Выписка из егрюл пример: Как выглядит выписка из ЕГРЮЛ – фото и образец документа

  • Главная   /  Разное   /  
  • Выписка из егрюл пример: Как выглядит выписка из ЕГРЮЛ – фото и образец документа

Выписка из егрюл пример: Как выглядит выписка из ЕГРЮЛ – фото и образец документа

Выписки из ЕГРЮЛ по запросам органов государств

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"
}

Перевод выписки из ЕГРЮЛ за 1-2 дня с возможностью заверения

Азербайджанский

с азербайджанского на русский

3 ₽/слово

~750 ₽/страница

с русского на азербайджанский
русским переводчиком

3. 1 ₽/слово

~775 ₽/страница

с русского на азербайджанский
носителем языка

$0.085/слово

~$21.25/страница

Албанский

с албанского на русский

2.4 ₽/слово

~600 ₽/страница

с русского на албанский
русским переводчиком

2.8 ₽/слово

~700 ₽/страница

с русского на албанский
носителем языка

$0.1/слово

~$25/страница

Английский

с английского на русский

2.5 ₽/слово

~625 ₽/страница

с русского на английский
русским переводчиком

2.5 ₽/слово

~625 ₽/страница

с русского на английский
носителем языка

$0.11/слово

~$27.5/страница

Арабский

с арабского на русский

3. 7 ₽/слово

~925 ₽/страница

с русского на арабский
русским переводчиком

4.3 ₽/слово

~1075 ₽/страница

с русского на арабский
носителем языка

$0.12/слово

~$30/страница

Армянский

с армянского на русский

2.6 ₽/слово

~650 ₽/страница

с русского на армянский
русским переводчиком

2.8 ₽/слово

~700 ₽/страница

с русского на армянский
носителем языка

$0.1/слово

~$25/страница

Белорусский

с белорусского на русский

2.4 ₽/слово

~600 ₽/страница

с русского на белорусский
русским переводчиком

2.4 ₽/слово

~600 ₽/страница

с русского на белорусский
носителем языка

по запросу

Бенгальский

с бенгальского на русский

5 ₽/слово

~1250 ₽/страница

с русского на бенгальский
русским переводчиком

5. 5 ₽/слово

~1375 ₽/страница

с русского на бенгальский
носителем языка

$0.1/слово

~$25/страница

Болгарский

с болгарского на русский

2.6 ₽/слово

~650 ₽/страница

с русского на болгарский
русским переводчиком

2.9 ₽/слово

~725 ₽/страница

с русского на болгарский
носителем языка

$0.1/слово

~$25/страница

Боснийский

с боснийского на русский

3.2 ₽/слово

~800 ₽/страница

с русского на боснийский
русским переводчиком

3.6 ₽/слово

~900 ₽/страница

с русского на боснийский
носителем языка

0.1€/слово

~25€/страница

Венгерский

с венгерского на русский

6 ₽/слово

~1500 ₽/страница

с русского на венгерский
русским переводчиком

6 ₽/слово

~1500 ₽/страница

с русского на венгерский
носителем языка

0. 12€/слово

~30€/страница

Вьетнамский

с вьетнамского на русский

5 ₽/слово

~1250 ₽/страница

с русского на вьетнамский
русским переводчиком

5 ₽/слово

~1250 ₽/страница

с русского на вьетнамский
носителем языка

$0.12/слово

~$30/страница

Греческий

с греческого на русский

4 ₽/слово

~1000 ₽/страница

с русского на греческий
русским переводчиком

4 ₽/слово

~1000 ₽/страница

с русского на греческий
носителем языка

$0.12/слово

~$30/страница

Грузинский

с грузинского на русский

2.8 ₽/слово

~700 ₽/страница

с русского на грузинский
русским переводчиком

3. 2 ₽/слово

~800 ₽/страница

с русского на грузинский
носителем языка

$0.11/слово

~$27.5/страница

Датский

с датского на русский

4 ₽/слово

~1000 ₽/страница

с русского на датский
русским переводчиком

5 ₽/слово

~1250 ₽/страница

с русского на датский
носителем языка

0.27€/слово

~67.5€/страница

Иврит

с иврита на русский

5.6 ₽/слово

~1400 ₽/страница

с русского на иврит
русским переводчиком

4.8 ₽/слово

~1200 ₽/страница

с русского на иврит
носителем языка

0.1€/слово

~25€/страница

Индонезийский

с индонезийского на русский

4. 4 ₽/слово

~1100 ₽/страница

с русского на индонезийский
русским переводчиком

6 ₽/слово

~1500 ₽/страница

с русского на индонезийский
носителем языка

$0.14/слово

~$35/страница

Исландский

с исландского на русский

12 ₽/слово

~3000 ₽/страница

с русского на исландский
русским переводчиком

0 ₽/слово

~0 ₽/страница

с русского на исландский
носителем языка

0.15€/слово

~37.5€/страница

Испанский

с испанского на русский

3 ₽/слово

~750 ₽/страница

с русского на испанский
русским переводчиком

3.5 ₽/слово

~875 ₽/страница

с русского на испанский
носителем языка

0. 1€/слово

~25€/страница

Итальянский

с итальянского на русский

3.8 ₽/слово

~950 ₽/страница

с русского на итальянский
русским переводчиком

4 ₽/слово

~1000 ₽/страница

с русского на итальянский
носителем языка

0.09€/слово

~22.5€/страница

Казахский

с казахского на русский

2.8 ₽/слово

~700 ₽/страница

с русского на казахский
русским переводчиком

2.8 ₽/слово

~700 ₽/страница

с русского на казахский
носителем языка

по запросу

Киргизский

с киргизского на русский

3 ₽/слово

~750 ₽/страница

с русского на киргизский
русским переводчиком

3 ₽/слово

~750 ₽/страница

с русского на киргизский
носителем языка

по запросу

Китайский

с китайского на русский

4. 9 ₽/слово

~1225 ₽/страница

с русского на китайский
русским переводчиком

4.9 ₽/слово

~1225 ₽/страница

с русского на китайский
носителем языка

$0.15/слово

~$37.5/страница

Корейский

с корейского на русский

4.9 ₽/слово

~1225 ₽/страница

с русского на корейский
русским переводчиком

4.9 ₽/слово

~1225 ₽/страница

с русского на корейский
носителем языка

$0.23/слово

~$57.5/страница

Кхмерский

с кхмерского на русский

6 ₽/слово

~1500 ₽/страница

с русского на кхмерский
русским переводчиком

8 ₽/слово

~2000 ₽/страница

с русского на кхмерский
носителем языка

0. 15€/слово

~37.5€/страница

Латышский

с латышского на русский

3 ₽/слово

~750 ₽/страница

с русского на латышский
русским переводчиком

3.1 ₽/слово

~775 ₽/страница

с русского на латышский
носителем языка

$0.12/слово

~$30/страница

Литовский

с литовского на русский

2.8 ₽/слово

~700 ₽/страница

с русского на литовский
русским переводчиком

3.3 ₽/слово

~825 ₽/страница

с русского на литовский
носителем языка

0.12€/слово

~30€/страница

Македонский

с македонского на русский

3.5 ₽/слово

~875 ₽/страница

с русского на македонский
русским переводчиком

3. 5 ₽/слово

~875 ₽/страница

с русского на македонский
носителем языка

$0.12/слово

~$30/страница

Малайский

с малайского на русский

4.4 ₽/слово

~1100 ₽/страница

с русского на малайский
русским переводчиком

6 ₽/слово

~1500 ₽/страница

с русского на малайский
носителем языка

$0.15/слово

~$37.5/страница

Маратхи

с маратхи на русский

0 ₽/слово

~0 ₽/страница

с русского на маратхи
русским переводчиком

0 ₽/слово

~0 ₽/страница

с русского на маратхи
носителем языка

$0.15/слово

~$37.5/страница

Молдавский

с молдавского на русский

2. 2 ₽/слово

~550 ₽/страница

с русского на молдавский
русским переводчиком

3 ₽/слово

~750 ₽/страница

с русского на молдавский
носителем языка

$0/слово

~$0/страница

Монгольский

с монгольского на русский

3.8 ₽/слово

~950 ₽/страница

с русского на монгольский
русским переводчиком

4.6 ₽/слово

~1150 ₽/страница

с русского на монгольский
носителем языка

$0.15/слово

~$37.5/страница

Немецкий

с немецкого на русский

2.5 ₽/слово

~625 ₽/страница

с русского на немецкий
русским переводчиком

2.6 ₽/слово

~650 ₽/страница

с русского на немецкий
носителем языка

0. 11€/слово

~27.5€/страница

Нидерландский

с нидерландского на русский

3.7 ₽/слово

~925 ₽/страница

с русского на нидерландский
русским переводчиком

3.7 ₽/слово

~925 ₽/страница

с русского на нидерландский
носителем языка

0.15€/слово

~37.5€/страница

Норвежский

с норвежского на русский

5.4 ₽/слово

~1350 ₽/страница

с русского на норвежский
русским переводчиком

6 ₽/слово

~1500 ₽/страница

с русского на норвежский
носителем языка

0.13€/слово

~32.5€/страница

Персидский

с персидского на русский

5.6 ₽/слово

~1400 ₽/страница

с русского на персидский
русским переводчиком

5. 6 ₽/слово

~1400 ₽/страница

с русского на персидский
носителем языка

$0.11/слово

~$27.5/страница

Польский

с польского на русский

3.3 ₽/слово

~825 ₽/страница

с русского на польский
русским переводчиком

3.4 ₽/слово

~850 ₽/страница

с русского на польский
носителем языка

0.15€/слово

~37.5€/страница

Португальский

с португальского на русский

3.7 ₽/слово

~925 ₽/страница

с русского на португальский
русским переводчиком

4 ₽/слово

~1000 ₽/страница

с русского на португальский
носителем языка

0.1€/слово

~25€/страница

Пушту

с пушту на русский

4. 5 ₽/слово

~1125 ₽/страница

с русского на пушту
русским переводчиком

4.5 ₽/слово

~1125 ₽/страница

с русского на пушту
носителем языка

$0.15/слово

~$37.5/страница

Румынский

с румынского на русский

2.2 ₽/слово

~550 ₽/страница

с русского на румынский
русским переводчиком

3 ₽/слово

~750 ₽/страница

с русского на румынский
носителем языка

$0/слово

~$0/страница

Сербский

с сербского на русский

3.2 ₽/слово

~800 ₽/страница

с русского на сербский
русским переводчиком

3.6 ₽/слово

~900 ₽/страница

с русского на сербский
носителем языка

0. 1€/слово

~25€/страница

Словацкий

с словацкого на русский

3 ₽/слово

~750 ₽/страница

с русского на словацкий
русским переводчиком

3.2 ₽/слово

~800 ₽/страница

с русского на словацкий
носителем языка

0.1€/слово

~25€/страница

Словенский

с словенского на русский

3.3 ₽/слово

~825 ₽/страница

с русского на словенский
русским переводчиком

3.5 ₽/слово

~875 ₽/страница

с русского на словенский
носителем языка

0.095€/слово

~23.75€/страница

Таджикский

с таджикского на русский

3 ₽/слово

~750 ₽/страница

с русского на таджикский
русским переводчиком

3. 2 ₽/слово

~800 ₽/страница

с русского на таджикский
носителем языка

$0.05/слово

~$12.5/страница

Тайский

с тайского на русский

4.4 ₽/слово

~1100 ₽/страница

с русского на тайский
русским переводчиком

5 ₽/слово

~1250 ₽/страница

с русского на тайский
носителем языка

$0.13/слово

~$32.5/страница

Турецкий

с турецкого на русский

3.2 ₽/слово

~800 ₽/страница

с русского на турецкий
русским переводчиком

3.5 ₽/слово

~875 ₽/страница

с русского на турецкий
носителем языка

$0.09/слово

~$22.5/страница

Туркменский

с туркменского на русский

3. 4 ₽/слово

~850 ₽/страница

с русского на туркменский
русским переводчиком

3.6 ₽/слово

~900 ₽/страница

с русского на туркменский
носителем языка

$0.05/слово

~$12.5/страница

Узбекский

с узбекского на русский

2.8 ₽/слово

~700 ₽/страница

с русского на узбекский
русским переводчиком

3.1 ₽/слово

~775 ₽/страница

с русского на узбекский
носителем языка

$0.05/слово

~$12.5/страница

Украинский

с украинского на русский

2.4 ₽/слово

~600 ₽/страница

с русского на украинский
русским переводчиком

2.4 ₽/слово

~600 ₽/страница

с русского на украинский
носителем языка

по запросу

Урду

с урду на русский

0 ₽/слово

~0 ₽/страница

с русского на урду
русским переводчиком

0 ₽/слово

~0 ₽/страница

с русского на урду
носителем языка

$0. 15/слово

~$37.5/страница

Финский

с финского на русский

5.5 ₽/слово

~1375 ₽/страница

с русского на финский
русским переводчиком

6 ₽/слово

~1500 ₽/страница

с русского на финский
носителем языка

$0.12/слово

~$30/страница

Французский

с французского на русский

2.6 ₽/слово

~650 ₽/страница

с русского на французский
русским переводчиком

2.8 ₽/слово

~700 ₽/страница

с русского на французский
носителем языка

0.085€/слово

~21.25€/страница

Хинди

с хинди на русский

7 ₽/слово

~1750 ₽/страница

с русского на хинди
