Для проверки настройки сервиса можно отправить в консоли отправки панели администрирования следующий запросы:
{ "inn": "7730592673" }
{ "request_id": "d7c63df4-02fa-4c69-aa83-9062df78f9ea", "legal_person_data": { "form_date": "2015-04-16", "ogrn_date": "2008-11-18", "inn": "7730592673", "kpp": "773001001", "code_opf": "12345", "ogrn": "5087746429843", "opf": "ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ", "dict_opf": "ОКОПФ", "legal_person_name": { "full_name": "НАИМЕНОВАНИЕ 5087746429843", "short_name": "СОКРАЩЕННОЕ НАИМЕНОВАНИЕ 5087746429843", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "legal_person_address_data": { "legal_person_address": { "house": "7", "kladr_address": "770000000002990", "region_code": "77", "frame": "6", "region": { "name": "МОСКВА", "type": "ГОРОД" }, "street": { "name": "ФИЛЕВСКАЯ 2-Я", "type": "УЛИЦА" }, "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } } }, "registration_data": { "ogrn_date": "2008-11-18", "ogrn": "5087746429843", "way_form": { "code": "11", "name": "ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ЮРИДИЧЕСКОГО ЛИЦА ПРИ СОЗДАНИИ" }, "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "register_authority": { "address": "125373, Г.МОСКВА, ПОХОДНЫЙ ПРОЕЗД, ДОМОВЛАДЕНИЕ 3, СТР.2", "code": "7733", "name": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "accounting_tax_authority": { "accounting_date": "2008-11-18", "inn": "7730592673", "kpp": "773001001", "tax_authority": { "code": "7730", "name": "ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 30 ПО Г. МОСКВЕ" }, "grn_data": { "grn": "2087764197948", "rec_date": "2008-11-18" } }, "registration_pension_insurer": { "reg_date": "2008-11-19", "number": "087806035495", "pension_fund_authority": { "code": "087806", "name": "ГОСУДАРСТВЕННОЕ УЧРЕЖДЕНИЕ - ГЛАВНОЕ УПРАВЛЕНИЕ ПЕНСИОННОГО ФОНДА РФ №2 УПРАВЛЕНИЕ №2 МУНИЦИПАЛЬНЫЙ РАЙОН ФИЛЕВСКИЙ ПАРК" }, "grn_data": { "grn": "2087764333402", "rec_date": "2008-11-20" } }, "registration_society_insurer": { "reg_date": "2008-11-19", "number": "772803546077281", "society_fund_authority": { "code": "7728", "name": "ФИЛИАЛ №28 ГОСУДАРСТВЕННОГО УЧРЕЖДЕНИЯ - МОСКОВСКОГО РЕГИОНАЛЬНОГО ОТДЕЛЕНИЯ ФОНДА СОЦИАЛЬНОГО СТРАХОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "grn_data": { "grn": "2087764310490", "rec_date": "2008-11-20" } }, "authorized_capital": { "name": "УСТАВНЫЙ КАПИТАЛ", "sum": "10000. ![]()
0000", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "post_physical_person": { "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" }, "physical_person": { "name": "ИМЯ 87746823009337", "patronymic": "ОТЧЕСТВО 87746823009337", "surname": "ФАМИЛИЯ 87746823009337", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "post": { "type": "02", "dict_name": "РУКОВОДИТЕЛЬ ЮРИДИЧЕСКОГО ЛИЦА", "name": "ГЕНЕРАЛЬНЫЙ ДИРЕКТОР", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } } }, "founders": { "physical_person_founder": { "physical_person": { "name": "ИМЯ 87746823009338", "patronymic": "ОТЧЕСТВО 87746823009338", "surname": "ФАМИЛИЯ 87746823009338", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } } } }, "okved": { "primary_activity": { "code": "17. 30", "name": "ОТДЕЛКА ТКАНЕЙ И ТЕКСТИЛЬНЫХ ИЗДЕЛИЙ", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } }, "additional_activity": { "code": "18.22", "name": "ПРОИЗВОДСТВО ВЕРХНЕЙ ОДЕЖДЫ", "grn_data": { "grn": "5087746429843", "rec_date": "2008-11-18" } } }, "record": [ { "grn": "5087746429843", "entry_date": "2008-11-18", "id": "87746823009334", "kind": { "code": "11201", "name": "ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ЮРИДИЧЕСКОГО ЛИЦА ПРИ СОЗДАНИИ" }, "register_authority": { "code": "7746", "name": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" }, "doc": [ { "name": "ЗАЯВЛЕНИЕ (С ПРИЛОЖЕНИЯМИ)", "date": "2008-11-11" }, { "name": "УСТАВ", "date": "2008-11-11" }, { "name": "ПРОТОКОЛ", "date": "2008-11-11" }, { "name": "ЗАЯВЛЕНИЕ О ПЕРЕХОДЕ НА УПРОЩЕННУЮ СИСТЕМУ НАЛОГООБЛОЖЕНИЯ", "date": "2008-11-11" }, { "name": "ЗАПРОС, КВИТАНЦИЯ", "date": "2008-11-11" }, { "name": "КОП.
