Цель вызова

Цель этой задачи заключалась в разработке моделей машинного обучения, которые точно оценивают риск в транспортных средствах, перевозящих по цепочке поставок скоропортящиеся товары, такие как домашний скот и продукты питания.

Сейчас лето, и этим летом влажность является проблемой в большей части западного мира. Эта проблема данных была направлена ​​​​на то, чтобы понять влияние температуры и влажности на жизненный цикл данной цепочки поставок.

В последние годы управление цепочками поставок было в огне. Эта задача была поверхностной, чтобы узнать, как машинное обучение и искусственный интеллект оптимизируют и повышают эффективность и устойчивую практику перевозки скоропортящихся товаров и животных.

Победители следующие:

Первое место: Мохаммад Джамали (приз $2500)

Мохаммед применил уникальный подход к анализу предоставленного набора данных и сделал выводы, о которых изначально не думали в начале этого эксперимента, организованного Ocean Protocol. Отчет Мохаммада включал в себя подробные тепловые маты, которые помогли нам понять геолокацию и внутренние погодные условия в новом свете. В этой статье был найден лучший способ найти корреляцию между отметкой времени и температурой, чтобы подойти к проблеме как к задаче классификации. Это было сделано путем сегментации временной метки в качестве примера на 24 одночасовых интервала или класса и присвоения этим сегментам значений температуры. Таким образом, стало возможным оценить вероятность появления конкретных температурных диапазонов в каждом временном сегменте.

Второе место: Марко Родригес (приз $1500)

Марко тщательно изучил набор данных, чтобы доказать, что некоторые часы дня теплее, чем другие. Это имеет смысл и подтверждается надежными моделями регрессии данных. Эта метрика стала интересной при сравнении внешней погодной температуры с температурой внутри грузового транспортного средства, используемой для этой задачи данных. В отчете Марко использовались надежные тактики полировки данных, обширные диаграммы и визуализация данных. Он также использовал набор данных, чтобы выявить естественные погодные уровни влажности в контексте этой задачи.

Третье место: Андрей Бессалов (приз $1000)

Андрей построил передовые кластеры, используя погодные особенности, и выбрал лучшие факторы, заключающие в себе идеальные условия внутри автомобиля. Они средней температуры, средней влажности, слабого ветра, без снега, без дождя. Андрей очистил и визуализировал предоставленный набор данных в мельчайших деталях. Из этого отчета мы можем предположить наилучшие условия и уровень влажности для перевозки скоропортящихся товаров.

Всего было подано 12 заявок на участие в этом испытании, что меньше, чем в предыдущих испытаниях, которые насчитывали от 20 до 40 представлений. Эта задача была немного сложнее, чем другие, с использованием данных автомобильных датчиков, данных IoT, показателей температуры и влажности. Спецификации самого челленджа можно найти здесь.

Вы когда-нибудь задумывались, как AI и ML могут повлиять на реальный бизнес-кейс, такой как управление цепочками поставок? Этот вызов был показателем этого. Или вам интересно, как производительность вашей цепочки поставок снижает риски, связанные с транспортной логистикой и влажностью? Дайте нам знать в наших каналах сообщества, и ваш протокол может быть выбран следующим для запуска проверки данных.

Поздравляем победителей и благодарим всех участников за их упорный труд и самоотверженность. Эта задача была бы невозможна без вас. Оставайтесь с нами для нашей следующей стимулирующей задачи данных!

Об океанском протоколе

Компания Ocean была основана, чтобы уравнять правила игры для ИИ и данных. Инструменты Ocean позволяют людям конфиденциально и безопасно публиковать, обмениваться и использовать данные.

Подписывайтесь на Ocean в Twitter или Telegram, чтобы быть в курсе. Общайтесь напрямую с сообществом Ocean в Discord. Или отслеживайте прогресс Ocean прямо на GitHub.