Компания Когнитивные системы – российский проект по созданию систем искусственного интеллекта на основе нейронных сетей.
Основной фокус нашей деятельности - создание диалоговых систем и систем умного поиска на базе ИИ.
Мы являемся разработчиком первой российской платформы для обучения нейронных сетей BRAIN2, основанной на собственном инновационном подходе к созданию систем искусственного интеллекта.
С помощью наших партнеров из компании Промобот, Фонда содействия инновациям и центра Сколково мы создали продвинутый когнитивный процессор для обработки естественного текста. Сегодня наши модели используются в роботах Promobot, оказывающих консультации клиентам по всей России и во многих странах мира.
Наша цель – сделать технологии искусственного интеллекта максимально доступными и создать основу для сильного ИИ в обозримом будущем.

Мы поможем

со следующими

задачами

1. Разработка

аналитических

систем
Разработка систем на базе ИИ. Наличие собственного фреймворка для обучения моделей дает нам преимущество в скорости работы, гибкости выбора архитектур нейросетей, размере моделей и точности.
Умные консультанты для онлайн-магазинов

- Оказывают первый уровень клиентской поддержки

- Отвечают на часто-задаваемые вопросы

- Помогают клиентам найти нужный товар

- Обучаются на реальных диалогах консультантов с клиентами

Система семантического поиска для сайтов и баз данных

- Обучение на естественном тексте

- Вопросы в свободной форме

- Учет контекстуальных синонимов

- Исправление ошибок в словах

Классификация обращений и заявок

- Тематическая классификация обращений

- Автоматизированный выбор подходящего шаблона ответа

- Выделение ключевых именных сущностей – имена, географическая названия, даты

- Сегментированная аналитика обращений

Разговорный модуль для промо-роботов

- Общение с людьми на свободные темы

- Консультирование по выбранной тематике

- Возможность определения целей диалога

- Учет синонимов и парафраз

Умные консультанты для онлайн-магазинов

- Оказывают первый уровень клиентской поддержки

- Отвечают на часто-задаваемые вопросы

- Помогают клиентам найти нужный товар

- Обучаются на реальных диалогах консультантов с клиентами

Система семантического поиска для сайтов и баз данных

- Обучение на естественном тексте

- Вопросы в свободной форме

- Учет контекстуальных синонимов

- Исправление ошибок в словах

Классификация обращений и заявок

- Тематическая классификация обращений

- Автоматизированный выбор подходящего шаблона ответа

- Выделение ключевых именных сущностей – имена, географическая названия, даты

- Сегментированная аналитика обращений

Разговорный модуль для промо-роботов

- Общение с людьми на свободные темы

- Консультирование по выбранной тематике

- Возможность определения целей диалога

- Учет синонимов и парафраз

2. Разметка

данных

Разметка текстовых данных с целью их последующего использования при обучении языковых моделей. Благодаря собственному NLP процессору и опыту наших специалистов в работе с различными типами текстовых данных мы можем предложить уникальный комплекс технической и аналитической разметки естественного текста.

3. Проверка научных

или бизнес гипотез

Помогаем собрать данные, проводим разметку данных, обучаем модели и тестируем ваши гипотезы. Наши специалисты по Data Science, владеют множеством методик работы с данными и различными типами нейронных сетей.

Готовые

решения

BRAIN2 - первая российская платформа для обучения нейронных сетей, основанная на собственном фреймворке.

BRAIN2 позволяет разработчикам создавать прогнозирующие модели на собственных данных, тестировать эффективность моделей, а затем использовать их для получения прогнозов. Платформа значительно упрощает процесс обучения нейросетей за счет автоматического подбора оптимальной архитектуры модели.

Вы можете воспользоваться нашей онлайн-платформой с доступом через личный кабинет либо приобрести лицензию для установки системы на свою машину.

BRAIN2NLP - российский когнитивный процессор для автоматизированной разметки естественного текста.

Основной функционал BRAIN2NLP включает в себя определение языка, выделение стем, морфологическую и синтаксическую разметку текста, извлечение именных сущностей и определение семантического вектора слов.

Это позволяет моделям, обученным с помощью BRAIN2NLP значительно лучше понимать контекст и давать более релевантные ответы на вопросы пользователей.

Проект

«‎сознание»‎

Мы разработали теоретическую базу для создания сложной системы, обладающей функцией энергии и возможностью самостоятельно генерировать алгоритмы действий.