УСТ", "date": "2008-11-11" }, { "name": "УВЕД", "date": "2008-11-11" }, { "name": "ДОКУМЕНТ ОБ УПЛАТЕ ГОСУДАРСТВЕННОЙ ПОШЛИНЫ", "date": "2008-11-11" } ], "entry_certificate": { "issue_date": "2008-11-18", "number": "010419289", "series": "77" } }, { "grn": "2087764197948", "entry_date": "2008-11-18", "id": "87746823009339", "kind": { "code": "13200", "name": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ ОБ УЧЕТЕ ЮРИДИЧЕСКОГО ЛИЦА В НАЛОГОВОМ ОРГАНЕ" }, "register_authority": { "code": "7746", "name": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" } }, { "grn": "2087764310490", "entry_date": "2008-11-20", "id": "87746825001847", "kind": { "code": "13400", "name": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ О РЕГИСТРАЦИИ ЮРИДИЧЕСКОГО ЛИЦА В КАЧЕСТВЕ СТРАХОВАТЕЛЯ В ИСПОЛНИТЕЛЬНОМ ОРГАНЕ ФОНДА СОЦИАЛЬНОГО СТРАХОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "register_authority": { "code": "7746", "name": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. ![]()
МОСКВЕ" } }, { "grn": "2087764333402", "entry_date": "2008-11-20", "id": "87746825004279", "kind": { "code": "13300", "name": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ О РЕГИСТРАЦИИ ЮРИДИЧЕСКОГО ЛИЦА В КАЧЕСТВЕ СТРАХОВАТЕЛЯ В ТЕРРИТОРИАЛЬНОМ ОРГАНЕ ПЕНСИОННОГО ФОНДА РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "register_authority": { "code": "7746", "name": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" } } ] }, "_raw": { "ИдДок": "d7c63df4-02fa-4c69-aa83-9062df78f9ea", "СвЮЛ": { "ДатаВып": "2015-04-16", "ДатаОГРН": "2008-11-18", "ИНН": "7730592673", "КПП": "773001001", "КодОПФ": "12345", "ОГРН": "5087746429843", "ПолнНаимОПФ": "ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ", "СпрОПФ": "ОКОПФ", "СвНаимЮЛ": { "НаимЮЛПолн": "НАИМЕНОВАНИЕ 5087746429843", "НаимЮЛСокр": "СОКРАЩЕННОЕ НАИМЕНОВАНИЕ 5087746429843", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СвАдресЮЛ": { "АдресРФ": { "Дом": "7", "КодАдрКладр": "770000000002990", "КодРегион": "77", "Корпус": "6", "Регион": { "НаимРегион": "МОСКВА", "ТипРегион": "ГОРОД" }, "Улица": { "НаимУлица": "ФИЛЕВСКАЯ 2-Я", "ТипУлица": "УЛИЦА" }, "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } } }, "СвОбрЮЛ": { "ДатаОГРН": "2008-11-18", "ОГРН": "5087746429843", "СпОбрЮЛ": { "КодСпОбрЮЛ": "11", "НаимСпОбрЮЛ": "ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ЮРИДИЧЕСКОГО ЛИЦА ПРИ СОЗДАНИИ" }, "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СвРегОрг": { "АдрРО": "125373, Г. ![]()
МОСКВА, ПОХОДНЫЙ ПРОЕЗД, ДОМОВЛАДЕНИЕ 3, СТР.2", "КодНО": "7733", "НаимНО": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СвУчетНО": { "ДатаПостУч": "2008-11-18", "ИНН": "7730592673", "КПП": "773001001", "СвНО": { "КодНО": "7730", "НаимНО": "ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 30 ПО Г. МОСКВЕ" }, "ГРНДата": { "ГРН": "2087764197948", "ДатаЗаписи": "2008-11-18" } }, "СвРегПФ": { "ДатаРег": "2008-11-19", "РегНомПФ": "087806035495", "СвОргПФ": { "КодПФ": "087806", "НаимПФ": "ГОСУДАРСТВЕННОЕ УЧРЕЖДЕНИЕ - ГЛАВНОЕ УПРАВЛЕНИЕ ПЕНСИОННОГО ФОНДА РФ №2 УПРАВЛЕНИЕ №2 МУНИЦИПАЛЬНЫЙ РАЙОН ФИЛЕВСКИЙ ПАРК" }, "ГРНДата": { "ГРН": "2087764333402", "ДатаЗаписи": "2008-11-20" } }, "СвРегФСС": { "ДатаРег": "2008-11-19", "РегНомФСС": "772803546077281", "СвОргФСС": { "КодФСС": "7728", "НаимФСС": "ФИЛИАЛ №28 ГОСУДАРСТВЕННОГО УЧРЕЖДЕНИЯ - МОСКОВСКОГО РЕГИОНАЛЬНОГО ОТДЕЛЕНИЯ ФОНДА СОЦИАЛЬНОГО СТРАХОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "ГРНДата": { "ГРН": "2087764310490", "ДатаЗаписи": "2008-11-20" } }, "СвУстКап": { "НаимВидКап": "УСТАВНЫЙ КАПИТАЛ", "СумКап": "10000. ![]()
