• Описание
• Как пользоваться системой
• О проекте и технологиях
  • Архитектура
  • Computer Vision & Machine Learning
  • Frontend & Backend
  • UI/UX Design
  • Рекомендательная система на основе Скорринга
• Планы на будущее

Как работает система

Над созданием проекта работают Кристина, Алексей, Анна, Сергей, Виктор .

Для ускорения работы с системой следует нажать на шестеренку в левом нижнем углу экранна и уменьшить значение.

Чтобы ознакомиться с моделью, по которой рассчитывалась рекомендательная система нужно нажать на кнопку Рекомендация Продукта

• Нажимаем на кнопку Добавить ссылки и добавляем профиль пользователя для дальнейшего распознавания.

• Загружаем фотографии человека, перетащив фото или загрузив его с компьютера;
• Чтобы загрузить новое фото пользователя, нужно нажать кнопку Удалить Фото.

• Происходит автоматически после нажатия кнопки Определить.

• Для определения услуг, подходящих пользователю, нажимаем на всплывающем окне с информацией Подобрать Услуги.

Взаимодействия Backend 'a и CV: Для задач CV поднят веб-сервер, который умеет обрабатывать 4 типа запросов:

1. /add_data

• Добавление данных в базу
• Входные данные json - {"urls": ["vk.com/id1"],"count": "12"}
• Выходные данные json - "OK" ( информация о том, что профиль добавлен)

2. /search

• Поиск по базе
• Входные данные json - {"url":"vk.com/image.jpg","thresh":"0.4"}
• Выходные данные json - {"id":"12345","count":"10","age":"23"}
• Id - vk_Id
• count - количество фотографий, для которых косинусная метрика превысила порог,
• age - возраст

3. /get_info

• Получение данных о конкретном пользователе
• Возвращает информации из API VK, API ФСИП + скоринг
• Входные данные json - {"id":"1"}
• Выходные данные json - {"data":{...},"bdip":{..},"score":"15"}

4. /get_recommend

• Получение услуги на основе score
• Входные данные json - {"score":"value"}
• Выходные данные Json - {"item":"продукт"}

Действия пользователя оборачивается в методы, которые поддерживает CV-сервер.

Используемые API:

• ВК
• Судебное производство от ФССП

Технонологии:

• OpenCV
• MXNet
• InsightFace

Нейронные сети :

• Face Detecton - RetinaFace
• Face Alignment - DenseUNet
• Face Recognition + Age - LResNet100E-IR

Получение эмбеддинга :

Face Detecton -> Face Alignment -> Face Recognition

Поиск по выгруженным профилям:

1. Получение эмбеддинга входного изображения;
2. Вычисление косинусного расстояние между данным эмбеддингом и всеми эмбеддингами для профилей из базы;
3. Сравнение полученного значения с пороговым значением, запоминая информация о том, сколько раз для конкретного профиля косинусное расстояние превысило порог;
4. Получение информации о профиле, у которого расстояние превысило пороговое значение наибольшее число раз. В случае, если поиск не дал результатов, следует уменьшить пороговое значение.

Frontend

• Typescript
• Next.JS
• React.JS

Backend

• SSR
• Nginx

Дизайн интерфейса создаввался с помощью Figma

Скоринг был использован для расчета уровеня принятия рисков инвестиций (номер от 1 до 10, соответствующий диапазону суммы баллов скоринга) и приближен к модели поведенческого скоринга (используется для выдачи банковских кредитов). Когда ряд параметров финансового профиля клиента добавляют в общую сумму скоринга фиксированное кол-во баллов: от 0 до 15. При этом, чем параметр важнее - тем больше баллов он может добавить (это кол-во баллов также называется весом параметра). Максимальная сумма составляет 121, минимальная - 0 баллов.

Модель рекомендательной системы на базе персонального скоринга физлица

1. Добавление внешних API(yandex, facebook и другие сервисы по получению данных);
2. Возможное добавление обработки фотографий с их названиями на русском языке;
3. Подробный анализ изображения на фото:
   • оценка стоимости одежды на человеке,
   • поиск автомобильных номеров,
   • использование информации о геолокации на фотографии