Это позволит создать ИИ, основной целью которого будет поддержание своей жизнедеятельности и конкурировать с другими моделями за выживание. Возможности такого искусственного интеллекта будут существенно превосходить использующиеся сегодня технологии.
Преимущества
Уникальный запатентованный подход к созданию ИИ (скорость, простота, размер моделей)
Более 50 реализованных проектов
Общий опыт команды в разработке систем ИИ - 30 лет
Команда КС - участники рабочей группы НТИ Нейронет, авторы изобретений и патентов в сфере ИИ
КС - является резидентом Сколково и победителем в конкурсах грантов от Фонда Содействия Инноваций
Члены команды регулярно публикуют специализированные научные статьи

Наши

работы
Сервис мфц

Программное обеспечение для роботов компании Промобот, «трудящихся» в многофункциональных центрах.

Разработка позволяет выбирать посетителю услугу МФЦ по запросу в свободной форме.

Сервис мфц

Программное обеспечение для роботов компании Промобот, «трудящихся» в многофункциональных центрах.

Разработка позволяет выбирать посетителю услугу МФЦ по запросу в свободной форме.

Умная поисковая система brain2semantic search

Робот ассистент, который «‎читает» текст любого объема и тематики за и далее отвечает на вопросы по нему. В основе сервиса лежит разработанная нами, Семантическая Векторная Модель, направленная на поиск смысловых связей в тексте и возможность учета контекста для каждого слова.

Умная поисковая система brain2semantic search

Робот ассистент, который «‎читает» текст любого объема и тематики за и далее отвечает на вопросы по нему. В основе сервиса лежит разработанная нами, Семантическая Векторная Модель, направленная на поиск смысловых связей в тексте и возможность учета контекста для каждого слова.

Гид для музея

Вопросно-ответная система для робота, позволяющая ему отвечать на вопросы поситителей в свободной форме и рассказывать интересные факты из истории. Сейчас робот уже проводит полноценные экскурсии для посетителей.

Гид для музея

Вопросно-ответная система для робота, позволяющая ему отвечать на вопросы поситителей в свободной форме и рассказывать интересные факты из истории. Сейчас робот уже проводит полноценные экскурсии для посетителей.

СМИ О НАС

И НАУЧНЫЕ

ПУБЛИКАЦИИ

Искусство возможного

«Ключевое понятие здесь — смысл, — отмечает Артём Артёмов. — Связь между причиной (например, красным светом светофора) и следствием (остановкой машин). Вторая составляющая «человекообразного» интеллекта — это чувства…

Они нужны нам, чтобы создавать мотивацию и находить смыслы самостоятельно. И кто оценит эти смыслы, если ИИ не сможет никому о них рассказать? Поэтому нужен третий элемент — возможность эффективно коммуницировать»

https://mipt.ru/upload/iblock/e65/2017_zanauku_1.pdf , страницы 58-61
Валентин Малых, Ксения Уланова

Знакомьтесь, ваша новая персональная помощница. На что способен искусственный интеллект?

«Мы уверены, что невозможно создать искусственный интеллект, не научив его чувствовать. Мы считаем, что искусственный интеллект способен только тогда познавать, когда что-то его будет двигать…

Ведь наша жизнь — это путь от страданий к удовольствию. Неплохо бы и искусственный интеллект туда загнать» — Артем Артемов, Когнитивные системы.

https://rtvi.com/stories/znakomtes-vasha-novaya-personalnaya-pomoshchnitsa-na-chto-sposoben-iskusstvennyy-intellekt/
Сергей Морозов

Искусственный интеллект в ритейле нужен для оптимизации работы

Артем Артемов, директор компании «Когнитивные системы», считает, что у ритейлеров в скором будущем не должно остаться обслуживающего персонала, на часто задаваемые вопросы будут отвечать интеллектуальные помощники.

«За бывшего аналитика часть работы будет делать интеллект, а освободившееся время можно будет потратить на что-то другое. Не надо бояться, что люди останутся без работы. Останутся без работы те, кто боятся меняться с меняющимися миром». — утверждает Артем Артемов.

https://retail-life.ru/iskusstvennyj-intellekt-v-ritejle-nuzhen-dlja-optimizacii-raboty/

В ожидании чудес, обыкновенных чудес.

Артемов А.А., Сергеев А.С., Хасеневич И.А.