0000", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СведДолжнФЛ": { "ГРНДатаПерв": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" }, "СвФЛ": { "Имя": "ИМЯ 87746823009337", "Отчество": "ОТЧЕСТВО 87746823009337", "Фамилия": "ФАМИЛИЯ 87746823009337", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СвДолжн": { "ВидДолжн": "02", "НаимВидДолжн": "РУКОВОДИТЕЛЬ ЮРИДИЧЕСКОГО ЛИЦА", "НаимДолжн": "ГЕНЕРАЛЬНЫЙ ДИРЕКТОР", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } } }, "СвУчредит": { "УчрФЛ": { "СвФЛ": { "Имя": "ИМЯ 87746823009338", "Отчество": "ОТЧЕСТВО 87746823009338", "Фамилия": "ФАМИЛИЯ 87746823009338", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } } } }, "СвОКВЭД": { "СвОКВЭДОсн": { "КодОКВЭД": "17. 30", "НаимОКВЭД": "ОТДЕЛКА ТКАНЕЙ И ТЕКСТИЛЬНЫХ ИЗДЕЛИЙ", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } }, "СвОКВЭДДоп": { "КодОКВЭД": "18.22", "НаимОКВЭД": "ПРОИЗВОДСТВО ВЕРХНЕЙ ОДЕЖДЫ", "ГРНДата": { "ГРН": "5087746429843", "ДатаЗаписи": "2008-11-18" } } }, "СвЗапЕГРЮЛ": [ { "ГРН": "5087746429843", "ДатаЗап": "2008-11-18", "ИдЗап": "87746823009334", "ВидЗап": { "КодСПВЗ": "11201", "НаимВидЗап": "ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ЮРИДИЧЕСКОГО ЛИЦА ПРИ СОЗДАНИИ" }, "СвРегОрг": { "КодНО": "7746", "НаимНО": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" }, "СведПредДок": [ { "НаимДок": "ЗАЯВЛЕНИЕ (С ПРИЛОЖЕНИЯМИ)", "ДатаДок": "2008-11-11" }, { "НаимДок": "УСТАВ", "ДатаДок": "2008-11-11" }, { "НаимДок": "ПРОТОКОЛ", "ДатаДок": "2008-11-11" }, { "НаимДок": "ЗАЯВЛЕНИЕ О ПЕРЕХОДЕ НА УПРОЩЕННУЮ СИСТЕМУ НАЛОГООБЛОЖЕНИЯ", "ДатаДок": "2008-11-11" }, { "НаимДок": "ЗАПРОС, КВИТАНЦИЯ", "ДатаДок": "2008-11-11" }, { "НаимДок": "КОП.
УСТ", "ДатаДок": "2008-11-11" }, { "НаимДок": "УВЕД", "ДатаДок": "2008-11-11" }, { "НаимДок": "ДОКУМЕНТ ОБ УПЛАТЕ ГОСУДАРСТВЕННОЙ ПОШЛИНЫ", "ДатаДок": "2008-11-11" } ], "СвСвид": { "ДатаВыдСвид": "2008-11-18", "Номер": "010419289", "Серия": "77" } }, { "ГРН": "2087764197948", "ДатаЗап": "2008-11-18", "ИдЗап": "87746823009339", "ВидЗап": { "КодСПВЗ": "13200", "НаимВидЗап": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ ОБ УЧЕТЕ ЮРИДИЧЕСКОГО ЛИЦА В НАЛОГОВОМ ОРГАНЕ" }, "СвРегОрг": { "КодНО": "7746", "НаимНО": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" } }, { "ГРН": "2087764310490", "ДатаЗап": "2008-11-20", "ИдЗап": "87746825001847", "ВидЗап": { "КодСПВЗ": "13400", "НаимВидЗап": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ О РЕГИСТРАЦИИ ЮРИДИЧЕСКОГО ЛИЦА В КАЧЕСТВЕ СТРАХОВАТЕЛЯ В ИСПОЛНИТЕЛЬНОМ ОРГАНЕ ФОНДА СОЦИАЛЬНОГО СТРАХОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "СвРегОрг": { "КодНО": "7746", "НаимНО": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г.
