Überblick:

• Einsatz von Datenmanagement und künstlicher Intelligenz

• Energie-Management-System

• Waren-Kategorisierungssystem

• Suchsystem für mikroelektronische Komponenten

• Verschiedene Projekte

Es gibt eine weit verbreitete Meinung, dass Daten das neue Öl sind. Wir bei Sonerim glauben eher an das, was David McCandless 2012 in seinem TED-Vortrag über Daten als den neuen Boden sagte: Sie müssen sich um die Daten kümmern, um Ihre KI-basierten Ernten zu gewinnen. In diesem Artikel lesen Sie über Erfolgsgeschichten von Kunden, die unseren Ansatz zur Lösung von Big Data-Herausforderungen in einer modernen KI-basierten Welt zeigen.

1. Energie-Management-System

Unsere erste Erfolgsgeschichte war ein bahnbrechendes Umweltprojekt, das sich mit Energiefragen in Australien befasste. Diese Software war eine der ersten Ideen von Sonerim und wurde auf Wunsch unseres ersten großen Kunden für die Verwaltung von Solaranlagen entwickelt. Dieser Kunde stellte ein spezielles Gerät her – einen Controller – der in kleinen Haushalten und großen Energiefarmen mit Sonnenkollektoren, Windrädern und anderen energieerzeugenden Anlagen installiert wurde.  

Wie Sie vielleicht wissen, ist eine der größten Herausforderungen in abgelegenen australischen Regionen das häufige Fehlen von Strom und dessen instabile Versorgung; Stromausfälle können mehrere Tage andauern. Die meisten Haushalte erzeugen elektrische Energie für ihren Bedarf und können diese sogar verkaufen. Allerdings wissen sie nicht, welche Mengen zu einem bestimmten Zeitpunkt verkauft werden können, und eine unvorhersehbare Versorgung hindert sie daran, mehr Geld zu verdienen. Die Menschen haben alle notwendigen Geräte für die Stromerzeugung, können aber nicht bestimmen, wann sie handeln sollen. Sie stehen vor einem Dilemma: Entweder (a) können sie Strom verkaufen oder (b) müssen sie ihren Akku bis zur maximalen Kapazität aufladen. An dieser Stelle kamen wir ins Spiel und halfen, das Dilemma zu lösen.  

Wir entwickelten eine maßgeschneiderte Software für einen Controller und entwarfen ein spezielles System zur Datenerfassung. Es ermöglichte die Akkumulation, Überwachung und Verwaltung von Stromerzeugung, -verbrauch und -verteilung auf effiziente Art und Weise. 

Der Prozess des Energiemanagements umfasste die folgenden Schritte:  

1. Zunächst besuchte ein Spezialist einen Haushalt und installierte einen Controller. Er empfing eine große Menge an Daten von den Solarmodulen und Akkumulatoren, Informationen über den normalen Stromverbrauch des Haushalts, die aktuellen Preise im Netz usw. Außerdem erhielt es Daten von Wettervorhersagen und Hinweisen auf lokalen Websites und Foren über bevorstehende Stromausfälle. In dieser ersten Phase sammelte der Controller also große Mengen an Daten über den Stromerzeugungsprozess (erzeugte und verbrauchte Mengen, Spannungsdiagramme, Spannungsspitzen usw.) und einige externe Bedingungen. 
2. In der nächsten Phase wurden all diese Daten verarbeitet und die Software gab Empfehlungen, was mit dem erzeugten Strom gemacht werden könnte. Die erste Option war, einen Akkumulator bis zur maximalen Kapazität aufzuladen; die zweite war, den erzeugten Strom vollständig zu verkaufen. Wenn für mehrere Tage gutes Wetter vorhergesagt wurde und keine Stromabschaltungen in Sicht waren, musste der Haushalt seinen Akku nur bis zu 70% seiner Kapazität aufladen.

Die Herausforderungen des Projekts waren die folgenden:

• Wirklich große Datenmengen zur Verarbeitung. Bei einem Stromerzeugungsprozess empfängt eine Steuerung eine große Anzahl von Variablen und sendet sie alle 30 oder 60 Sekunden an einen Server. Die Anzahl der Steuerungen in einem mittelgroßen Haushalt kann in die Tausende gehen.  
• Die Steuerungen waren also nicht sehr intelligent. Sie sammelten Daten und schickten sie, ohne zu prüfen, ob sie erfolgreich übermittelt wurden. Wenn einige Daten verloren gingen, war das endgültig; der Controller speicherte keine Daten in seinem Speicher. 