Компьютерные программы наступают на пятки представителям не только простых, но даже и таких творческих профессий как переводчик и журналист, грозя в недалеком будущем вытеснить их с рынка.

Согласно докладу ООН, вскоре роботы займут 2/3 имеющихся рабочих мест в развивающихся странах. Попытаемся разобраться, насколько оправданы фантастические фильмы и роботоцентричные прогнозы и можно ли уже сейчас говорить о полноценном развитии искусственного интеллекта.

http://strf.ru/material.aspx?CatalogId=222&d_no=126692#.XCXck88zacZ

Генератор неслучайных чисел и проблемы понимания смысла

Выступление генерального директора ООО «Когнитивные системы» А.А. Артемова на конференции OpenTalks.ai с докладом «Генератор неслучайных чисел и проблемы понимания смысла». 2019

Учет неизвестных признаков в модели на примере кейса МФЦ

Выступление генерального директора ООО «Когнитивные системы» А.А. Артемова на конференции Big Data & AI Conference 2019 с докладом «Учет неизвестных признаков в модели на примере кейса МФЦ». 2019

Метод оценки близости групп векторных представлений в многомерном пространстве. На примере задачи парафраз.

А.Артемов, Б. Алексеев. В статье представлен метод сравнения двух наборов векторов.

Метод может быть применен во всех задачах, где необходимо измерить близость двух объектов, представленных в виде наборов векторов.

https://arxiv.org/abs/1908.09341

Нейросетевая классификация объектов по известным и неизвестным признакам (на основе текстовых запросов)

А.Артемов, И. Болохов, Д.Кем, И. Хасеневич. В статье представлен метод, позволяющий повысить качество классификации объектов, описываемых сочетанием известных и неизвестных признаков.

Метод основан на модернизированном информационном нейробайесовом подходе с учетом неизвестных признаков нейросети.

https://arxiv.org/abs/1906.00800

Обучение нейромоделей для машинного понимания естественного текста. Алгоритм Brain2Text. 2018.

А. Артемов, А.Сергеев, И. Хасеневич, А. Южаков, М. Чугунов

Сегодня Интернет представляет собой обширное информационное пространство, растущее в геометрической прогрессии, что делает проблему поиска данных в нем актуальной как никогда. Предложенный в статье алгоритм позволяет выполнять естественно-языковые запросы по содержанию документа и получать исчерпывающие содержательные ответы.

Задача частично решена для английского языка, так как набор данных SQuAD содержит достаточно данных для обучения, однако подобный набор данных отсутствует в русском языке, поэтому методы, используемые сейчас, в большинстве неприменимы к русскому языку. Фреймворк для обучения нейронных сетей Brain2 позволяет решить проблему – его особенностью является возможность обучения на небольших наборах данных; также он не требует значительных вычислительных мощностей.

Алгоритм проиллюстрирован на тексте стратегии Сбербанка России и предполагает использование нейромодели, состоящей из 65 млн. синапсов. Обученная модель способна генерировать ответы на вопросы на основе заданного текста. Существующие ограничения заключаются в его нынешней неспособности идентифицировать синонимы, местоимения и аллегории. Тем не менее, результаты проведенных экспериментов показали значительный потенциал и обобщающую способность предложенного подхода.

https://arxiv.org/abs/1804.00551

Информационный нейробайесовый подход к обучению нейронных сетей. Возможности и Перспективы.

А. Артемов, Е.Луценко, Э. Аюнц, И.Болохов

В статье представлено исследование проблемы классификации в нейронных сетях в контексте теории информации. Текущие исследования в этой области сосредоточены на задачах оптимизации и байесовском подходе.

Хотя это дает удовлетворительные результаты, они требуют значительного количества данных и вычислительных мощностей для обучения и работы моделей.

Авторы предлагают новую концепцию Информационного Нейробайесового Подхода (ИНП), которая позволяет решать те же задачи, но требует значительно меньших исходных данных и вычислительных ресурсов. Проведенные эксперименты по сравнению производительности ИНП с традиционными подходами показали, что потенциал ИНП является весьма перспективным.

https://arxiv.org/abs/1710.07264

Связаться с нами
Ваше имя
Почта
Телефон

+7 (977) 687-71-96
ООО «Когнитивные Системы» ОГРН 1165029057490. Все права защищены. © 2020
Создано при поддержке Фонда Содействия Инновациям