МОСКВЕ" } }, { "ГРН": "2087764333402", "ДатаЗап": "2008-11-20", "ИдЗап": "87746825004279", "ВидЗап": { "КодСПВЗ": "13300", "НаимВидЗап": "ВНЕСЕНИЕ В ЕДИНЫЙ ГОСУДАРСТВЕННЫЙ РЕЕСТР ЮРИДИЧЕСКИХ ЛИЦ СВЕДЕНИЙ О РЕГИСТРАЦИИ ЮРИДИЧЕСКОГО ЛИЦА В КАЧЕСТВЕ СТРАХОВАТЕЛЯ В ТЕРРИТОРИАЛЬНОМ ОРГАНЕ ПЕНСИОННОГО ФОНДА РОССИЙСКОЙ ФЕДЕРАЦИИ" }, "СвРегОрг": { "КодНО": "7746", "НаимНО": "МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ № 46 ПО Г. МОСКВЕ" } } ] } } }
{ "inn": "5257045651" }
{ "request_id": "7de71e87-449c-4ba5-8402-aa6a88aa22f5", "processing_code": "53", "processing_code_description": "сведения в отношении юридического лица не могут быть предоставлены в электронном виде" }
Азербайджанский | с азербайджанского на русский 3 ₽/слово ~750 ₽/страница с русского на азербайджанский 3. ~775 ₽/страница с русского на азербайджанский $0.085/слово ~$21.25/страница |
Албанский | с албанского на русский 2.4 ₽/слово ~600 ₽/страница с русского на албанский 2.8 ₽/слово ~700 ₽/страница с русского на албанский $0.1/слово ~$25/страница |
Английский | с английского на русский 2.5 ₽/слово ~625 ₽/страница с русского на английский 2.5 ₽/слово ~625 ₽/страница с русского на английский $0.11/слово ~$27.5/страница |
Арабский | с арабского на русский 3. ~925 ₽/страница с русского на арабский 4.3 ₽/слово ~1075 ₽/страница с русского на арабский $0.12/слово ~$30/страница |
Армянский | с армянского на русский 2.6 ₽/слово ~650 ₽/страница с русского на армянский 2.8 ₽/слово ~700 ₽/страница с русского на армянский $0.1/слово ~$25/страница |
Белорусский | с белорусского на русский 2.4 ₽/слово ~600 ₽/страница с русского на белорусский 2.4 ₽/слово ~600 ₽/страница с русского на белорусский по запросу |
Бенгальский | с бенгальского на русский 5 ₽/слово ~1250 ₽/страница с русского на бенгальский 5. ~1375 ₽/страница с русского на бенгальский $0.1/слово ~$25/страница |
Болгарский | с болгарского на русский 2.6 ₽/слово ~650 ₽/страница с русского на болгарский 2.9 ₽/слово ~725 ₽/страница с русского на болгарский $0.1/слово ~$25/страница |
Боснийский | с боснийского на русский 3.2 ₽/слово ~800 ₽/страница с русского на боснийский 3.6 ₽/слово ~900 ₽/страница с русского на боснийский 0.1€/слово ~25€/страница |
Венгерский | с венгерского на русский 6 ₽/слово ~1500 ₽/страница с русского на венгерский 6 ₽/слово ~1500 ₽/страница с русского на венгерский 0. ~30€/страница |
Вьетнамский | с вьетнамского на русский 5 ₽/слово ~1250 ₽/страница с русского на вьетнамский 5 ₽/слово ~1250 ₽/страница с русского на вьетнамский $0.12/слово ~$30/страница |
Греческий | с греческого на русский 4 ₽/слово ~1000 ₽/страница с русского на греческий 4 ₽/слово ~1000 ₽/страница с русского на греческий $0.12/слово ~$30/страница |
Грузинский | с грузинского на русский 2.8 ₽/слово ~700 ₽/страница с русского на грузинский 3. ~800 ₽/страница с русского на грузинский $0.11/слово ~$27.5/страница |
Датский | с датского на русский 4 ₽/слово ~1000 ₽/страница с русского на датский 5 ₽/слово ~1250 ₽/страница с русского на датский 0.27€/слово ~67.5€/страница |
Иврит | с иврита на русский 5.6 ₽/слово ~1400 ₽/страница с русского на иврит 4.8 ₽/слово ~1200 ₽/страница с русского на иврит 0.1€/слово ~25€/страница |
Индонезийский | с индонезийского на русский 4. ~1100 ₽/страница с русского на индонезийский 6 ₽/слово ~1500 ₽/страница с русского на индонезийский $0.14/слово ~$35/страница |
Исландский | с исландского на русский 12 ₽/слово ~3000 ₽/страница с русского на исландский 0 ₽/слово ~0 ₽/страница с русского на исландский 0.15€/слово ~37.5€/страница |
Испанский | с испанского на русский 3 ₽/слово ~750 ₽/страница с русского на испанский 3.5 ₽/слово ~875 ₽/страница с русского на испанский 0. ~25€/страница |
Итальянский | с итальянского на русский 3.8 ₽/слово ~950 ₽/страница с русского на итальянский 4 ₽/слово ~1000 ₽/страница с русского на итальянский 0.09€/слово ~22.5€/страница |
Казахский | с казахского на русский 2.8 ₽/слово ~700 ₽/страница с русского на казахский 2.8 ₽/слово ~700 ₽/страница с русского на казахский по запросу |
Киргизский | с киргизского на русский 3 ₽/слово ~750 ₽/страница с русского на киргизский 3 ₽/слово ~750 ₽/страница с русского на киргизский по запросу |
Китайский | с китайского на русский 4. ~1225 ₽/страница с русского на китайский 4.9 ₽/слово ~1225 ₽/страница с русского на китайский $0.15/слово ~$37.5/страница |