русским переводчиком

8 ₽/слово

~2000 ₽/страница

с русского на хинди
носителем языка

$0. 1/слово

~$25/страница

Хорватский

с хорватского на русский

3.2 ₽/слово

~800 ₽/страница

с русского на хорватский
русским переводчиком

3.6 ₽/слово

~900 ₽/страница

с русского на хорватский
носителем языка

0.08€/слово

~20€/страница

Черногорский

с черногорского на русский

3.2 ₽/слово

~800 ₽/страница

с русского на черногорский
русским переводчиком

3.6 ₽/слово

~900 ₽/страница

с русского на черногорский
носителем языка

0.1€/слово

~25€/страница

Чешский

с чешского на русский

3.4 ₽/слово

~850 ₽/страница

с русского на чешский
русским переводчиком

3. 8 ₽/слово

~950 ₽/страница

с русского на чешский
носителем языка

0.08€/слово

~20€/страница

Шведский

с шведского на русский

3 ₽/слово

~750 ₽/страница

с русского на шведский
русским переводчиком

3.1 ₽/слово

~775 ₽/страница

с русского на шведский
носителем языка

0.18€/слово

~45€/страница

Эстонский

с эстонского на русский

3.8 ₽/слово

~950 ₽/страница

с русского на эстонский
русским переводчиком

7.8 ₽/слово

~1950 ₽/страница

с русского на эстонский
носителем языка

0€/слово

~0€/страница

Японский

с японского на русский

4. 5 ₽/слово

~1125 ₽/страница

с русского на японский
русским переводчиком

4.9 ₽/слово

~1225 ₽/страница

с русского на японский
носителем языка

$0.11/слово

~$27.5/страница

Блог разработчиков Google: объявление о новейшем дополнении к MLKit: извлечение объектов

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

  • Адрес (350 третья улица, Кембридж)
  • Дата-время* (12.12.2020, завтра в 15:00) (давайте встретимся завтра в 18:00)
  • Электронная почта (entity-extraction@google. com)
  • Номер рейса* (LX37)
  • IBAN* (CH52 0483 0000 0000 0000 9)
  • ISBN* (978-1101904190)
  • Деньги (включая валюту)* (12 долларов США, 25 долларов США)
  • Платежная карта* (4111 1111 1111 1111)
  • Номер телефона ((555) 225-3556, 12345)
  • Номер отслеживания* (1Z204E380338943508)
  • URL-адрес (www.google.com, https://en.wikipedia.org/wiki/Platypus, seznam.cz)

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.

Скоро появятся новые API

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:

  • Позволяет разработчикам легко заменять или размывать фон пользователя.
  • Хорошо работает с одним или несколькими людьми
  • Кроссплатформенная поддержка (iOS и Android)
  • Работает в режиме реального времени на большинстве современных телефонов

Чтобы присоединиться к нашей программе раннего доступа и запросить доступ к API сегментации селфи ML Kit, заполните эту форму.

Как понять аномалии данных с помощью случайных лесов | Data Reply IT

Как Data Reply и FPT Industrial объединились для применения инновационных методов машинного обучения в автомобильной сфере

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:

  • На основе расстояния
  • На основе кластеризации
  • На основе модели

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:

  1. Подгонка случайного лесного классификатора к размеченным данным (с классами, представляющими нормальные и аномальные точки данных)
  2. Разбивает RF на части, разделяя его по всем правилам что оно состоит из
  3. Отфильтровать полученные правила, оставив только те, которые характеризуют аномальный класс
  4. Присвоить оценку каждому правилу
  5. Для фиксированного количества случайных перезапусков: выполнить эвристический поиск в пространстве правил RF , оптимизируя некоторые показатели производительности. Исследование пространства руководствуется баллами правил, полученными на предыдущем шаге 9.0024
  6. Проверка оптимального набора правил на тестовой выборке

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

alexxlab administrator

Оставить ответ

© 2019 ICQ Information Center