Надежда Корсунова – Теория и практика создания стартапа с нуля (страница 2)
– участниками программы могут стать обучающиеся, осваивающие образовательные программы основного общего образования (6–9 классы), среднего общего образования (10–11 классы), среднего профессионального образования (1–2 курсы);
– в качестве наставников могут выступать лица от 18-35 лет, которые являются студентами ВУЗов, преподавателями или молодыми учеными;
–задачу по проекту формирует заказчик;
– наличие конкурсного отбора для участия в программе;
– решение одной проектной задачи участником;
–наставничество не более чем по двум проектным задачам;
– возможность решения одной проектной задачи разными командами;
–возможность самостоятельного выбора проекта со стороны участника и наставника;
– представление описания решения поставленной задачи со стороны наставника и ее одобрение заказчиком;
– формирование команды наставником с целью закрытия всех необходимых профессиональных компетенций по проекту;
– распределение наставником задач по проекту среди участников команды;
– следование командой плану работ, который формирует наставник;
– формирование наставником промежуточной отчетности по проекту и подготовка команды к итоговой защите проекта;
–получение сертификата наставником и участниками команды в случае принятия решения заказчиком.
В 2024- 2025 г.г. мною получен опыт работы над проектом «Учет постадийного производства в типовой конфигурации «Управление нашей фирмой» платформы «1С:Предприятие» с применением искусственного интеллекта» в качестве наставника.
Далее рассмотрим более подробно пример составления плана работ по программе Сириус.Лето на примере проекта «Учет постадийного производства в типовой конфигурации «Управление нашей фирмой» платформы «1С:Предприятие» с применением искусственного интеллекта»
Задачи проекта:
Изучить понятие постадийного производства
Изучить инструментарий разработчика «1С:Библиотека стандартных подсистем»
Изучить функционал платформы « 1С:Предпритие» и условия работы на ней
Разработать программный модуль на основе технологии машинного обучения для аналитики постадийного производства
Обеспечить интеграцию программного модуля и платформы « 1С:Предпритие»
Обеспечить передачу данных по API
Разработать правила использования программного модуля участниками плафтормы
Подготовить презентацию проекта
Этапы работы над решением:
Изучение условий учета постадийного производства на примере работы платформы «1С:Предприятие»
Изучение функционала платформы «1С:Предприятие» и возможности расширения ее функционала
Создание ML-модели для анализа данных
Создание алгоритма работы программного модуля на основе языка программирования Python
Интеграция программного модуля в платформу «1С:Предприятие» на основе программного кода на языке программирования Python
Тестирование решения и подготовка презентации проекта для его защиты
Первые два вида работ планируется завершить вначале декабря 2024 г. С декабря 2024 г. по январь 2025 г. будут проводиться работы по созданию ML-модели для анализа данных. В качестве алгоритма модели предлагается использование «дерева решений». Предлагается использование таких методов, как кросс-валидация и сеточный поиск, для оптимизации гиперпараметров модели. Улучшение качества ML-модели будет производиться на основе модели ансамбля( Boosting). Вариантом доступа к модели будет интеграция модели в существующие системы. Если в ходе тестирования данный вариант будет выдавать ошибку, то будет создан API для доступа к модели. В феврале 2025 г. на языке программирования Python и библиотеки Pandas будет разработан алгоритм работы программного модуля. Работа модуля будет осуществляться на основе взаимодействия с API. Разработка программного модуля будет включать импорт данных, их очистку, определение функций и классов, формирование логики работы модуля, обработку исключений и тестирование модуля. В марте 2025 г. будут проведены работы по интеграции программного модуля в платформу «1С:Предприятие» на основе SOAP API для взаимодействия между модулем и платформой. В случае сложностей в проведении интеграции, будет использоваться программный код на языке программирования Python. В апреле 2025 г. будут проведены работы по тестированию решения и подготовки его презентации.16
По итогам работы над проектом мною был проведен опрос участника команды относительно его ожиданий от программы Сириус.Лето.
Результаты представлены ниже в таблице:
Таблица 1- Результаты опроса участника команды относительно работы над проектной задачей по программе «Сириус.Лето», 5 сезон17
Важным этапом в программе Сириус.Лето является итоговая защита проекта участниками команды.
