Фирма «ДАТА-ЦЕНТР Автоматика» и Уральский Федеральный Университет теперь работают в альянсе. Открыта совместная базовая кафедра. Направления деятельности - BIG DATA и методы видеоанализа. // Дата Центр Автоматика

Главная \ Новости \ Фирма «ДАТА-ЦЕНТР Автоматика» и Уральский Федеральный Университет теперь работают в альянсе. Открыта совместная базовая кафедра. Направления деятельности - BIG DATA и методы видеоанализа.

26 февраля 2014

В 2013 году в Уральском Федеральном Университете им. Б.Н.Ельцина (УрФУ) совместно с компанией ООО "ДАТА-ЦЕНТР Автоматика" была открыта базовая кафедра "Аналитика больших данных и методы видеоанализа". Целью деятельности кафедры является подготовка специалистов в быстроразвивающейся области информационных технологий – системы хранения и аналитической обработки больших объемов неструктурированных данных (Big Data), а также выполнение научных исследований и прикладных проектов для отраслей промышленности.

1. Подготовка специалистов

Кафедра специализируется в подготовке магистров по специальности "информационные технологии" и обеспечивает углубленную подготовку студентов в области технологий аналитики больших данных (Big Data). Платформы аналитики больших данных поддерживают такие технологии как Hadoop, MapReduce, анализ графов, шаблонов, путей и многих других аспектов и являются оптимальным как для сложной обработки больших объемов неструктурированных данных , так и для хранения больших объемов.

Система распределенных вычислений предоставляет широкие возможности для высокопроизводительной и сложной аналитики данных и широкий набор готовых к использованию аналитических модулей, исключая необходимость их полной разработки. Массовая параллельная обработка (MPP), как архитектура программного обеспечения и встроенного механизма MapReduce позволяют обеспечить непрерывный параллелизм данных и аналитической обработки. Загрузка данных, выполнение запросов, экспорт, резервное копирование, восстановление, установки и обновления выполняются с поддержкой параллелизма.

Для анализа данных предлагаютcя следующие инструменты:

	• Анализ путей и шаблонов Позволяет находить закономерности в данных для дальнейшего использования в прогнозной и веб-аналитике.

	• Статистика Высокопроизводительная обработка важных статистических показателей для дальнейшего использования в приложения анализа портфолио, рыночных цен, поведения абонентов и безопасности.

	• Анализ графов Набор встроенных функций для обнаружения важных связей между данными для использования при анализе социальных сетей, лог-файлов, топологий сетей и многого другого.

	• Текстовый анализ Функции анализа текста для проведения статистического анализа, выявления закономерностей в наличии слов, однокоренных слов, относительного расположения слов друг от друга и многое другое.

	• Преобразования Преобразования данных внутри базы данных для предоставления возможностей более сложной аналитики.

А также такие модули статистического анализа как:

	•Анализ кластеров k-Means. Один из простейших самообучаемых алгоритмов для определения кластеров в данных. Функция позволяет анализировать входные данные и выявлять в них кластеры (группы). Основной задачей является нахождение центров для каждого кластера. Алгоритм работает за счет минимизации среднеквадратичного отклонения между центрами кластера и его элементами. Kmeansplot. Позволяет анализировать модели данных на основании кластеров, найденных с помощью функции. k-Means. Таким образом, это позволяет анализировать один набор данных с помощью найденной взаимосвязи в другом наборе. Minhash. Вероятностный метод кластеризации, который присваивает двух абонентов в один и тот же кластер с вероятностной пропорцией пересечения услуг, которыми эти абоненты пользуются. Canopy. Простой, быстрый и точный метод группирования объектов в предварительные кластеры. Каждый объект представляется как точка в многомерном пространстве признаков. Данный метод кластеризации часто используется в качестве первого шага в более строгих методов кластеризации, такие как k-means.
	•Интеллектуальный анализ Наивный байесовский классификатор. Вероятностный классификатор, основанный на применении Теоремы Байеса со строгими предположениями о независимости. Метод опорных векторов. Наиболее популярный набор готовых алгоритмов для задач классификации. Алгоритмы приобрели высокую популярность, т.к. имеют всего несколько настраиваемых параметров, а качество результатов работ являются вполне сопоставимыми с наивным байесовским классификатором или логистической регрессией. Деревья принятия решений: набор функций позволяющий создавать прогностические модели, основанные на комбинациях различных алгоритмов машинного обучения деревьев принятия решений.
	•Расширенный регрессионный анализ Логистическая регрессия. Это статистическая модель, используемая для предсказания вероятности возникновения некоторого события путём приведения данных к логистической кривой. Данный модуль включает набор функций, для построения моделей с использованием логистической регрессии.

