Kompaniyalarga sun’iy intellektni aniq biznes natijalariga aylantirishda qanday yordam berishimizni ko‘ring: tavsiya tizimlaridan tortib ma’lumotlar infratuzilmasigacha

Bosh sahifa /

Keyslar

Foydalanuvchilar xulq-atvori asosida o‘qitilgan ML-modellar yordamida sayt va mobil ilovada mahsulotlar bo‘yicha shaxsiy tavsiyalar

Natijalar:

+25% konversiyaga

4× baravar oshdi CTR

+18%o‘rtacha chekka

Soha: Retail/E-commerce

Yirik oziq-ovqat riteyleri uchun tavsiya tizimi



Murojaatlarni tasniflaydigan, bilim bazasidan ma’lumot qidiradigan va operatorlarga javob tayyorlashda yordam beradigan AI-assistent

Natijalar:

31% tezroq murojaatlarni hal qilish

24/7 qo‘llab-quvvatlash, shtatni ko‘paytirmasdan

100% barcha murojaat manbalarini qamrab olish

$300 ga bir ticket uchun operatsion xarajatlarni
kamaytirish

Soha: Turli sohalar uchun

Sun’iy intellekt asosidagi birinchi liniya texnik qo‘llab-quvvatlash avtomatizatsiyasi

Telegram, Instagram, WhatsApp va veb-chatni birlashtiruvchi, 24/7 avtomatlashtirilgan javoblar bilan ishlovchi AI-muloqot platformasi

Natijalar:

-70% operatorlar yuklamasini kamaytirish

≤15s average response time

35% chatlardan olingan lidlar

Soha: Turli sohalar uchun

Omnikanal AI chat operatori



Natijalar:

90% kerakli ma'lumotlarni olish aniqligi

5× tezroq ma'lumotlarga kirish

-70% analitiklar yuklamasi

Biznes foydalanuvchilariga SQL yozmasdan kompaniya ma’lumotlari bilan oddiy tilda ishlash imkonini beruvchi, natijalarni tekshiruvchi va ma’lumot manbalarini kuzatuvchi AI-agent

Soha: Turli sohalar uchun

TextToSQL — ma’lumotlarga oddiy tilda kirish

AIDoc — hujjatlar bilan ishlash uchun korporativ intellekt

Tasdiqlangan manbalarga asoslangan javoblar va on-premise joylashtirish imkoniyati bilan korporativ bilim bazasiga dialog orqali kirish

Natijalar:

Bilimlarga knowledge access

Axborot qidirish xarajatlarini kamaytirish

On-premise joriy etishga tayyorlik

Soha: Turli sohalar uchun

Reklama xarajatlarini do‘kon trafigi va konversiyalar bilan bog‘lovchi multikanalli media planner: digital, bosma va lokal kanallar bo‘yicha budjetni optimallashtirish

Natijalar:

+13% daromadga ta'sir

1500 ta do'kon

3 ta prognozlash gorizonti

Soha: Retail / Ta’minot zanjiri

Riteyl tarmog‘i uchun talabni prognozlash


Tezlik va ishonchlilikni oshirish uchun eskirgan infratuzilmani almashtiruvchi hamda analitikani production tizimlardan ajratib ishlovchi zamonaviy data-platforma

Natijalar:

-75% hisobot tayyorlash vaqtiga

-40% qo‘l mehnati xarajatlari

10× tezroq so‘rovlar bajariladi

Soha: Retail

Korporativ ma’lumotlar omborini modernizatsiya qilish

Buyumlarni saqlash xizmatlari uchun dinamik narx belgilash tizimi

AQSHdagi 85 dan ortiq obyekt uchun ma’lumotlarga asoslangan tarif optimizatsiyasi orqali qo‘lda narx belgilashni almashtiruvchi daromad boshqaruvi vositasi

Natijalar:

ML-modellarga asoslangan narx belgilash

Raqobatchilar narxlarini monitoring qilish

Talabni prognoz qilish

Soha: Ko‘chmas mulk / Buyumlarni saqlash xizmatlari

Biznes foydalanuvchilariga SQL yozmasdan kompaniya ma’lumotlari bilan oddiy tilda ishlash imkonini beruvchi, natijalarni tekshiruvchi va ma’lumot manbalarini kuzatuvchi AI-agent

Natijalar:

+227% marjinal o‘sish

+85% MAU (oylik faol foydalanuvchilar)

60% foydalanuvchilarni ushlab qolish

Soha: Retail/E-commerce

ML asosidagi sodiqlik dasturini qayta ishga tushirish (RecSys)

O‘yinchilarni qo‘llab-quvvatlash tiketlarida ML-tasniflash va anomaliyalarni aniqlash, qo‘lda belgilashni strukturaviy analitika bilan almashtirish

Natijalar:

AI asosidagi murojaatlar tasnifi

Real vaqt rejimida anomaliyalarni aniqlash

Soha: Onlayn gaming

Onlayn gaming platformasi uchun support insightlarini aniqlash

Bolalar nutqining qisqa audio yozuvlarini tahlil qiluvchi va logoped e’tiborini talab qiladigan holatlarni avtomatik aniqlovchi ML-klassifikator

Natijalar:

>90% aniqlik

↓ Skrining yuklamasini kamaytirish

12 000+ o‘quvchi

Soha: EdTech / HealthTech

Bolalar nutqini AI asosida skrining qilish

xarid konversiyasining o'sishi

tavsiya bloklari CTR i o'sdi

o'rtacha chekning o'sishi

Soha: Retail/E-commerce

1 500 ta do‘kon

Kuniga 400K tranzaksiya

47% online savdo

Riteyler e-commerce masshtablashining klassik muammosiga duch keldi: mahsulot katalogi kengaygani sari mijozlarga assortiment ichida kerakli mahsulotni topish tobora qiyinlashdi. Trafik o‘sayotganiga qaramay, konversiya o‘zgarmadi va o‘rtacha чек o‘sishi to‘xtadi

Mavjud tavsiya tizimi oddiy qoidalarga asoslangan bo‘lib, xarid tarixi va foydalanuvchi qiziqishlaridan qat’i nazar barcha foydalanuvchilarga bir xil tavsiyalarni ko‘rsatardi

Mijoz:

One of the largest supermarket chains

Muammo

Foydalanilgan yechimlar:

Tavsiya tizimlari, Data Science va ML

Zentavor mijozning veb-sayti va mobil ilovasi uchun shaxsiylashtirilgan tavsiya tizimini ishlab chiqdi. Tizim har bir foydalanuvchining xaridlari, ko‘rgan mahsulotlari va savatchaga qo‘shgan pozitsiyalarini tahlil qilib, real vaqt rejimida mos mahsulotlarni tavsiya qiladi

Tavsiyalar uch darajada ishlaydi:

• foydalanuvchi uchun individual mahsulot tavsiyalari
• joriy tanlovni to‘ldiruvchi mahsulotlar
• marjinallik kabi biznes maqsadlarini hisobga oluvchi intellektual ranking

To‘liq ishga tushirishdan oldin modellar A/B test orqali tekshirild

Yechim

Natijalar

so'rovlarni hal qilish umumiy vaqtining qisqarishi

bir ticket uchun xarajatlarning o'rtacha qisqarishi

barcha ticket manbalarini qamrab olish

shtatni ko'paytirmasdan qo'llab-quvvatlash

Soha: Turli sohalar uchun (retail, telekom, bank sektori, sug‘urta)

Data engineering jamoasi ichki biznes murojaatlari oqimida ishlayotgan edi. Xodimlar vaqtining 70% gacha qismi ma’lumotlar ta’rifi, pipeline holati va hisobotlarni tuzatish bilan bog‘liq takrorlanuvchi tiketlarga sarflanardi

Javoblar sifati smenalarga bog‘liq edi, tungi vaqtda esa qo‘llab-quvvatlash deyarli mavjud emasdi. Qo‘shimcha muhandislarni yollash qimmat va uzoq jarayon bo‘lgani sababli kompaniyaga xizmat sifatini masshtablash uchun tizimli yondashuv kerak edi

Mijoz:

Ichki biznes murojaatlarining katta hajmi bilan ishlovchi yirik data engineering jamoasi

Muammo

Foydalanilgan yechimlar:

AI agentlar, LLM va Support Gen AI

Zentavor mavjud texnik support tiket tizimiga AI-copilot integratsiya qildi

So‘rov kelganda:

1. Tiket turi va ustuvorligiga ko‘ra avtomatik tasniflanadi
2. Tizim kontekstni tahlil qiladi va bilim bazasi hamda oldingi tiketlardan ma’lumot qidiradi
3. ujjatlar va runbook havolalari bilan javob qoralamasi tayyorlanadi
4. Muhandis javobni tekshiradi yoki tahrir qiladi, tizim esa har bir tuzatishdan o‘rganadi

Yechim

Natijalar

operatorlar yuklamasi

o'rtacha javob vaqti

chatlardan olingan lidlar

avtomatlashtirilgan qo'llab-quvvatlash

Soha: SaaS / Turli sohalar uchun

Biznes mijozlardan Telegram, Instagram, WhatsApp va veb-chat orqali xabarlar oladi, biroq barcha kanallarni boshqaruvchi yagona tizim mavjud emas

Kompaniyalar har bir kanal uchun alohida operator yollashga majbur bo‘ladi (bu esa qimmat va samarasiz) yoki murojaatlarni yo‘qotib, sotuvlarni boy beradi. Javoblar sekin beriladi, yagona analitika mavjud emas va masshtablash yangi xodimlarni yollashni talab qiladi

Mijoz:

Muammo

Foydalanilgan yechimlar:

AI agentlar, LLM

Zentavor barcha aloqa kanallarini bitta oynada birlashtiruvchi omnikanal AI-muloqot platformasini ishlab chiqdi. AI-bot kompaniyaning bilim bazasidan foydalanib mijozlarga 24/7 javob beradi: murojaatlarni qayta ishlaydi, uchrashuvlarni belgilaydi, upsell qiladi va lidlarni kvalifikatsiya qiladi — barchasi yagona suhbat ichida amalga oshiriladi

Kompaniyalar bilim bazasini hujjatlar, sayt kontenti va FAQ yordamida mustaqil to‘ldirishi mumkin. Suhbat ssenariylari dasturlashsiz sozlanadi

Agar murojaat murakkab bo‘lsa, bot uni barcha yozishmalar kontekstini saqlagan holda jonli operatorga uzatadi

Yechim

Natijalar

Soha: Turli sohalar uchun (moliya, sug‘urta, logistika, retail, yuridik soha, davlat sektori)

Kompaniyalar juda katta hajmdagi ichki hujjatlar bilan ishlaydi: reglamentlar, shartnomalar, siyosatlar, bilim bazalari va texnik hujjatlar. Biroq xodimlar kerakli ma’lumotni qo‘lda qidirishga soatlab vaqt sarflaydi

Yurist 200 sahifalik shartnomani o‘qiydi. Analitik kerakli raqamni beshta turli hisobot orasidan qidiradi. Jamoalar bir xil savollarni qayta-qayta beradi va javob sifati kimdan so‘ralganiga bog‘liq bo‘ladi

Mijoz:

Zentavor mahsuloti

Muammo

Foydalanilgan yechimlar:

LLM, AI agentlar, Smart AI Search

Hujjatlarni qo‘lda qidirish va o‘qish o‘rniga foydalanuvchi oddiy tilda savol beradi va aniq manbalarga havolalar bilan javob oladi

AIDoc xodimlarning ma’lumot qidirishga sarflaydigan vaqtini keskin qisqartiradi: ilgari hujjatlarni o‘qishga soatlar ketgan bo‘lsa, endi bu soniyalar ichida amalga oshadi

Yechim operatsion xarajatlarni kamaytiradi, savolni kim berishidan qat’i nazar yagona va manbalar bilan tasdiqlangan javoblarni ta’minlaydi hamda jamoalarni shtatni kengaytirmasdan masshtablash imkonini beradi

On-premise joylashtirish imkoniyati maxfiy korporativ ma’lumotlarni kompaniya infratuzilmasi ichida saqlab qoladi

Tizim RAG va agent-based retrieval asosida korporativ bilim bazasini yaratadi, CRM, ERP va hujjat arxivlari bilan integratsiyalanadi hamda maxfiy ma’lumotlar kompaniya infratuzilmasidan chiqib ketmasligi uchun to‘liq on-premise tarzda joylashtirilishi mumkin

AIDoc aniqlik muhim bo‘lgan yuqori mas’uliyatli muhitlar uchun yaratilgan: tizim hallucination holatlarini minimallashtiradi va har doim javob manbalarini ko‘rsatadi

Yechim

Natijalar

Soha: Ko‘chmas mulk / Buyumlarni saqlash xizmatlari

The client operates 85+ self-storage facilities across the United States. As the portfolio grew, the team recognized an opportunity to take direct control of their revenue strategy. Pricing had been managed by a third-party operator, and the client wanted full visibility into rate-setting, the ability to react to local competitive dynamics in real time, and a data-driven framework for optimizing revenue per available square foot across all locations.

Mijoz:

AQSHdagi yirik self-storage obyektlari operatori va developeri

Muammo

Foydalanilgan yechimlar:

AI-prognozlash, Data Science va ML, BI tizimlari

Platforma raqobatchilar narxlarini avtomatik kuzatadi, turli xona turlari va lokatsiyalar uchun optimal tariflarni hisoblaydi hamda maksimal daromad olish uchun har bir obyekt darajasida talabni prognozlaydi

Project is in active development. The platform is designed to increase revenue per available square foot by giving the client direct, data-driven control over their pricing strategy for the first time.

Yechim

Natijalar

marjinal o'sishi

oylik faol foydalanuvchilar (MAU)

xaridlar chastotasi

o'rtacha chek

jami obunachilar soni

foydalanuvchilarni loyalty dasturida ushlab qolish

Soha: Retail/E-commerce

1 500 ta do‘kon

Riteylerning obuna asosidagi sodiqlik dasturi (“Abonement”) past samaradorlik sababli to‘xtatilgan edi

Dastlabki mexanika statik qoidalarga asoslangan edi: oldindan belgilangan mahsulot ro‘yxatlari va ommaviy chegirmalar foydalanuvchilarning yetarli darajadagi qiziqishini ta’minlamadi

Biznes keyingi investitsiyalarni oqlash uchun dasturni mutlaqo yangi texnologik asosda qayta ishga tushirishni xohladi

Mijoz:

Same major grocery retailer

Muammo

Foydalanilgan yechimlar:

Tavsiya tizimlari, mijoz analitikasi, AI-prognozlash

Barcha foydalanuvchilar uchun bir xil takliflar o‘rniga tizim har kuni har bir obunachi uchun individual mahsulot tanlovlarini shakllantiradi va uchta maxsus modeldan foydalanadi:

1-versiya
Biz algoritmik qoidalarni ML-tavsiyalar bilan almashtirdik va bu foydalanuvchilar guruhi bo‘yicha daromadni +2% ga oshirdi (6 haftalik A/B test orqali tasdiqlangan)

2-versiya
Biz uch modeldan iborat arxitekturani joriy qilib, yana +1% qo‘shdik — umumiy daromad ta’siri +3% ni tashkil etdi

Riteyl tarmog‘i:

Yechim

Natijalar

Keys: ML asosidagi sodiqlik dasturi

Keys: Sodiqlik dasturida ML evolyutsiyasi

Umumiy obunachilar soni

MAU

Xaridlar chastotasi

O'rtacha chek

60%

Marjinallik

RECSYS ISHGA TUSHIRILISHI

1-versiya

47% online savdo (kuniga 400K online tranzaksiya)

1,500 ta do‘kon

Sodiqlik dasturidagi retention darajasi

-3%

daromadga umumiy ta’sir

Biznes ko‘rsatkichlariga ta’siri

Shaxsiylashtirilgan tavsiyalar: foydalanuvchilar guruhi bo‘yicha daromad +2%

Foydalanuvchilar guruhi bo‘yicha daromad

Tavsiyalar ishga tushirilganidan keyingi test davomiyligi — 6 hafta

Approach: algorithm-based recommendations

YoY, %

Algoritm asosidagi tavsiyalar

ML asosidagi tavsiyalar

2-versiya

Shaxsiylashtirilgan tavsiyalar uchun 3 ta maxsus model:

Foydalanuvchilar guruhi bo‘yicha daromad

Tavsiyalar ishga tushirilganidan keyingi test davomiyligi — 6 hafta

ML asosidagi tavsiyalar

RECSYS ISHGA TUSHIRILISHI

Yaxshilangan ML tavsiyalari

jami daromadga ta'siri
(sinov guruhi nazorat guruhiga nisbatan)

tovarlar tanqisligi va ortiqcha zaxiralarda

mavjud ta'minot zanjiri (supply chain)
va zaxiralarni to‘ldirish jarayonlariga

Riteyl tarmog‘i, 1500 ta do‘kon, 47% online savdo (kuniga 400K tranzaksiya)

Zaxiralarni optimallashtirish va yo‘qotishlarni kamaytirish uchun talab prognozlari aniqligini oshirish

