Система предназначена для автоматизации бизнес-задач, связанных с анализом больших объемов мультимедийных данных с использованием машинного обучения.
Launch реализует унифицированное взаимодействие данных и ML‑моделей через стандартные интерфейсы с последующей передачей результатов по заданным бизнес‑правилам.
развертывание платформы в контуре заказчика
производительность каждого потока данных
непрерывный режим мониторинга
Шаг 1
Платформа поддерживает все распространённые форматы данных: видео (включая потоковое с камер наблюдения и видеофайлы), аудио (онлайн‑трансляции и любые аудиофайлы), документы (как отсканированные рукописные материалы, так и электронные документы), а также цифровые изображения.
Шаг 2
В системе реализованы следующие модели для предобработки данных:
Video Analysis - анализ видеоконтента (онлайн‑трансляции и файлы) с выявлением объектов и инцидентов.
ASR (Automatic Speech Recognition) - обработка аудиоданных и распознавание речевой информации.
OCR (Optical Character Recognition) - оптическое распознавание символов и извлечение текстовой информации из цифровых документов.
Помимо этого, предусмотрена возможность разработки пользовательской модели CustomModel с гибкой настройкой параметров.
Шаг 3
В рамках платформы реализован многофункциональный аналитический модуль, позволяющий проводить детализированный анализ результатов обработки поступающих данных по различным параметрам и метрикам. Дополнительно внедрена гибкая система уведомлений и нотификаций с настраиваемыми правилами оповещения, обеспечивающая своевременное информирование о значимых событиях и результатах обработки.
Поддержка подключения любых источников данных через унифицированные адаптеры
Единая архитектура для работы с различными типами контента: аудио, видео, изображение, текст
Все ML-модели взаимодействуют с платформой через единые интерфейсы
Работа по трем основным сценариям (триггерный, статистический, дискретный) и их комбинациям
Различные каналы коммуникаций для взаимодействия с пользователем: e-mail, messenger, webhook
Мгновенная реакция ML‑модели на возникшее событие — это способность системы в режиме реального времени детектировать значимое изменение в потоке данных, оперативно обработать входной сигнал с помощью обученной модели и выдать результирующее действие до наступления следующего критического события.
Сбор данных, их агрегация и аналитика представляют собой сквозной процесс, включающий целенаправленное извлечение информации из разнородных источников, последующую консолидацию данных в едином хранилище, а также многоэтапный анализ, что в совокупности обеспечивает непрерывное совершенствование ML‑моделей на основе обратной связи от данных.
Дискретная обработка с использованием ML‑моделей — это поэтапный анализ данных, при котором модель последовательно обрабатывает отдельные элементы (токены, пиксели, записи), а затем объединяет результаты в целостное решение.
Автоматическое масштабирование под нагрузку без дополнительных лицензий платформы.
Обработка 50 параллельных потоков данных с производительностью до 40 FPS на каждый.
Возможность применения неограниченного числа ML-моделей.
Развертывание платформы в контуре заказчика от 48 часов.
Полностью автоматизированный процесс - от приема данных до выполнения действий по заданным правилам.
Круглосуточный и непредвзятый мониторинг исключает возможность ошибки персонала.
Управление всеми источниками данных и ML-моделями в едином "окне".
Готовые шаблоны уведомлений для любых каналов коммуникаций.
Полная аналитика с возможностью настройки дашбордов и их кастомизации под специфические задачи.
Интуитивный пошаговый процесс создания задач позволяет работать с платформой без знаний программирования.
Принцип работы платформы