Технологии аналитики больших данных нашли применение в решении таких задач как:

	• Обеспечение безопасности и контроля качества на производстве: - мониторинг сенсорных данных с датчиков агрегатов, механизмов, сетей + геопространственные данные - состояние в режиме реального времени, предиктивный анализ выхода из строя механизмов для планирования оперативного и техобслуживания и пр. - мониторинг расхода топлива и энергии – выявление закономерностей, детальный учет, выработка и контроль применения наиболее экономичных технологий работы (в т.ч. для разработки программ мотивации персонала, например, машинистов).
	• Обеспечение корпоративной безопасности: - мониторинг по персоналиям, оказывающим влияние на деятельность компании – текстовый анализ (интервью, блоги, связи с конкурентами и пр.); - выявление рисков и угроз по персоналу: негативное влияние на сотрудников и компанию, правонарушения, конфликты, нелояльность, негативное настроение и пр. – текстовый анализ, соцсети, связи; - выявление рисков и угроз по контрагентам: мониторинг по компаниям («досье»), их руководителям и пр.
	• Анализ мобильного трафика передачи данных (DPI).
	• Гео-аналитика.
	• Аналитика социальных связей (SNA) и мультиSIM клиентов.
	• Web аналитика.
	• Сентимент-анализ («анализ отношения»).

2. НИОКР

В рамках 218 постановления Министерства образования РФ Уральский федеральный университет им. Б.Н.Ельцина является исполнителем работ с существенным участием сотрудников кафедры “Аналитика больших данных и методы видеоанализа” по теме: "Разработка автоматизированной системы слежения, контроля, моделирования, анализа и оптимизации полного цикла выпуска металлургической продукции на основе создания и интеграции математических моделей технологических, логиcтических и бизнес-процесcов предприятия" или с более коротким названием "АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВЫПУСКА МЕТАЛЛУРГИЧЕСКОЙ ПРОДУКЦИИ".

3. ИСТОРИЯ УСПЕХА

1993 год – поставка системы STARC (Статистика Анализ Распознавание Кластеризация),фирма Парситек, Германия.
1998 год – демонстрация аппаратно – программного комплекса для оптического распознавания образов на международной выставке CeBit, Германия.
1998-2004 год – разработаны и установлены склады- автоматы для ответственного хранения ценностей в ЦБ РФ, ЦБ Белоруссии, Гознаке.
2002 год – поставка системы распознавания номеров ЖД вагонов, ММК. Проведенные испытания показали достоверность распознавания - 98% при любых погодных условиях.
2003 год – установка комплекса оптического распознавания образов в коммерческих и центральных банках более чем в 12 стран мира.
2004 год – поставка системы 3D-моделирование в рамках проекта МНЛЗ, ММК. Проект награжден Государственной премией.
2008 год – Гознак покупает патенты и технологию оптического контроля качества продукции.
2010 год – разработана автоматизированная система мониторинга и статистического контроля процессов производства в КП, ЛПЦ-2, ПХЛ, ЛПЦ-3, ОАО "Северсталь", г.Череповец. Объединены данные более чем с 7 тыс источников.
2012 год – разработка системы распознавания пассажиропотоков, очередей в кассы и на турникетах для Московской железной дороги.
2013 год – разработка системы 3D-моделирования в управлении пригородным сообщением Московской Железной Дороги.
2014 год - Открыта базовая кафедра совместно с УрФУ "Аналитика больших данных и методы видеоанализа".

Благодарность
за качественную работу

За качественное и своевре-
менное выполнение электро-
монтажных и пусконаладочных работ по реконструкции Аккер-
мановского рудника дирекцией ООО "ЮУГПК" была выражена благодарность компании "ДАТА-ЦЕНТР Автоматика". Также отдельно был отмечен произведенный монтажный инжиниринг по дополнениям и изменениям в проектах и своевременное участие в пусконаладочных работах с сотрудниками фирмы "KHD" по настройке технологической линии.

Благодарность за качественную работу

Благодарность
за качественную работу