AI model pro aplikaci mySASY

Pro tréninkovou aplikaci mySASY jsme pomocí metod pokročilé umělé inteligence zkrátili měření z 15 na 4 minuty.

Aplikace mySASY je určena pro všechny, kteří sportují, ať už na profesionální úrovni nebo ve volném čase. Díky této aplikaci si přesně rozvrhnete svůj trénink. Dozvíte se, kdy je vhodný čas na sport a kdy na odpočinek a předejdete tak zdravotním úrazům či jiným komplikacím. Aplikace zjednodušeně řečeno vyhodnocuje aktuální stav autonomní nervové soustavy (ANS) a podle těchto dat vám dává doporučení.

Spektrální analýza variability srdeční frekvence

K určení stavu autonomní nervové soustavy používá mySASY unikátní metodiku měření. Algoritmus umožňuje řídit trénink sportovce na základě analýzy aktivace ANS pomocí metod spektrální analýzy variability srdeční frekvence (HRV). V této fázi jsme se do procesu vývoje zapojili my, abychom díky metodám AI pomohli jsme zkrátit čas měření.

Zkrácení času měření

Zpracovali jsme stovky tisíc měření, přesněji data za 1 041 dní, a pomocí metod strojového učení se nám podařilo zkrátit celý proces při zachování přesnosti dlouhého měření. Měření, které dříve trvalo 15 minut, zvládne nyní aplikace za 4 minuty.

AI model

Z nasbíraných dat jsme vytvořili model, jenž dokáže z třikrát kratšího měření vyextrahovat stejnou informační hodnotu. „Model, který jsme pomocí metod pokročilé umělé inteligence navrhli, je srovnatelný se zkušenostmi člověka, který tři roky neustále analyzuje tisíce osob,“ dodává Jaroslav Vážný, který se na vývoji modelu podílel.

Gradient Boosting Decision Tree

Jako při všech aplikacích strojového učení byla nejdůležitější část zpracování surových data a extrakce užitečných vlastností. Specifikum tohoto projektu je automatické rozpoznání fází měření (pro aktivaci ANS je nutné během měření měnit polohu těla). Právě správné rozdělení do fází, které jsou unikátní, jak pro každého jedince, tak pro různě zatížený systém, je netriviální úkol. Použili jsme kombinaci metod v čele s wild binary segmentation (WBS). Takto zpracovaná data sloužila k trénování modelu. Testovali jsme různé přístupy včetně rekurentních neuronových sítí, nakonec jsme použili Gradient Boosting Decision Tree (GBRT).

AI model pro aplikaci mySASY

Související produkty a služby

Strojové učení a automatizace
Strojové učení a automatizace

Díky strojovému učení jsme schopni zavést vysoký stupeň automatizace v mnoha výrobních procesech a činnostech napříč různorodými odvětvími. Umělá ...

Více informací o Strojové učení a automatizace
Datová integrace
Datová integrace

Integrace dat často využívá kombinaci strojových a kontextuálních dat, přičemž každá z nich jsou jinak strukturovaná. My vám pomůžeme správně prop...

Více informací o Datová integrace
Kompletní řešení
Kompletní řešení

Od počáteční myšlenky až po implementaci. Vybudujeme celý projekt a dostaneme jej až k vašemu zákazníkovi.

Více informací o Kompletní řešení

Machine learning a AI

Poradíme i vám. Ozvěte se.

Jaroslav Vážný
Jaroslav Vážný Big data expert

Další případové studie

Nasazení AI pro JERY
Nasazení AI pro JERY

Náš recommendation engine doporučuje uchazečům nejlepší nabídky práce.

Více informací o Nasazení AI pro JERY
Workshop ke Cloudeře pro Vodafone
Workshop ke Cloudeře pro Vodafone

Pro Vodafone jsme připravili třídenní praktické školení k práci s velkými daty na platformě Cloudera.

Více informací o Workshop ke Cloudeře pro Vodafone
Reporting pro Tatra banku z několika hodin na pár vteřin
Reporting pro Tatra banku z několika hodin na pár vteřin

Pro Tatra banku jsme zrychlili generování reportů a proškolili zhruba 30 osob.

Více informací o Reporting pro Tatra banku z několika hodin na pár vteřin
Slovak Telekom – Infrastruktura pro big data
Slovak Telekom – Infrastruktura pro big data

Moderní datová infrastruktura pro Slovak Telekom a přístupná nová, zajímavá data pro další analýzy

Více informací o Slovak Telekom – Infrastruktura pro big data