Таблица 2- Результаты обсуждения проекта «Учет постадийного производства в типовой конфигурации «Управление нашей фирмой» платформы «1С:Предприятие» с применением искусственного интеллекта» по программе «Сириус.Лето», 5 сезон18
Также в пятом сезоне программы Сириус.Лето мне удалось получить опыт при работе над собственным проектом, в котором я являлась заказчиком.
Проект назывался «Eva -цифровой помощник для бизнеса». Участниками проекта были 4 школьников 8-9 классов российских школ. Наставником проекта была студентка 2 курса ФГБОУ ВО «Ульяновского государственного университета».
Проект нацелен на создание нейро-агента на базе Chat GPT для представителей e-commerce , который будет предоставлять информацию о категориях товаров, которые приносят большую прибыль для компании. Проект предполагает построение ML-модели, которая позволяет выстроить клиентский рейтинг с учетом их предпочтений в области покупок товаров, произвести поиск оптимальной цены продукта и возможность ее изменения ( например, скидки, бонусы, подарочные купоны)с учетом будущих клиентских предпочтений. С помощью данной модели компания также может выявить показатели, которые оказывают наибольшее влияние на клиентские предпочтения при покупке товаров. Для реализации проекта представлен набор данных "Розничные транзакции онлайн" содержит информацию о транзакциях, совершенных клиентами через платформу розничной онлайн-торговли. Набор данных включает данные о приобретенных продуктах, количестве каждого продукта, дате и времени каждой транзакции, цене каждого продукта, уникальном идентификаторе для каждого клиента, совершившего покупку, и стране, в которой находится каждый клиент.
Итоговый продукт: Нейро-агент с интеграцией ML -модели для e-commerce. 19
Следует отметить, что наставник формировала план работ и отчетность по проекту достаточно кратко, указывая на основные результаты работы. На мой взгляд, не было развернутого описания проводимых работ, а также характеристики программных продуктов. В этой связи представляется представить основные результаты по работе над проектом.
Для работы над проектом командой были выделены такие методы, как :
•Машинное обучение для создания клиентского рейтинга ипрогнозирования цен.
•Анализ данных для выявления паттернов покупательского поведения.
Инструменты: · Набор данных "Розничные транзакции онлайн" для анализа исторических транзакций. · Chat GPT для создания интеллектуального чат-агента. · Программное обеспечение для статистического моделирования и анализа данных (например, Python, библиотеки pandas, scikit-learn).
Оригинальная идея проекта заключается в разработке системы, которая будет динамически адаптироваться к предпочтениям пользователей, что позволит повысить их лояльность и удовлетворение от покупок, а также минимизировать потерю клиентов.
Этап 1: Создание телеграмм-бота Был создан чат-бот на платформе Telegram, который, основываясь на наборе данных «Розничные транзакции онлайн», выполняет следующие функции: формирует отчет по прибыльности товаров ; осуществляет прогноз прибыли компании; определяет персональную скидку для конкретного клиента; демонстрирует показатели, оказывающие наибольшее влияние на предпочтения клиентов.
Этап 2: Внедрение ChatGPT в проект:
•Интегрировали модель ChatGPT для анализа и обработки естественных запросов пользователя. •Запросы обрабатываются моделью, которая определяет их суть и генерирует ответ или советует нужную команду.
Этап 3: Создание функции /report Позволяет сформировать отчет по прибыльности товаров. Данный отчет включает подробную статистику по каждой категории товаров:
• Доходы: общая сумма выручки.
• Объем продаж: общее количество единиц товара, проданных за период.
• Средняя цена: средняя стоимость одной единицы товара.
• Уровень маржинальности: показатель рентабельности каждого продукта.
Этап 4: Создание функции /forecast Осуществляет прогноз прибыли компании на основании введенных параметров:
• Количество товаров: планируемый объем закупок или производства.
• Цена за единицу товара: ожидаемая рыночная стоимость продукта.
• Количество покупателей: предполагаемое число потребителей, которые приобретут продукцию.
Этап 5: Создание функции /discount Определяет персональную скидку для конкретного клиента на основе следующих факторов:
• История покупок: частота предыдущих заказов и средний чек.
• Активность: насколько недавно совершал покупки клиент.
• Общая сумма расходов: накопительная сумма денежных средств, затраченных покупателем на приобретения.
Этап 6: Создание функции /important Демонстрирует перечень ключевых показателей, оказывающих наибольшее влияние на предпочтения клиентов и успех продаж. Среди этих факторов выделяются: