazu führt, dass Vertical Manager und HRs gezielt Aktionen zur Mitarbeiterbindung intensivieren und rechtzeitig Maßnahmen ergreifen können.
VORHERSAGE DER KUNDENNACHFRAGE
Kunde
Großes Vertriebsunternehmen, seit über 30 Jahren auf dem Markt, 42 Lager, 600 Lieferanten, über 4000 Mitarbeiter

Aufgabenstellung
Entwicklung einer Reihe von Algorithmen auf der Basis von Tools des maschinellen Lernens, die für die automatische Vorhersage der Nachfrage für den Kauf von Waren im Lagersystem des Unternehmens verwendet werden sollen.

Ergebnisse
Wir haben ein Modell entwickelt, das ML-Algorithmen der Zeitreihenvorhersage verwendet. Mit diesem Modell ist es möglich, die Nachfrage nach bestimmten Produkten oder Gruppen von Produktkategorien auf einen Zeitraum von 1-2 Monaten vorherzusagen.

Für die verschiedenen Produktkategorien (je nach Nachfragecharakteristik) verwendet das Modell unterschiedliche Algorithmen (ARIMA, Exponential Smoothing, Prophet, LSTM) und Prädiktorensätze.

Neue Modelle verbesserten die bestehende Vorhersagegenauigkeit um 5-10% je nach Region/Warengruppe
MODELL ZUR VORHERSAGE DES GETREIDEERTRAGS
Kunde
Ein großer Hersteller von Pflanzenschutzmitteln

Aufgabenstellung
Entwicklung einer Methode zur Modellierung von Szenarien für die Vorhersage der Bruttoerträge von Frühjahrs- und Winterweizen unter Berücksichtigung der Abhängigkeit von Wetterbedingungen

Ergebnisse
Entwicklung einer Reihe von Modellen auf der Grundlage von Zeitreihen für Weizenbruttoerträge, die in drei Komponenten unterteilt sind: Prognose der Anbaufläche, Ertragstrend und Ertragsabweichungen vom Trend.

Für die Vorhersage der Anbaufläche wurde das Holt-Winters-Modell verwendet, die Vorhersage des Ertragstrends wurde mit Hilfe einer linearen Regression aus der Zeit geschätzt, die Abweichungen vom Trend wurden mit dem LightGBM-Algorithmus hochgerechnet.

Die Vorhersagegenauigkeit liegt für alle Regionen bei über 80 %.

Entwicklung eines Cloud-Dienstes für die Szenario-Modellierung auf Basis der erstellten ML-Modelle.
WARTESCHLANGENKONTROLLE MIT HILFE VON COMPUTER VISION
Kunde
Großes Einzelhandelsunternehmen

Aufgabenstellung
Entwicklung eines automatisierten Verfahrens zur Kontrolle von Warteschlangen in Geschäften, um die Kundenbindung zu erhöhen und die Anzahl der Kundenverluste zu verringern.

Ergebnisse
Die Reaktionsgeschwindigkeit beim Auftreten einer Warteschlange hat sich um das Dreifache erhöht.

Es wurde ein Modell entwickelt, bei dem Yolo und sein eigener Algorithmus zur Bestimmung der Warteschlange verwendet werden.

Der Algorithmus zur Bestimmung der Warteschlange "in der Zukunft" hat eine Reihe von Vorteilen gegenüber den herkömmlichen, über den.

Kassen angebrachten Kameras:
Möglichkeit, in Räumen mit niedriger Deckenhöhe zu arbeiten
Bestimmung von Käufergruppen (Familien), um falsch positive Ergebnisse zu vermeiden

Fallstudien

ENTWICKLUNG VON PD, LGD MODELLEN UND MAKROANPASSUNGEN FÜR BANKEN
Kunde
Zahlreiche Banken in Europa, Afrika und im Nahen Osten

Aufgabenstellung
Um die Anforderungen der regionalen und europäischen Regulierungsbehörden in Bezug auf den Rechnungslegungsstandard IFRS9 zu erfüllen, sollten die Banken Modelle zur Bewertung des Kreditrisikos der Kreditnehmer entwickeln: Modelle zur Ausfallwahrscheinlichkeit, Modelle zur Verlustquote bei Ausfall und Modelle zur makroökonomischen Anpassung.

Ergebnisse
Ein entwickeltes Paket von Modellen zur Schätzung der beobachteten Ausfallraten (ODR) unter Verwendung eines Vintage-Ansatzes, eine Reihe von implementierten Algorithmen zur Anpassung parametrischer Kurven an die ODR (einschließlich Weibull-Pareto, Cox PH, Gen Gamma, RF, usw.). Es wurden LGD-Modelle, automatisierte Backtesting-Verfahren und makroökonomische Anpassungsmodelle (Regressionsmodelle und SVMs) entwickelt. Es wurde eine Reihe erfolgreicher externer Prüfungen der Big-4-Unternehmen (EY, PWC) durchgeführt.
VORHERSAGE VON LAGERBESTANDSMENGEN
Kunde
Großes Logistikunternehmen. Mehr als 200 regionale Niederlassungen, 400 000 m² Lagerfläche, mehr als 10 000 Mitarbeiter, mehr als 3,5 Millionen Kunden

Aufgabenstellung
Implementierung eines Modells zur Vorhersage des Lagerbestandsvolumens in allen Abteilungen des Logistikunternehmens, um die Genauigkeit der Planung der Transportressourcen zu erhöhen.

