Project

Проект, написанный на Delphi RAD Studio 10.4.2:

1. Дипломный проект. Тема: Классификация стоек Карате. 11 классов наиболее используемых стоек Карате. Данная работа не претендует на наличие экспертного мнения по данной тематике. Собранная база фотографий и рисунков используется исключительно в учебных целях. Все материалы взяты из свободных (открытых) источников.

Примеры программных роботов RPA, написанных на разных платформах:

Примеры роботов на платформе PIX RPA:

1. Парсинг сайтов MVideo, Cililink. Парсинг цен из предлагаемого списка товаров, если товара нет, предлагается альтернатива. Расчитывается также разница в ценах.

2. Работа с почтой, PDF, Excel - получаем почту, сохраняем PDF вложения и с помощью регулярных выражений переводим в формат Excel согласно шаблона.

3. Работа с почтой, JPG, Word - Получаем почту, используя сервис Yandex.ru, сохраняем вложенные файлы формата JPG из почты Yandex.ru, распознаем текст и заполняем договора формата Word по принятому шаблону. Сервисы OCR используются двух типов: a. Локальный сервис Tesseract OCR; b. Облачный сервис по api Yandex OCR.

4.1 Работа с Telegram, почтой, MySQL - В Telegram принимаем анкетные данные, формирует выходной файл Excel, отправляем с помощью почты Yandex.ru файл, вносим итоговые данные в базу MySQL.

4.2 Работа с Telegram, почтой, MySQL - В Telegram принимаем анкетные данные, используем разработанную активность для отображения inline кнопок, формирует выходной файл Excel, отправляем с помощью почты Yandex.ru файл, вносим итоговые данные в базу MySQL.

4.3 Работа с Telegram, почтой, MySQL - В Telegram принимаем анкетные данные, формирует выходной файл Excel, отправляем с помощью почты Yandex.ru файл, вносим итоговые данные в базу MySQL. Работа робота ведется черех Оркестратор (Мастер), используя микросервисную архитектуру.

1. Работа с PDF -> перевод в базу 1C - Принимаем документ формата PDF и экспортируем в базу 1C. Распознаем документ, обрабатываем и вставляем в базу 1С как новый документ: a. Используя язык запросов 1С; b. Используя технологию XPath, имитирующую работу оператора.

2. Из файла Excel формируем leads и сохраняем, используя HTTP запросы на сервер Bitrix24, во второй части также из файла Excel берем названия компаний и сохраняем контактную информацию в отдельных файлах, обращаясь к серверу Bitrix24, используя HTTP запросы.

3. Пример работы с GigaChat - перевод текстов с английского на русский, используя модель нейросети LLM GigaChat.

4. Пример работы с YandexGPT - перевод текстов с английского на русский, используя модель нейросети LLM YandexGPT.

5. Предназначение робота – робот принимает входящую почту, которая содержит вложенные файлы различных форматов.

Он преобразует, если это необходимо, в принятый между компаниями-партнерами формат данных, в данном случае Excel.

Затем происходит обмен данными между компаниями – наша компания предоставляет партнеру информацию о требуемой продукции, партнер, после обработки, возвращает ответ в виде предложения по ценовым характеристикам, срокам поставки, а также, при необходимости предлагает альтернативные варианты поставки продукции других брендов.

Вся информация о требуемой продукции и альтернативных поставках сохраняется в отдельной базе данных в целях управленческого учета.

При переписке также ведется протоколирование движения информации между компаниями.

Это сильно экономит время, позволяет избавить сотрудников от части рутинной работы, также позволяет наладить оперативный обмен информацией между заинтересованными сторонами.

Примеры роботов на платформе Primo RPA:

1. Пример серфинга цен на сайтах Mvideo и Citilink и вывод отчета → Excel: Примеры серфинга цен на сайтах Mvideo и Citilink. Первый робот получает цены с сайта MVideo и заполняет шаблон Excel. Если товар не найден, то предлагается альтернатива из двух позиций - первый из отображаемого по поиску списка и товар, наиболее приближенный к исходному согласно критерия расстояния Левенштейна. Второй робот получает цены с двух сайтов - MVideo и Citilink и сравнивает их.