Корейский | с корейского на русский 4.9 ₽/слово ~1225 ₽/страница с русского на корейский 4.9 ₽/слово ~1225 ₽/страница с русского на корейский $0.23/слово ~$57.5/страница |
Кхмерский | с кхмерского на русский 6 ₽/слово ~1500 ₽/страница с русского на кхмерский 8 ₽/слово ~2000 ₽/страница с русского на кхмерский 0. ~37.5€/страница |
Латышский | с латышского на русский 3 ₽/слово ~750 ₽/страница с русского на латышский 3.1 ₽/слово ~775 ₽/страница с русского на латышский $0.12/слово ~$30/страница |
Литовский | с литовского на русский 2.8 ₽/слово ~700 ₽/страница с русского на литовский 3.3 ₽/слово ~825 ₽/страница с русского на литовский 0.12€/слово ~30€/страница |
Македонский | с македонского на русский 3.5 ₽/слово ~875 ₽/страница с русского на македонский 3. ~875 ₽/страница с русского на македонский $0.12/слово ~$30/страница |
Малайский | с малайского на русский 4.4 ₽/слово ~1100 ₽/страница с русского на малайский 6 ₽/слово ~1500 ₽/страница с русского на малайский $0.15/слово ~$37.5/страница |
Маратхи | с маратхи на русский 0 ₽/слово ~0 ₽/страница с русского на маратхи 0 ₽/слово ~0 ₽/страница с русского на маратхи $0.15/слово ~$37.5/страница |
Молдавский | с молдавского на русский 2. ~550 ₽/страница с русского на молдавский 3 ₽/слово ~750 ₽/страница с русского на молдавский $0/слово ~$0/страница |
Монгольский | с монгольского на русский 3.8 ₽/слово ~950 ₽/страница с русского на монгольский 4.6 ₽/слово ~1150 ₽/страница с русского на монгольский $0.15/слово ~$37.5/страница |
Немецкий | с немецкого на русский 2.5 ₽/слово ~625 ₽/страница с русского на немецкий 2.6 ₽/слово ~650 ₽/страница с русского на немецкий 0. ~27.5€/страница |
Нидерландский | с нидерландского на русский 3.7 ₽/слово ~925 ₽/страница с русского на нидерландский 3.7 ₽/слово ~925 ₽/страница с русского на нидерландский 0.15€/слово ~37.5€/страница |
Норвежский | с норвежского на русский 5.4 ₽/слово ~1350 ₽/страница с русского на норвежский 6 ₽/слово ~1500 ₽/страница с русского на норвежский 0.13€/слово ~32.5€/страница |
Персидский | с персидского на русский 5.6 ₽/слово ~1400 ₽/страница с русского на персидский 5. ~1400 ₽/страница с русского на персидский $0.11/слово ~$27.5/страница |
Польский | с польского на русский 3.3 ₽/слово ~825 ₽/страница с русского на польский 3.4 ₽/слово ~850 ₽/страница с русского на польский 0.15€/слово ~37.5€/страница |
Португальский | с португальского на русский 3.7 ₽/слово ~925 ₽/страница с русского на португальский 4 ₽/слово ~1000 ₽/страница с русского на португальский 0.1€/слово ~25€/страница |
Пушту | с пушту на русский 4. ~1125 ₽/страница с русского на пушту 4.5 ₽/слово ~1125 ₽/страница с русского на пушту $0.15/слово ~$37.5/страница |
Румынский | с румынского на русский 2.2 ₽/слово ~550 ₽/страница с русского на румынский 3 ₽/слово ~750 ₽/страница с русского на румынский $0/слово ~$0/страница |
Сербский | с сербского на русский 3.2 ₽/слово ~800 ₽/страница с русского на сербский 3.6 ₽/слово ~900 ₽/страница с русского на сербский 0. ~25€/страница |
Словацкий | с словацкого на русский 3 ₽/слово ~750 ₽/страница с русского на словацкий 3.2 ₽/слово ~800 ₽/страница с русского на словацкий 0.1€/слово ~25€/страница |
Словенский | с словенского на русский 3.3 ₽/слово ~825 ₽/страница с русского на словенский 3.5 ₽/слово ~875 ₽/страница с русского на словенский 0.095€/слово ~23.75€/страница |
Таджикский | с таджикского на русский 3 ₽/слово ~750 ₽/страница с русского на таджикский 3. ~800 ₽/страница с русского на таджикский $0.05/слово ~$12.5/страница |
Тайский | с тайского на русский 4.4 ₽/слово ~1100 ₽/страница с русского на тайский 5 ₽/слово ~1250 ₽/страница с русского на тайский $0.13/слово ~$32.5/страница |
Турецкий | с турецкого на русский 3.2 ₽/слово ~800 ₽/страница с русского на турецкий 3.5 ₽/слово ~875 ₽/страница с русского на турецкий $0.09/слово ~$22.5/страница |
Туркменский | с туркменского на русский 3. ~850 ₽/страница с русского на туркменский 3.6 ₽/слово ~900 ₽/страница с русского на туркменский $0.05/слово ~$12.5/страница |
Узбекский | с узбекского на русский 2.8 ₽/слово ~700 ₽/страница с русского на узбекский 3.1 ₽/слово ~775 ₽/страница с русского на узбекский $0.05/слово ~$12.5/страница |
Украинский | с украинского на русский 2.4 ₽/слово ~600 ₽/страница с русского на украинский 2.4 ₽/слово ~600 ₽/страница с русского на украинский по запросу |
Урду | с урду на русский 0 ₽/слово ~0 ₽/страница с русского на урду 0 ₽/слово ~0 ₽/страница с русского на урду $0. ~$37.5/страница |
Финский | с финского на русский 5.5 ₽/слово ~1375 ₽/страница с русского на финский 6 ₽/слово ~1500 ₽/страница с русского на финский $0.12/слово ~$30/страница |
Французский | с французского на русский 2.6 ₽/слово ~650 ₽/страница с русского на французский 2.8 ₽/слово ~700 ₽/страница с русского на французский 0.085€/слово ~21.25€/страница |
Хинди | с хинди на русский 7 ₽/слово ~1750 ₽/страница с русского на хинди 8 ₽/слово ~2000 ₽/страница с русского на хинди $0. ~$25/страница |
Хорватский | с хорватского на русский 3.2 ₽/слово ~800 ₽/страница с русского на хорватский 3.6 ₽/слово ~900 ₽/страница с русского на хорватский 0.08€/слово ~20€/страница |
Черногорский | с черногорского на русский 3.2 ₽/слово ~800 ₽/страница с русского на черногорский 3.6 ₽/слово ~900 ₽/страница с русского на черногорский 0.1€/слово ~25€/страница |
Чешский | с чешского на русский 3.4 ₽/слово ~850 ₽/страница с русского на чешский 3. ~950 ₽/страница с русского на чешский 0.08€/слово ~20€/страница |
Шведский | с шведского на русский 3 ₽/слово ~750 ₽/страница с русского на шведский 3.1 ₽/слово ~775 ₽/страница с русского на шведский 0.18€/слово ~45€/страница |
Эстонский | с эстонского на русский 3.8 ₽/слово ~950 ₽/страница с русского на эстонский 7.8 ₽/слово ~1950 ₽/страница с русского на эстонский 0€/слово ~0€/страница |
Японский | с японского на русский 4. ~1125 ₽/страница с русского на японский 4.9 ₽/слово ~1225 ₽/страница с русского на японский $0.11/слово ~$27.5/страница |
Авторы: Кенни Сулеймон, менеджер по продукту, ML Kit, Тори Войт, менеджер по продукту, ML Kit, Дэниел Ферлонг, Лей Ю, Бхактиприя Радхарапу, Адриен Кук, ПО Инженеры, ML Kit, Донг Чен, технический руководитель, MLKit
Шесть месяцев назад мы представили автономную версию ML Kit SDK, которая еще больше упростила интеграцию машинного обучения на устройстве в мобильные приложения. С тех пор мы запустили API-интерфейсы распознавания цифровых чернил и определения позы, а также представили программу раннего доступа к ML Kit. Сегодня мы рады добавить Entity Extraction в официальную линейку ML Kit, а также представить новый API для нашей программы раннего доступа Selfie Segmentation!
С помощью Entity Extraction API ML Kit теперь вы можете улучшить взаимодействие с пользователем внутри своего приложения, понимая текст и выполняя над ним определенные действия.
API извлечения сущностей позволяет обнаруживать и находить сущности из необработанного текста и предпринимать действия на основе этих сущностей. API работает со статическим текстом, а также в режиме реального времени, пока пользователь печатает. Он поддерживает 11 различных сущностей и 15 различных языков (в будущем их станет больше), чтобы позволить разработчикам сделать любое текстовое взаимодействие более удобным для пользователя.
Поддерживаемые объекты
Пример результатов
Реальные приложения(Изображения предоставлены TamTam)
Наш партнер по раннему доступу, TamTam, использует Entity Extraction API, чтобы давать полезные советы своим пользователям во время их разговоров в чате. Эта функция позволяет пользователям быстро выполнять действия в зависимости от контекста их разговоров.
При интеграции этого API Юрий Дорофеев, руководитель отдела Android-разработки TamTam, отметил: «Мы оценили простоту интеграции ML Kit… и он работает в автономном режиме. Кластеризация содержимого сообщений прямо на устройстве позволила сэкономить ресурсы. Возможности ML Kit помогут нам разработать другие функции для мессенджера TamTam в будущем».
Проверьте их приложение для обмена сообщениями в Google Play и App Store сегодня.
Под капотом(Схема базового API классификатора текста)
API Entity Extraction API ML Kit основан на технологии, обеспечивающей функцию Smart Linkify в Android 10+, чтобы предоставить разработчикам простой в использовании и оптимизированный опыт. Подробный обзор API классификатора текста см. в нашем блоге здесь.
Аннотаторы/модели нейронной сети в Entity Extraction API работают следующим образом: заданный входной текст сначала разбивается на слова (на основе разделения пробелами), затем генерируются все возможные подпоследовательности слов определенной максимальной длины (15 слов в приведенном выше примере). , и для каждого кандидата оценочная нейронная сеть присваивает значение (от 0 до 1) в зависимости от того, представляет ли он действительный объект.