Bei der Entwicklung der Software für dieses Projekt haben wir einen Controller als isolierten, maximal stabilen Datenempfänger eingesetzt. Er wurde nur einmal, ohne spätere Änderungen, für den Empfang und die Speicherung aller Eingabedaten eingestellt. 

Welche Modelle und Ansätze wir verwendet haben:

1. Wir haben Daten analysiert, Diagramme erstellt und mithilfe von Modellen der künstlichen Intelligenz Vorhersagen über den Stromverbrauch und dessen weitere Verwendung gemacht. 
2. Für das Produktmarketing haben wir auch Bilderkennung eingesetzt. Wir analysierten Satellitenbilder, um Häuser mit Sonnenkollektoren zu ermitteln und lieferten die Werbung für unser Produkt an deren Mailboxen. 

Die Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben:

• • Amazon
  • Docker
  • Casandra, PostgreSQL
  • React.js
  • Java Android
  • Java, Spring
  • Kubernetes
  • PHP
  • Swift

2.  Waren-Kategorisierungssystem

Sonerim entwickelte dieses Projekt für ein großes Unternehmen aus den Niederlanden, einen renommierten Hersteller von Haushaltswaren, der Hunderttausende von Artikeln (Vorhänge, Tische, Stühle usw.) umfasst. Dieses Unternehmen verkauft seine zahlreichen Produkte auf fast allen bekannten Online-Marktplätzen.  

Mit einem riesigen Warensortiment stand unser Kunde vor einer großen Herausforderung—der extremen Schwierigkeit, den aktuellen Stand der Produktinformationen zu pflegen und zu aktualisieren. Wie Sie vielleicht wissen, hat jeder Online-Marktplatz seine eigene Struktur, Beschreibungen, zahlreiche Rubriken und Unterrubriken. Die Klassifizierung eines einzelnen Stuhls könnte beispielsweise auf folgende Hindernisse stoßen:

• Ein Marktplatz hat vielleicht die Kategorien ‘Küchenartikel→Möbel→Stuhl’;
• Ein anderer hat vielleicht die Kategorien ‘Möbel→Garten→Tische & Stühle’;
• Ein dritter Marktplatz könnte eine weitere Kategorie zusätzlich zu den oben genannten haben.

Ein physisches Produkt (in unserem Beispiel ein Stuhl) ist auf jedem Marktplatz gleich, aber seine Kategorien können sich unterscheiden; manchmal gibt es für ein Produkt innerhalb desselben Shops zwei verschiedene Kategorien. Aus diesem Grund war es eine Herausforderung, ein neues Produkt der richtigen Kategorie im Sortiment hinzuzufügen. Der Prozess bedeutete, alle Kategorien auf jedem Marktplatz manuell zu überprüfen und sie mit den vorhandenen Waren zu vergleichen. Diese überkomplizierte Kategorisierung neuer Produkte erforderte eine vollwertige Abteilung mit 40-50 Spezialisten. 

Was haben wir unternommen, um das Leben unserer Kunden zu vereinfachen? Wir haben ein System entwickelt, das:

1. in das Enterprise Resource Planning-System unseres Kunden integriert wurde (Daten zu Produktion, Lieferkette, Finanzen, Beschaffung usw.), um die Möglichkeit zu bieten, den gesamten Bestand zu überwachen; 
2. künstliche Intelligenz einsetzt, um für jedes neue Produkt auf Online-Marktplätzen eine Kategorie zu bestimmen und die vorhandenen zu überprüfen und zu aktualisieren, indem es eine Textbeschreibung und ein Bild vergleicht.

Um diese interessante Aufgabe zu erfüllen, haben wir zwei Ansätze kombiniert:

• Text Mining—wir haben Informationen aus einer Produktbeschreibung extrahiert und eine Vorhersage darüber gemacht, in welche Kategorie dieses Produkt fallen könnte;
• Bilderkennung—wir haben ein Produktbild analysiert, um zu verstehen, was dargestellt werden könnte.

Dann verglichen wir die Ergebnisse dieser Ansätze, stellten fest, um welches Produkt es sich handelte, und ordneten es einer entsprechenden Kategorie zu. Bei der Analyse von Big Data mit unserem System stellte sich heraus, dass die Genauigkeit bei der Einordnung eines Produkts in die richtige Kategorie bei weit über 90% lag (fast 95-96%). Wenn jedoch eine menschliche Abteilung die gleiche Aufgabe durchführte, erreichte die Genauigkeit kaum 80%. Ein riesiges Produktsortiment und eine äußerst routinemäßige Aufgabe ermöglichten also eine größere Anzahl menschlicher Fehler im Vergleich zu unserem System. 

Eine weitere Herausforderung: Es war schwierig zu erkennen, welcher Artikel im Angebot war. Das Unternehmen verkaufte zum Beispiel Vorhänge, und wir konnten ein Bild einer Wohnung mit einem Tisch, ein paar Stühlen, einem Bild an der Wand und einigen Vorhängen im Fenster haben. Um die Wahrheit zu sagen, das war gar nicht so einfach. 

Wir haben lange gebraucht, um das Hindernis zu überwinden: Wir analysierten gemeinsame Elemente in einer Gruppe von Bildern, verglichen sie mit Textelementen und so weiter. Unser Modell basierte auf einer Wahrscheinlichkeitsschätzung: Es konnte zum Beispiel zu 70% feststellen, dass es sich bei dem fraglichen Gegenstand um einen Stuhl, zu 60% um einen Teppich und zu 90% um eine Vase auf dem Tisch handelte. Da unser Modell durch die Textanalyse verstärkt wurde, bot es eine Variante, die der Realität maximal nahe kam.

Das Ergebnis war, dass unsere Software Folgendes ermöglichte:

1. Erhebliche Einsparungen bei den Personalressourcen, da die erfolgreiche Überwachung unseres Systems nur wenige Spezialisten erforderte, um strittige Fälle von maximal schwieriger Erkennung zu lösen. 
2. Erhebliche Umsatzsteigerungen, da eine bessere Einordnung der Waren in die richtigen Kategorien ihre Entdeckung durch die Kunden vereinfachte. Wenn ein Unternehmen Tausende von Artikeln verkauft, bedeutet eine Verbesserung der Kategorisierung um nur 1% eine Steigerung der täglichen Einnahmen um Tausende von Dollar.

Wir haben auch einige kleinere Verbesserungen für die Lagerverwaltung, die Integration mit Marktplätzen und andere eingeführt. Zu den wichtigsten Ansätzen und Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben, gehören E-Commerce, künstliche Intelligenz, Datenanalyse und Optimierung. 

3. Suchsystem für mikroelektronische Komponenten

Als Sonerim seine Tätigkeit aufnahm, hatten wir einen Kunden mit einer Produktidee, der ein Software-Entwicklungsteam für deren Umsetzung suchte. Sein Projekt wurde von einem bekannten Hersteller und Vertreiber von mikroelektronischen Komponenten unterstützt. Da er lange Zeit im Maschinenbau und in der Elektronikfertigung gearbeitet hatte, kannte er das Hauptproblem bei der Konstruktion – die Nachfrage nach Komponenten – aus erster Hand. Also entwickelten wir eine Software für Ingenieure, um dieses Problem zu bekämpfen. 

Es ist nicht allgemein bekannt, dass die Hersteller grundlegender elektronischer Komponenten (z.B. Induktoren, Widerstände oder Mikrochips) nicht sehr zahlreich sind; es handelt sich um einen stark monopolisierten Markt. Wenn Spezialisten bestimmte seltene Komponenten für ihre Arbeit benötigen, stehen die Chancen gut, dass sie dreifach überteuert sind und es nur wenige alternative Anbieter gibt.  

Die Hauptidee unseres Projekts bestand darin, ein System zu entwickeln, das Folgendes ermöglicht:

• Informationen über die Verfügbarkeit und die Eigenschaften verschiedener elektronischer Komponenten zu finden, 
• die Eigenschaften der Komponenten zu vergleichen und die besten Ersatzprodukte und Analoga auf dem Markt zu finden. 

Wie Google hatte diese Suchmaschine eine Homepage mit einer Suchleiste. Wir entwickelten einen ziemlich fortschrittlichen Prozess: Ein Kunde konnte eine sehr allgemeine, frei definierte Anfrage für ein bestimmtes Bauteil in die Suchleiste eingeben, und das System konnte sie mit seinen sauberen Filtern richtig analysieren und eine passende Option vorschlagen. 

Die Auswahl von Ersatzstoffen war das i-Tüpfelchen. Nehmen wir an, ein Ingenieur hatte lange Zeit ein Bauteil verwendet, aber eine Einstellung der Produktion oder eine erhebliche Preiserhöhung machte es notwendig, einen Ersatz zu finden. Das war schwierig, denn nur die Angabe der Spannung oder des Widerstands reichte nicht aus; die Suche nach Parametern war eine schlechte Idee. Hier sind die Gründe dafür:

1. Nicht alle Daten zu allen Komponenten waren öffentlich zugänglich;
2. Die öffentlich zugänglichen Daten, die von einem Hersteller angeboten wurden, entsprachen nicht immer der Realität.

Subtile elektronische Komponenten verhalten sich in verschiedenen Chargen unterschiedlich, weil es schwierig ist, Komponenten herzustellen, welche die erforderlichen Parameter getreu reproduzieren. Im Allgemeinen verhalten sie sich so, wie ein Hersteller es angibt, aber im Detail kann jede Charge Abweichungen von der Norm aufweisen. Das betrifft vor allem extreme Temperaturen: super-niedrige und -hohe Temperaturen können die Eigenschaften in erheblichem Maße verändern. 

Unser Team kümmerte sich um die technische Seite des Projekts – die Softwareentwicklung an sich -, während unser Kunde seine Data-Science-Ingenieure mit der Erstellung von Auswahlalgorithmen beauftragte. Wir sammelten Daten und analysierten sie mit Hilfe dieser Algorithmen auf die folgende Weise:  

• Wenn eine neue Charge auf dem Markt erschien, kodierten wir zunächst einige Muster und führten Laborexperimente durch, um ihr tatsächliches Verhalten zu ermitteln.  
• Im nächsten Schritt entwickelten wir Modelle, mit denen wir das Verhalten aller Komponenten dieser Charge vorhersagen konnten.

Mehrere Proben aus einer bestimmten Charge, die in einem bestimmten Werk von einer bestimmten Schicht hergestellt wurde, reichten aus, um das Verhalten von Millionen anderer Komponenten vorherzusagen. Außerdem waren wir mit diesen Modellen in der Lage, die tatsächlichen Parameter im Gegensatz zu den offiziell von den Herstellern angegebenen zu prognostizieren. Wir konnten eine so präzise Auswahl treffen, wie wir sie in anderen Systemen noch nie gesehen hatten. 

Bei unseren Besuchen von Industriekonferenzen haben wir uns eine große Anzahl ähnlicher Produkte angesehen. Deren Entwickler verglichen jedoch lediglich die öffentlich zugänglichen Informationen aus den Datenblättern, die von den Herstellern auf ihren Unternehmenswebsites bereitgestellt wurden. Im Gegensatz zu unserem Produkt war keine subtile Algorithmik im Spiel. Eigentlich könnte jeder Ingenieur die gleichen, experimentell nicht verifizierten Daten aus dem Internet herunterladen. 

Im Gegensatz zu diesem Ansatz boten wir echte Eigenschaften an und erstellten tatsächliche Diagramme auf der Grundlage der Modelle, die wir eigens für diesen Zweck entwickelt hatten. In einigen Fällen zeigten die von einem Hersteller bereitgestellten Daten, dass eine Komponente als Ersatz dienen könnte, aber unsere Diagramme zeigten, dass sie nicht oder nur teilweise übereinstimmte. Zum Beispiel kann sich die Spannung je nach den Umständen stark ändern, extreme Temperaturen können Abweichungen verursachen und so weiter. Wenn diese Parameter für einen Kunden irrelevant waren, konnte er die Komponente verwenden; wenn die Abweichungen inakzeptabel waren, konnte er weiter suchen. In jedem Fall war es eine informierte Entscheidung. 

Verschiedene Projekte

Scout ist eine bahnbrechende Anwendung, die den Einstellungsprozess einfach und bequem macht. Sie brauchen keine Zeit mehr damit zu verschwenden, Stapel von Lebensläufen zu sortieren, unfruchtbare Stellenanzeigen aufzugeben oder Personalvermittlern unverschämte Provisionen zu zahlen. Scout benachrichtigt Sie über die besten Kandidaten und bringt Sie mit den Top-Talenten zusammen, die Sie in Ihrem Traumteam sehen möchten. Wir nehmen Ihnen die schwere Arbeit ab, und Sie wählen bequem die Besten der Besten aus. 

Die Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben: 

• React.js
• PostgreSQL
• Node.js 

iCount ist ein führender Online-Buchhaltungsservice aus Israel, der Lösungen für die Online-Abrechnung, Rechnungsstellung, Zahlungsverfolgung, offene APIs und mehr bietet. iCount wird derzeit von großen Unternehmen und kleinen Betrieben genutzt und erfüllt die Bedürfnisse verschiedener Unternehmen, die mit unabhängigen Selbstständigen oder Tausenden von Mitarbeitern gleichermaßen erfolgreich arbeiten. 

Die Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben:

• Amazon
• Objective-C
• Redis
• Java Android

SocialApps ist ein soziales Netzwerk für sexuelle Minderheiten. Es ermöglicht es, neue Freunde in der Nähe des Benutzers zu finden, ‘Hallo’ zu sagen, zu chatten und sich kennenzulernen. Bei der Entwicklung dieser Software wurde besonderes Augenmerk auf die Stabilität eines Videochats und die komfortable Nutzung der App gelegt. 

Die Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben: 

• React.js
• Web-sockets
• Objective-C
• Node.js
• Twilio
• Java Android

 

Strong Authentication System ist Londons Top-10-Startup für Cybersicherheit. Es durchbricht das Eis der schwerfälligen Unternehmensmonster im Bereich der Multifaktor-Authentifizierung und bietet SaaS-Lösungen mit einer flexiblen API für eine schnelle Integration, moderne Authentifizierungs-Tools wie Chatbots und Datensignierung, um aktuellen Herausforderungen zu begegnen, zuverlässige Algorithmen für die OTP-Generierung und einen kundenorientierten Ansatz, um die Dinge einfacher zu machen. 

Die Technologien, die wir bei der Fertigstellung des Projekts eingesetzt haben: 

• Java
• Tapestry
• Java Android
• Spring
• PostgreSQL
• Objective-C

 

Fisherman Navigation App ermöglicht es Ihnen, den Weg zu einem ausgewählten Ziel zu finden, unabhängig von Ihrem aktuellen Standort. Die App ist praktisch für Touristen, Fischer, Jäger oder Pfadfinder—für jeden, der seine Route selbst wählen möchte. Die Unterstützung verschiedener Kartenformate ist an sich schon keine einfache Aufgabe, aber das Hauptziel der App ist eine gute Benutzerfreundlichkeit—Sie werden nicht einen Haufen Anleitungen lesen oder Tutorials ansehen, wenn Sie nachts allein im Wald sind.  

Die Idee stammt von Sonerims Teamkollegen Mychailo, einem leidenschaftlichen Angler, der dieses Hobby in- und auswendig kennt. Das ist der Grund, warum die App bei den Nutzern so beliebt ist—sie hat mehr als eine Million Downloads im Google Play Market. Mychailo begann mit der Entwicklung einer Android-App auf eigene Faust; etwas später unterstützte das Unternehmen die Entwicklung der iOS-Version finanziell. 

Die Technologien, die unser Team bei der Fertigstellung des Projekts eingesetzt hat: 

• Java
• OSM
• Swift
• OZF

 

Dies sind also einige unserer Projekte. Wir packen gerne reale Probleme an und verwandeln sie in Chancen für unsere Kunden, indem wir die Macht der Technologie nutzen. Bei Sonerim dreht sich alles um die Nutzung von Datenmanagement und KI, um die Welt zu verändern. Wir haben die Fähigkeiten, die Tools und die Entschlossenheit, Ihr Unternehmen auf die nächste Stufe zu heben. Lassen Sie uns das gemeinsam tun!

No comments found for this post.