2. Пример работы с e-mail Yandex.ru → PDF → Excel: Пример получения почты с сервиса Yandex.ru, получение вложений *.PDF, обрабатывая письма по определенному критерию. Затем обрабатываем PDF-файл и сохраняем результаты обработки в файлы формата Excel, используя шаблоны, указанные в корневом каталоге проекта (примера).

3. Примеры работы с моделями распознавания изображений: Общее описание работы роботов: Получение почты по критерию фильтрации, отбор вложений по критерию фильтрации, распознавание, используя соответствующий движок и, наконец, заполнение шаблона документа формата Word. Используется: a. Локальный сервис Tesseract OCR; b. Облачный сервис Yandex OCR.

4. Пример работы с моделью от Сбера GigaChat: Реализовано для примера считывание динамического HTML с помощью запросов http (api) и перевод новостных статей с помощью модели GigaChat с английского на русский и сохранение в формате Word. Работа с моделью GigaChat ведется с помощью http запросов (api). См. Документацию на сайте разработчика.

Примеры роботов на платформе UiPath RPA:

1. Робот для парсинга сайтов MVideo, Citilink: Представлены два видео, демонстрирующие структуру и работу робота, выполняющего работу по парсингу двух однотипных сайтов.

2. Робот обработки E-Mail, обработки вложений и распознавания PDF -> Excel по шаблону: Представлены два видео, демонстрирующие получение почты, обработку вложений по принятым критериям, обработку PDF файлов и преобразование с помощью регулярных выражений в файл Excel согласно шаблона документа.

3. Робот по отправке сообщений в Telegram канал: Представлены два видео, демонстрирующие работу с Telegram каналом. Представленное видео демонстрирует только отправку сообщения и отправку картинки.

4. Робот по консолидации отчетов Excel, протоколированию ошибок и отправке Email: Представлено видео, демонстрирующее чтение отчетов из Excel, обработку отчетов, сохранение консолидированного отчета в отдельный файл, протоколирование работы (внесение ошибочных данных) и отправку итогов на указанный Email.

Примеры проектов на Python

1. Исследуется задача классификации. Тип классификации – по каталогам. В исследовательских целях используются смешанные данные – картинки и фотографии: Рассматриваются различные архитектуры рукописных сетей, а также рассмотрены предобученные сети для примера. 11 классов по 2000 фотографий и картинок размером 224х224х3 - 22 000 исходных данных для обучения.

2. Использование фреймворка GUI PyQt5 в вопросах интеграции модели Speech-to-Text vosk проекта Стажировка: РАСПОЗНАВАНИЕ ГОЛОСОВЫХ КОМАНД ДЛЯ РОБОТОВ-ИГРУШЕК

3. Интеграция Rest API разворачивание синхронного сервера Flask на сервисе Yandex Cloud.

4. Интеграция модели нейронной сети с социальной сетью Telegram. Рассматривается задача классификации стоек карате - 11 классов. В качестве модели использовалась рукописная модель с архитектурой ResNet. DataSet содержит 2000 картинок на класс - всего 22 000 картинок размером 224х224x3 пикселей.

5. Фреймворк PyTorch. Object Detection пример на синтетических данных: Пример использования фреймворка PyTorch. Используются синтетические данные - 4 класса: фон, треугольник, квадрат, круг. Используемый метод Object Detection на предобученной модели fasterrcnn_resnet50_fpn, дообучение модели на синтетических данных.

6. Фреймворк PyTorch. Классификация музыкальных жанров: Фреймворк PyTorch. Классификация музыкальных жанров. Всего десять жанров. Создание DataSet по жанрам на основе Мэл спектрограмм, создание классификатора (модели), обучение и оценка.

7. WEB интерфейс, использование FastAPI, работа с сервисом ACRCloud, моделью ИИ GigaChat, сервисом Yandex TTS: Основная идея - загружаем звуковой трек через WEB интерфейс, загружаем на сервис ACRCloud и получаем информацию о треке (исполнитель, жанр, альбом и т.д.), используя модель ИИ GigaChat генерируем историю, используя сервис Yandex TTS преобразуем текст в речь. Написано на языке Python с использованием фреймворка FastAPI, асинхронной модели передачи данных, связи с сервисами и моделями по API.