Затем сгенерированные сущности, которые перекрываются, удаляются, отдавая предпочтение тем, у кого более высокая оценка, а не конфликтующим с более низкой оценкой. Затем вторая нейронная сеть используется для классификации типа сущности как номера телефона, адреса или, в некоторых случаях, не сущности.
Модели нейронной сети в Entity Extraction API используются в сочетании с другими типами моделей (например, на основе правил) для идентификации дополнительных объектов в тексте, таких как: номера рейсов, валюты и другие примеры, перечисленные выше. Поэтому, если для одного текстового ввода обнаружено несколько объектов, API извлечения сущностей может вернуть несколько перекрывающихся результатов.
Наконец, ML Kit автоматически динамически загружает на устройство необходимые языковые модели. Вы также можете явно управлять моделями, которые должны быть доступны на устройстве, с помощью API управления моделями ML Kit. Это может быть полезно, если вы хотите заранее загрузить модели для своих пользователей. API также позволяет удалять модели, которые больше не требуются.
Сегментация селфи
С ростом использования селфи-камер и веб-камер в современном мире возможность быстро и легко добавлять эффекты к камерам стала необходимостью для многих разработчиков приложений.
API сегментации селфи ML Kit позволяет разработчикам легко отделить фон от сцены и сосредоточиться на том, что важно. Добавление крутых эффектов к селфи или добавление ваших пользователей в интересное фоновое окружение никогда не было таким простым. Этот API дает отличные результаты с низкой задержкой на устройствах Android и iOS.
(пример сегментации селфи ML Kit)
Основные возможности:
Чтобы присоединиться к нашей программе раннего доступа и запросить доступ к API сегментации селфи ML Kit, заполните эту форму.
ML оказало огромное влияние на различные области, и промышленность в целом не является исключением. Он улучшил процессы, уменьшил количество ошибок и потерь и открыл возможности, которые были невообразимы даже десять лет назад. Однако все еще есть отрасли, в которых применение искусственного интеллекта изучено лишь частично, а потенциал огромен, и одной из них является автомобильная промышленность. По этой причине Data Reply и FPT Industrial (в частности, группы «Устранение неполадок» и «Техническая диспетчерская» отдела обслуживания клиентов в FPT) начали проект НИОКР, проводимый многопрофильной командой и адаптированный к потребностям клиентов. Цель состоит в том, чтобы внедрить алгоритмы и конвейеры на основе машинного обучения, чтобы активировать глубокое погружение диагностики в конкретном примере, а именно в использовании подключения FPT.
FPT Industrial — компания группы IVECO, занимающаяся проектированием, производством и продажей силовых агрегатов для дорожных, внедорожных, морских и энергетических установок.
Data Reply — это компания Reply Group, которая предлагает передовые услуги для извлечения ценности из данных с помощью решений Advanced Analytics и AI. Мы создаем платформы для больших данных и внедряем модели машинного обучения и искусственного интеллекта безопасным, эффективным, воспроизводимым и масштабируемым образом, используя опыт в области проектирования больших данных, науки о данных и IPA.
Компания-клиент уже некоторое время оснащает свои автомобили блоками управления двигателем (ЭБУ), которые непрерывно собирают данные о состоянии контролируемых автомобилей. Эти данные содержат много полезной информации, которую можно использовать по-разному. В контексте этой работы мы реализовали алгоритм, направленный на извлечение понятных человеку правил, которые характеризуют и объясняют аномальный класс контролируемого набора данных с двоичными метками, полученными на предыдущем этапе обнаружения аномалий. Его можно рассматривать как расширение последнего, обеспечивающее большую интерпретируемость обнаружения аномалий и объясняющее, какие особенности отличают их от нормальных точек данных и как. Алгоритм был протестирован на парке транспортных средств с известными проблемами, чтобы получить на основе данных, описывающих работу транспортных средств, характеристику условий неисправности системы, как эффективную для выявления проблем, так и понятную для специалистов фирмы-клиента. Учитывая домен приложения, обратите внимание, что мы будем использовать термины «ошибка» и «аномалия» несколько взаимозаменяемо, хотя в целом они не являются синонимами. В этом случае предполагается, что неисправность двигателя вызывает аномалии в данных, описывающих работу транспортного средства.
В следующем разделе мы кратко рассмотрим некоторые основные понятия об обнаружении аномалий. Затем мы опишем наше новое предложение по завершению последнего с помощью слоя объяснения .
(довольно простая) проблема обнаружения аномалий…Обнаружение аномалий (или обнаружение выбросов) определяется как
«идентификация редких элементов, событий или наблюдений, которые вызывают подозрения, поскольку значительно отличаются от большинства данных».
№
Важно отметить, что выброс может не обязательно отражать негативное явление (например, банковское мошенничество), но может также идентифицировать интересное подмножество данных (например, сегмент клиентов), подлежащих исследованию. Обнаружение аномалий (AD) применяется в различных областях, из которых обнаружение ошибок является очень популярным. Эффективное и своевременное выявление проблем в производственном или технологическом процессе имеет решающее значение для оперативного вмешательства, предотвращения ущерба и, таким образом, снижения затрат. Методы обнаружения аномалий можно классифицировать по трем основным категориям подходов:
В первом подходе используются меры расстояния, чтобы найти точки данных, подозрительно удаленные от большинства других точек, в то время как второй подход по-разному опирается на понятие кластера, т. е. группа соседних точек, которые считаются похожими друг на друга. Наконец, последний подход выдвигает гипотезу о некоторой математической модели (детерминированной или стохастической) для данных и оценивает, насколько каждая точка данных соответствует ей.
