Мы учим компьютеры понимать мир

Meanotek.io разрабатывает решения с искусственным интеллектом, которые не только умеют брать на себя работу человека, но общаются с помощью голоса, как люди. Программы для автоматизации бизнес-процессов перестают быть громоздкими, не нуждаются в специально обученных операторах.

РЕШЕНИЯ

Как искусственный интеллект может помочь вашему бизнесу?

Mindy - виртуальный ассистент для бизнеса

Mindy — виртуальная помощница, упрощающая управление бизнесом. С помощью голосовых команд можно создавать задачи сотрудникам и контролировать их выполнение.

Показать полностью...
  • Быстро создавайте задачи голосом в любое время, назначайте исполнителей, получайте отчеты
  • Поручите Минди следить за выполнением задач и решать возникающие трудности
  • Контролируйте сотрудников находящихся вне офиса

Подключение голосового интерфейса к управлению продажами (CRM), и любыми бизнес-процессами позволит легко запрашивать нужную информацию и отдавать распоряжения.

Перейти на сайт Минди

Помогает управлять вашими делами и задачами сотрудников, назначает задачи по приоритету, контролирует процесс выполнения.
Голосовой помощник Mindy

Интеллектуальная система понимания текста на русском языке для разработчиков чат-ботов и программ аналитики

  • Анализ тональности
  • Определение типа запроса
  • Разбор вопроса, преобразование вопроса в структурированную форму
  • Поиск наиболее подходящего ответа по базе ответов
  • Инструменты генерации текстов (грамматика, морфология русского языка)

Позволяет проанализировать ваши цифровые данные и превратить в понятный текст. От отчетов по статистике продаж до описаний товаров и услуг. Читать дальше >

Технологии и разработки

Уникальный набор модулей на основе глубоких нейронных сетей

  • Выделение обьектов и фактов из текстов на примерах
  • Определение тональности не только целых текстов, но и тональности по отношению к определенным объектам
  • Поддержка принятия решений
  • Не требует ручного выделения признаков
  • Генерация парафраз и новых уникальных текстов на естественном языке
  • Обработка различных языков
  • Ведущий разработчик нейросетевых анализоторов - Денис Станиславович Тарасов
  • Тема: Нейросетевая модель для решения задачи ответа на вопросы пользователя в произвольной предметной области
XVIII Международная научная конференция, "Нейроинформатика-2016"

Публикации

  • Изотова Е.Д. Извлечение фармацевтически значимых аспектных терминов моделью рекуррентной нейронной сети из текстов на естественном языке при малых выборках/Е.Д. Изотова, Д.С. Тарасов//XVIII "Нейроинформатика-2016".- Сб.н.т. - М.: НИЯУ МИФИ.- 2016.- Т. 1 - С.65-74
  • Тарасов Д.С. Нейросетевая модель для решения задачи ответа на вопросы пользователя в произвольной предметной области/Д.С. Тарасов//XVIII "Нейроинформатика-2016".- Сб.н.т. - М.: НИЯУ МИФИ.- 2016.- Т. 3 - С.205-212
  • Tarasov D.S, Izotova E.D. (2016) Deep recurrent neural networks for extracting pharmacological terms from Russian texts" Neuroinformatics (2016) V.2. This paper, produced with collaboration with Institute of Medicine and Biology of Kazan Federal University considers extraction of information from online medical forums for monitoring drug side effects (paper in Russian, for English abstract see conf. program http://neuroinfo.ru/index.php/en/schedule/sections?year=2016 paper text available by request)
Показать полностью...
  • Tarasov D.S. Deep Recurrent Neural Networks for Multiple Language Aspect-Based Sentiment Analysis/Submitted to Dialog-2015
  • Tarasov D.S. Natural Language Generation, Paraphrasing and Summarization of User Reviews with Recurrent Neural Networks/Submitted to Dialog-2015
  • D.S. TARASOV, E.D. IZOTOVA. COMMON SENSE KNOWLEDGE IN LARGE SCALE NEURAL CONVERSATIONAL MODELS//Принято к печати, Нейронформатика-2017 (в сборнике Studies in Computational Intelligence, из-ва Springer) In this work we analyze behavior of a number of neural network architectures, trained on Russian conversations corpus, containing 20 million dialog turns. We found that small to medium neural networks do not really learn any noticeable common-sense knowledge, operating pure on the level of syntactic features, while large very deep networks shows do posses some common-sense knowledge.
  • Tarasov D.S. (2016) Preserving personal conversational style and diversity in neural conversational models//Proceedings of International Conference on Artificial Neural Networks - Neuroinformatics (2016) V.2. This paper presents a method to apply specific personal conversation traits to neural dialog models, trained on large heterogeneous dialog corpus (Abstract is avaliable from conference program url - http://neuroinfo.ru/index.php/en/schedule/sections?year=2016#Stend5).
  • Tarasov D.S. (2016) Neural network model for general domain question answering//Proceedings of International Conference on Artificial Neural Networks - Neuroinformatics (2016) V.3. In this work we propose novel neural network model, capable of answering questions without topic restriction by reading natural language documents provided by simple information retrieval methods. (paper in Russian, for English abstract see conf. program http://neuroinfo.ru/index.php/en/schedule/sections?year=2016 paper text available by request))
  • Tarasov D.S. (2015) Natural Language Generation, Paraphrasing and Summarization of User Reviews with Recurrent Neural Networks // Computational Linguistics and Intellectual Technologies: Proceedings of Annual International Conference “Dialogue”, Issue 14(21), V.1, pp. 571-579 (PDF link: http://www.dialog-21.ru/digests/dialog2015/materials/pdf/TarasovDS2.pdf , presentation slides: http://www.meanotek.io/files/natgen.pdf). This paper, reports first successful application of deep learning to generate abstractive multi-document summaries.
  • Tarasov D.S. (2015) Deep Recurrent Neural Networks for Multiple Language Aspect-Based Sentiment Analysis // Computational Linguistics and Intellectual Technologies: Proceedings of Annual International Conference “Dialogue”, Issue 14(21), V.2, pp. 65-74 (PDF link: http://www.meanotek.io/files/TarasovDS2015-Dialogue.pdf) - this paper describes aspect-based sentiment analysis system that achieved top results on SentiRuEval-2015 competition (http://www.dialog-21.ru/evaluation/2015/sentiment/)

Блог

Статьи:

Русский нейросетевой чатбот

О чатботах, использующих нейронные сети я уже писал некоторое время назад. Сегодня я расскажу о том как я попробовал сделать полномасштабный русскоязычный вариант.

Читать дальше >

Статьи:

Автоматическая генерация уникальных текстов для SEO

В последние годы уникальный текст стал распространенным инструментом, который SEO-специалисты рекомендуют для продвижения сайтов.

Читать дальше >

Статьи:

Автоматическая генерация осмысленных уникальных текстов

В качестве задачи, рассмотрим вопрос автоматической генерации описаний товара на основании отзывов. Т.е. имея несколько отзывов пользователей товара.

Читать дальше >

Статьи:

Система анализа текстов

В этой статье поговорим о методах алгоритмической генерации текстов и расскажем о нашем опыте работы с ними. Допустим мы работаем с отзывами о телефонах.

Читать дальше >

ПРОЕКТЫ

Успешно выполненные проекты из десятков стран по всему миру.

Новостная аналитика

Анализ новостного потока позволяет установить основные темы новостей, определить упоминания лиц и организаций, выяснить характера (положительный или негативный) публикуемой новости.

Интернет магазины и маркетинг

Классификация товаров по описанию и картинкам, генерация текстов, выделение характеристик товаров из описаний и отзывов, анализ отзывов о товарах, выделение важных пользователю аспектов товара.

Наука и медицина

Изучение больших массивов текстовой информации позволяет узнать больше об устройстве мозга, расширить возможности анализа побочных эффектов лекарственных препаратов, а также создать системы поддержки принятия решения, рекомендующие оптимальную стратегию лечения.

Диалоговые интерфейсы

Позволяет организовать общение компьютера на естественном языке с сотрудниками иклиентами компании, выполнение команд, ответы на вопросы, подсказки операторам врежиме реального времени. Автоматизация технической поддержки по email.

В числе наших клиентов: