Мы создаем виртуальные шоурумы недвижимости. Собираем и систематизируем данные абсолютно обо всех движениях пользователей во всех шоурумах, которые мы когда-либо создали. Благодаря этому можно, к примеру, разделить всех покупателей на несколько типов: покупающие здесь и сейчас, "просто посмотреть" и кредитные заемщики.

Система понаблюдает за посетителями и обнаружит, что у каждого типа есть свой сценарий поведения. Покупающие здесь и сейчас идут из ванной в спальню, а кредитные заемщики, в первую очередь, двигаются в кухню. И вот, из их сценария поведения, уже можно подсказывать менеджеру, где лучше внести финальные аккорды в рассказ о прелестях конкретной квартиры и рассчитывать на успешное завершение сделки. Так, основываясь на принципах работы Big Data, можно положительно влиять на продажи и знать все о своих клиентах.

Та же самая технология используется в автомобильных VR-шоурумах. Ведь система может ориентироваться на что угодно: как двигается пользователь, куда смотрит, как реагирует когда в поле его зрения появляется что-либо и пр.

Изначально платформа PolygonVR отслеживала положение игрока в пространстве по тридцати семи пассивным датчикам. Они были установлены на всех важных местах: сгибающихся, разгибающихся, меняющих положение относительно остальных. Чтобы облегчить процесс надевания костюма для VR-игры, мы решили перейти на 6 активных датчиков. Они устанавливались на руках - два штуки, на ногах - тоже два, и еще по одному на голове и игровом рюкзаке.

Оставалось научить компьютер распознавать движения игрока по ограниченному числу датчиков. Для решения этой задачи мы использовали нейросети и машинное обучение.

Мы надели на игрока одновременно и активные, и пассивные маркеры. Попросили этого игрока долго-долго играть в разные игры, перемещаться и просто совершать рандомные несуразные движения.

Нейросеть считала максимально возможное количество вариаций расположения точек: то, как активные маркеры двигаются относительно пассивных.

Потом мы сняли с игрока пассивные маркеры и нейросеть смогла самостоятельно построить скелет игрока всего по шести точкам.

Нашей задачей было создание интерфейса для взаимодействия игрока с окружающими объектами. Так мы помогли известной ж/д компании обучить своих контролеров правилам поведения в определенных ситуациях.

Системе важно было понять, что именно говорит игрок. Поэтому в рамках задачи появилось два решения.

• Первое, придуманное не нами: преобразование голоса человека в текст.
• Второе, целиком и полностью наше: обработка смысла текста по нашему алгоритму. Он умеет сравнивать выделенные из текста смысловые компоненты с изначальными вводными. Например, проверить на смысловое соответствие произнесенный текст и смысл статьи, в которой канцелярским языком описан план действий контролера в кризисной ситуации.

Погружение в мир искусства Гончаровой и Малевича. Любой желающий может нарисовать натюрморт в стиле великих художников. И это было бы просто, если бы не было так сложно. 

Как это работает:

Игрок может использовать огромное множество предметов для натюрморта. Но как же сделать его похожим на работы Малевича? Для этого понадобились две нейросети, которые в процессе стали обучать друг друга.

Одна нейросеть рисовала картины в стиле Малевича и пыталась обмануть вторую. А вторая вычисляла обманы первой: Малевич это, или нет. С каждой новой итерацией каждая из нейросетей училась чему-то новому и могла делать картины на все более высоком уровне. А другая - могла вычислять плагиат на более высоком уровне.