Ergebnisse
Enfint hat eine Reihe von Zeitreihenmodellen mit verschiedenen Ansätzen (STL + SARIMA, ARIMA+Fourier, TBATS, Prophet, LSTM) entwickelt. Das SARIMA-Modell hat die besten Ergebnisse gezeigt; der gewichtete Mittelwert des prozentualen Fehlers beträgt ~28%. Durch die Genauigkeit des entwickelten Planungsalgorithmus konnte die Planungsgenauigkeit im Vergleich zu den bisher verwendeten Algorithmen um mehr als 5% gesteigert werden.
VORHERSAGEMODELL FÜR DIE MITARBEITERABWANDERUNG
Kunde
Großes internationales IT-Unternehmen, über 1200 Beschäftigte in 3 Ländern, über 100 Kunden

Aufgabenstellung
Um die Abwanderung von Front-Office-Mitarbeitern (Entwickler, Tester, Systemanalytiker) zu verringern, müssen wir eine Reihe von Schlüsselfaktoren ermitteln, die die Wahrscheinlichkeit der Mitarbeiterkündigung deutlich erhöhen.

Ergebnisse
Ein entwickeltes Modell mit AutoML-Ansätzen (das beste Ergebnis wurde mit dem Distributed-Random-Forest-Algorithmus erzielt), AUC = 0,64 und die Rückrufquote der gekündigten Mitarbeiter beträgt etwa 0,68. Mit Hilfe dieses Modells können Mitarbeiter, die sich in der "Risikozone" befinden, auf der Basis von mehr als 50 Faktoren identifiziert werden, was wiederum dazu führt, dass Vertical Manager und HRs gezielt Aktionen zur Mitarbeiterbindung intensivieren und rechtzeitig Maßnahmen ergreifen können.
VORHERSAGE DER KUNDENNACHFRAGE
Kunde
Großes Vertriebsunternehmen, seit über 30 Jahren auf dem Markt, 42 Lager, 600 Lieferanten, über 4000 Mitarbeiter

Aufgabenstellung
Entwicklung einer Reihe von Algorithmen auf der Basis von Tools des maschinellen Lernens, die für die automatische Vorhersage der Nachfrage für den Kauf von Waren im Lagersystem des Unternehmens verwendet werden sollen.

Ergebnisse
Wir haben ein Modell entwickelt, das ML-Algorithmen der Zeitreihenvorhersage verwendet. Mit diesem Modell ist es möglich, die Nachfrage nach bestimmten Produkten oder Gruppen von Produktkategorien auf einen Zeitraum von 1-2 Monaten vorherzusagen.

Für die verschiedenen Produktkategorien (je nach Nachfragecharakteristik) verwendet das Modell unterschiedliche Algorithmen (ARIMA, Exponential Smoothing, Prophet, LSTM) und Prädiktorensätze.

Neue Modelle verbesserten die bestehende Vorhersagegenauigkeit um 5-10% je nach Region/Warengruppe
MODELL ZUR VORHERSAGE DES GETREIDEERTRAGS
Kunde
Ein großer Hersteller von Pflanzenschutzmitteln

Aufgabenstellung
Entwicklung einer Methode zur Modellierung von Szenarien für die Vorhersage der Bruttoerträge von Frühjahrs- und Winterweizen unter Berücksichtigung der Abhängigkeit von Wetterbedingungen

Ergebnisse
Entwicklung einer Reihe von Modellen auf der Grundlage von Zeitreihen für Weizenbruttoerträge, die in drei Komponenten unterteilt sind: Prognose der Anbaufläche, Ertragstrend und Ertragsabweichungen vom Trend.

Für die Vorhersage der Anbaufläche wurde das Holt-Winters-Modell verwendet, die Vorhersage des Ertragstrends wurde mit Hilfe einer linearen Regression aus der Zeit geschätzt, die Abweichungen vom Trend wurden mit dem LightGBM-Algorithmus hochgerechnet.

Die Vorhersagegenauigkeit liegt für alle Regionen bei über 80 %.

Entwicklung eines Cloud-Dienstes für die Szenario-Modellierung auf Basis der erstellten ML-Modelle.
WARTESCHLANGENKONTROLLE MIT HILFE VON COMPUTER VISION
Kunde
Großes Einzelhandelsunternehmen

Aufgabenstellung
Entwicklung eines automatisierten Verfahrens zur Kontrolle von Warteschlangen in Geschäften, um die Kundenbindung zu erhöhen und die Anzahl der Kundenverluste zu verringern.

Ergebnisse
Die Reaktionsgeschwindigkeit beim Auftreten einer Warteschlange hat sich um das Dreifache erhöht.

Es wurde ein Modell entwickelt, bei dem Yolo und sein eigener Algorithmus zur Bestimmung der Warteschlange verwendet werden.

Der Algorithmus zur Bestimmung der Warteschlange "in der Zukunft" hat eine Reihe von Vorteilen gegenüber den herkömmlichen, über den.

Kassen angebrachten Kameras:
Möglichkeit, in Räumen mit niedriger Deckenhöhe zu arbeiten
Bestimmung von Käufergruppen (Familien), um falsch positive Ergebnisse zu vermeiden

Kontaktieren Sie uns

BRANCHEN

IM TREND

Unternehmen

Über ENFINT

Künstliche Intelligenz und Maschinelles Lernen

Künstliche Intelligenz und Maschinelles Lernen

Künstliche Intelligenz
und Maschinelles Lernen

Künstliche Intelligenz
und Maschinelles Lernen