Однако задача, которая обычно упускается из виду в контексте обнаружения аномалий, состоит в объяснении аномалий, таким образом жертвуя интерпретируемостью . Таким образом, система обнаружения аномалий становится так называемым «черным ящиком», которому можно доверять только вслепую. Наша работа пытается добавить шаг объяснения к фазе обнаружения. Концепция, которую мы использовали для характеристики аномалий, — это концепция правил. В контексте нашего приложения правило — это просто набор условий, которые идентифицируют неисправность на контролируемом транспортном средстве на основе значений параметров системы. Эти правила представляют собой описание самих аномалий, поэтому они полезны для изучения и анализа, чтобы получить представление о проблемах с транспортными средствами.
Наш проект состоял из реализации алгоритма извлечения правил на языке Python: его входными данными являются контролируемых наборов данных с двоичными метками, которые идентифицируют нормальных и аномальных точек данных, полученных на предыдущем этапе обнаружения аномалий. Это используется для обучения классификатора случайного леса , чтобы он изучил основные характеристики классов набора данных и построил правила, которые позволяют ему правильно классифицировать их. Затем 9Процедура 0015 эвристического поиска используется для выбора из набора всех правил RF, описывающих аномальный класс, подмножества, которое оптимизирует подходящую меру эффективности. Этот последний шаг позволяет сократить общее количество правил до управляемого уровня, сохраняя при этом как можно больше информации. Основополагающая идея алгоритма была взята из статьи Мортезы Машайехи и Робина Граса, которая изначально предназначалась для получения понятной версии случайного леса в виде набора правил. Мы внесли некоторые изменения, чтобы перепрофилировать алгоритм для извлечения правил, описывающих аномалии, в контексте конвейера обнаружения и объяснения аномалий. Алгоритм содержит несколько шагов, которые требуют тяжелых вычислений и построения больших матриц. Мы сократили связанное с этим вычислительное время, распараллелив эти задачи с помощью отличного пакета с открытым исходным кодом под названием Ray.
В (очень) общем виде алгоритм выполняет следующие шаги:
Более подробное описание шагов исходного алгоритма можно найти в статье.
Классификатор случайного леса — это популярный алгоритм классификации, широко используемый в реальных приложениях благодаря простоте и скорости на этапе подбора, высокой надежности и устойчивости к шуму и переобучению. Мы использовали реализацию, содержащуюся в Scikit-learn, что позволило нам легко выполнять последовательные шаги в конвейере, описанном выше. Мы не будем вдаваться в подробности («Введение в статистическое обучение»³ — отличный, удобный для начинающих справочник для заинтересованного читателя), а просто напомним, что RF состоит, как следует из названия, из Деревья решений , а последнее можно эквивалентно рассматривать как наборов правил , которые идентифицируют возможные классы (в случае классификации). N возможных подмножеств, если общее количество выученных правил равно N.
Обходной путь заключается в использовании некоторой эвристики для изучения «пространства» правил RF и получения неоптимального решения. В нашем случае мы использовали Stochastic Hill Climbing со случайными перезапусками, которые реализовали с нуля. Что касается показателя производительности, улучшенного с помощью эвристики, возможны различные варианты выбора правил, которые нужно получить. Это может быть некоторая мера качества отдельных правил (например, точность правила), усредненная по элементам набора, или это может быть также мера производительности (например, точность, полнота и т. д.), вычисленная для всего набора правил.
Это позволяет нам получить множество, мощность которого на несколько порядков меньше, чем у исходного пространства правил, при удовлетворительном сохранении его информации. Полученный набор правил действует как набор триггеров для новых выборок, т. е. , если выполняется хотя бы одно правило, выборка классифицируется как Аномальная, в противном случае — как Нормальная.
Мы провели несколько тестов на разных парках транспортных средств, всегда получая набор правил с такими же характеристиками Точности и Отзыва, как у оригинального RF на тестовых образцах, а иногда даже лучше. Это означает, что в процессе извлечения правила не было потеряно никакой информации относительно исходной модели RF, подогнанной к обучающим данным. Тем не менее, имея набор из 10–20 правил вместо нескольких тысяч, можно легко изучить их, чтобы понять, как выглядят аномалии и чем они отличаются от остальных точек данных.
Что касается практического примера эксплуатации, первым достижением является характеристика условий неисправности подключенной машины с точки зрения специального набора правил, включающего контролируемые параметры двигателя и системы доочистки. Наша команда называет этот шаг «фазой кодирования», что означает, что информация, содержащаяся в данных ECU, кодируется (с помощью алгоритма извлечения правил) в наборе правил, идентифицирующих аномалии.
Вторым этапом должна быть гармонизация знаний в конкретной предметной области, где работают параметры и адаптированные правила.
Об авторе