TGTGInsightаналитика telegramLIVE / telegram public index
← TeplitsaPRO
TeplitsaPRO avatar

TGINSIGHT POST

Post #181

@TeplitsaPRO

TeplitsaPRO

Просмотры1,480Количество просмотров
Опубликован3 мар.03.03.2018, 17:44
Содержимое поста

Содержимое

9. "Снежный контроль" – системное проблем с качеством зимней уборки. Тема с данными есть. за основу с данными соскрейпили данные ut.kb.gov.spb.ru, чтобы выявить улицы, где нет механизированной уборки, места, где слишком часто техника появляется, соотношение интенсивности уборки с субъективной оценкой (на основе волонтерского обследования). Что получилось за день – некоторые маршруты снегоуборочных машин. Комментарий жюри (источник с прямым доступом к информации по теме) – "то, что на вышеназванной карте по уборке снега – это не все". Мало того, "есть даже дворники (видимо, humans) с gps-приемниками". "К открытию данных, подобному вашему, все стремится, но такой степени открытия данных нет, по разным причинам". ## Мой комментарий: вот это реальный civic tech. Как раз приложение для создания условий для необходимого количества глаз. 10. "Хорошие лавочки" – выбор оптимального расположения с помощью машинного обучения – автор, аналитик данных (в сфере соревнований по компьютерному спорту), приехал из Москвы. "Лавочки расположены неоптимально". Цель проекта – выявить факторы, влияющие на привлекательность скамеек для сидения применительно к паркам. Научиться находить такие места автоматически. Автор сначала создал график загруженности скамеек на Украинском бульваре (Москва) в летнее время. Потом поставили стулья в парке и посчитали – в каких-то местах люди садятся на стулья больше, в каких-то меньше. Т.е. какие-то места в парке более привлекательны. Это дало достаточно данных для составления модели. Потом на видео-потоке стал определять людей, садящихся на лавочки. Далее – посчитал факторы, которые положительно влияют на необходимость установки лавочек (близость парка, супермаркета, воды, загазованных дорог). Итог – тепловая карта привлекательности мест для расположения скамеек. Один из членов жюри сразу захотел предложить работу автору. ## Мой комментарий: АААААА!!! ДА!!! Пример машинного обучения для общественного блага. Офигительно. Даже перебивает проект 9 по крутости. 11. "ДоброКвест" – идея. Мобильное игровое геоприложение, объединяющее на единой карте "квесты" . Темы с данными нет. Жюри подсказывает, что когда-то был еще и "Добросайт.рф" ## Мой комментарий – нейминг не ок, ну вы поняли. Пальцев на обоих руках не хватит, чтобы пересчитать все подобные проекты. Итак, жюри удаляется для вынесения вердикта. Узнаем, кто же победит!