Daromadga umumiy ta’sir

Soha: Retail/Supply Chain

1 500 ta do‘kon

Kuniga 400K online tranzaksiya

Riteylerda talabni rejalashtirish elektron jadvallar va oddiy statistik modellarga asoslangan edi

Prognozlar aniqligi yuqori talab davrlarida mahsulot tanqisligini oldini olish va past mavsumda ortiqcha zaxiralarni kamaytirish uchun yetarli emas edi

Rejalashtirish jamoasi murakkab mavsumiylikni, promoaksiyalar ta’sirini va turli lokatsiyalardagi talab xususiyatlarini katta masshtabda hisobga ola olmasdi

Mijoz:

Riteyl tarmog‘i

Muammo

Foydalanilgan yechimlar:

AI-prognozlash, Data Science va ML

Tizim SKU, mahsulot kategoriyalari va alohida do‘konlar kesimida ierarxik prognozlarni yaratadi hamda ob-havo, lokal tadbirlar va promo-kalendarlar kabi tashqi omillarni hisobga oladi

Prognozlash modellari mavjud rejalashtirish jarayoni bilan parallel ravishda A/B test formatida joriy etildi: do‘konlarning bir qismi Zentavor prognozlaridan foydalandi, nazorat guruhi esa mijozning avvalgi usuli bilan ishlashda davom etdi. Daromad ko‘rsatkichlari bir necha oy davomida kuzatildi

Yechim

Natijalar

Keys: Riteyl tarmog‘i uchun talabni prognozlash

Bizning prognozimiz

Daromad

Daromad (harakatlanuvchi o‘rtacha)

Mijoz prognozi

Yalpi marja

Foyda

Foyda (harakatlanuvchi o‘rtacha)

hisobot tayyorlash vaqtiga

analitik so'rovlar bajariladi

ma'lumotlarni qo'lda qayta ishlash xarajatlari

analitik yuklamalardan to'liq izolyatsiya qilingan

butun kompaniya uchun ishonchli ma'lumotlar

Soha: Retail

Kompaniyaning barcha ma’lumotlari yagona strukturasiz ko‘plab Microsoft SQL Server instansiyalarida saqlanardi

Bu to‘rtta muhim muammoni keltirib chiqardi:

• ma’lumotlar hajmi oshgani sari arxitektura masshtablana olmadi
• production tizimlari xavf ostida edi, chunki analitiklar live ma’lumotlar bazalariga to‘g‘ridan-to‘g‘ri murojaat qilardi
• yirik analitik so‘rovlar juda sekin ishlardi yoki timeout bilan yakunlanardi
• standartlashtirilgan data model yo‘qligi sababli hisob-kitob xatolari tez-tez uchrardi

Mijoz:

Yirik riteyl tarmog‘i

Muammo

Foydalanilgan yechimlar:

Korporativ data warehouse tizimlari, BI tizimlari

Yangi arxitektura analitik yuklamalarni production tizimlaridan ajratadi, shu sababli analitiklar endi live ma’lumotlar bazalariga to‘g‘ridan-to‘g‘ri murojaat qilmaydi

CRM, ERP, POS va boshqa tizimlardagi barcha ma’lumotlar yagona data model va avtomatik sifat nazoratiga ega markazlashtirilgan omborga yig‘iladi

Platforma bir nechta maxsus engine’larni birlashtiradi:

• Greenplum — murakkab analitika uchun
• ClickHouse — tezkor dashboard va BI uchun
• S3 + Trino — arxiv ma’lumotlari uchun

Bu har bir jamoaga ma’lumotlarni takrorlamasdan o‘z vazifasi uchun eng mos vositadan foydalanish imkonini beradi

Yechim

Natijalar

kerakli ma'lumotlarni qidirish aniqligi

biznes-foydalanuvchilar uchun ma'lumotlarga kirish tezlashdi

analitiklarning rutin so'rovlar bo'yicha yuklamasi

Soha: Turli sohalar uchun

Kompaniya bo‘ylab biznes foydalanuvchilari har qanday data so‘rovi uchun analitiklar jamoasiga bog‘liq edi — oddiy metrikalarni topishdan tortib murakkab cross-table hisobotlargacha

Bu bottleneck holatini yuzaga keltirdi: analitiklar chuqur tahlil o‘rniga vaqtining katta qismini ad-hoc so‘rovlarga sarflar, biznes jamoalari esa bir necha daqiqada olinishi kerak bo‘lgan javoblarni kunlab kutardi

Mijoz:

Murakkab data-landshaftga ega enterprise kompaniya

Muammo

Foydalanilgan yechimlar:

LLM, AI agentlar, BI tizimlari

Foydalanuvchi masalan: “O‘tgan chorakda hududlar bo‘yicha daromad qancha bo‘lgan?” kabi savol yozadi, tizim esa ma’lumot manbasini mustaqil aniqlaydi, kerakli ma’lumotni chiqaradi va natijani vizualizatsiya bilan ko‘rsatadi

Tizim biznes terminologiyasini tushunadi, natijalarni ko‘rsatishdan oldin tekshiradi va raqamlarning qayerdan olinganini tushuntiradi

Yechim

Natijalar

improvement in ROAS (return on ad spend)

additional store traffic

payback period

Soha: Retail

The retailer managed advertising campaigns across multiple channels and geographies, but lacked tools to optimize budget allocation, measure cross-channel performance, or connect ad spend to in-store traffic and conversions. Campaigns were planned manually, with limited feedback loops.

Mijoz:

Multi-format retail chain

Muammo

Foydalanilgan yechimlar:

Customer Analytics, AI-prediction, BI Systems

Zentavor built an integrated platform for planning, launching, optimizing, and analyzing advertising campaigns. Key components include a multi-channel media planner for budget optimization across digital, print, and local channels, and a performance tracking system that connects ad spend to store traffic and sales.

Yechim

Natijalar

Soha: Onlayn gaming

Mijozning support jamoasi har kuni minglab chatlarni qayta ishlardi va barcha kommunikatsiyalar bo‘yicha chuqurroq ko‘rinishga muhtoj edi

Mavjud teg tizimi faqat asosiy vazifalarni qamrab olar, biroq trendlarni tahlil qilish uchun yetarli aniqlik va barqarorlikni ta’minlamas edi

Menejerlar quyidagilarni tushunishni xohlardi:

• shu haftada eng ko‘p uchrayotgan mavzular qaysilar
• muammolar foydalanuvchi segmentlari bo‘yicha qanday farqlanadi
• rta eskalatsiyani talab qiluvchi yangi muammolar paydo bo‘lyaptimi

Mijoz:

Xalqaro online gaming platformasi

Muammo

Foydalanilgan yechimlar:

AI agentlar, LLM, mijoz analitikasi

Har bir kiruvchi chat avtomatik ravishda mavzu bo‘yicha tasniflanadi, foydalanuvchi konteksti (segment, qiymati, faollik holati) bilan boyitiladi va strukturalangan analitik pipeline’ga yuboriladi

Tizim tiket hajmlarini ham kuzatadi va anomaliyalarni aniqlaydi — masalan, ma’lum bir mavzuning keskin o‘sishi

Barcha ma’lumotlar Tableau uchun tayyor formatda avtomatik shakllantiriladi, mavzular, foydalanuvchi segmentlari va vaqt davrlari bo‘yicha oldindan tayyorlangan view’lar bilan taqdim etiladi

Loyiha faol rivojlanish bosqichida. Platforma foydalanuvchi murojaatlarini chuqurroq tahlil qilish, yashirin trendlarni aniqlash va mijozlarni qo‘llab-quvvatlash sifatini oshirish uchun yaratilmoqda

Yechim

Natijalar

nutq buzilishlarini aniqlash aniqligi

qo‘l skriningidagi yuklamani

platformadagi o‘quvchilar

12k+ o‘quvchi

B2C logopedik terapiya

Soha: EdTech / HealthTech

Platformadagi logopedlar professional aralashuv talab qiladigan holatlarni aniqlash uchun minglab bolalar audio yozuvlarini qo‘lda tinglab va baholab chiqardi

Jarayon juda sekin edi va bottleneck holatiga aylangan: mutaxassislar bolalar bilan ishlash o‘rniga birlamchi skrining uchun soatlab vaqt sarflardi

Mijoz:

Logopotam — logoped bilan shug‘ullanish uchun online platforma

Muammo

Foydalanilgan yechimlar:

ML, audio klassifikatsiya, Data Science va ML

Tizim birlamchi baholashni amalga oshiradi, normal yozuvlarni filtrlab chiqaradi va professional tekshiruv talab qiladigan holatlarni ajratib ko‘rsatadi

Yechim

Natijalar

Bizga vazifangiz haqida gapirib bering — biz arxitektura, muddatlar va joriy etish modelini taklif qilamiz