利资欧研发
机器学习和数据科学是我们研发政策的核心。
利资欧的人工智能
自公司成立以来，利资欧 (Lizeo Group) 在研发方面投入了大量资金，并将其应用于我们每天收集的海量数据。
因此我们自然而然地开发出了许多机器学习算法。大多数是我们在内部工作或论文之后在各种国内和国际会议上发表的科学出版物的具体实施。
- 2018年3月发表了一篇关于异常检测的论文
- 2021年3月发表了一篇关于多标签学习自动标注的论文
- 另一位博士生于2023年2月就主题建模进行了答辩
- 自 2014 年以来，在 SFC、EGC、Cap、IJCNN、KDD、ICML、MDAI 和 IEEE TNNLSE 上发表了 24 篇科学出版物。
关于人工智能这一主题，在利资欧，我们使用术语“机器学习”。因此，我们十多年来一直在开发“人工智能”解决方案，无论是在监督学习（即根据指定算法，为每个输入数据提供一个期望的输出值）还是在无监督学习层面（使用机器学习算法来分析未标记的数据集并进行聚类）。
无监督算法示例
在一组文件中发现主题
为此，Palencia-Olivar等人于2021 年基于原始的主题建模方法开展工作，然后将其开发为特定的嵌入式层次狄利克雷过程(EHDP)。
价格时间序列集合中异常值的检测
我们希望摆脱传统方法，即删除全局异常点(虚线区域)，而不一定是相对于其他点而言的异常点(实线区域)。事实上，同一产品的大多数价格上涨并不一定是一个错误，而如果某些价格在局部变得不一致，那么这可能才是真正的问题。为此，我们开发了 LADOP，并于 2021 年在科学期刊《IEEE Transactions on Neural Networks and Learning Systems》上发表。
监督算法示例
在参考数据库中匹配从网站上抓取的产品
匹配过程是将一对数据流进行输入，这些数据流通常被命名为“referential”和“tomatch”。预期结果是一个流，包含一对带有分数的列表 (tomatch.id, referential.id) 以及基于分数值的潜在选择（真或假）。
为此，我们开发了自己的通用匹配算法，用于不同的结构化数据流，例如广告分类或从网站收集的车辆数据流。
自动鉴定用户评论
这种方法需要一个学习阶段，用具有相关主题和语气的合格文本库来创建资格模型。
推理阶段只是使用之前学习的模型来鉴定新文本。
显然，我们对当前超大型语言模型（如 ChatGPT）的爆炸式增长并非无动于衷。我们将它们作为互补的构建模块进行评估和整合，但始终保持科学和批判的眼光。
例如，对于评论的自动限定，我们比较了各个领域的不同版本的 GPT，结果有时非常令人惊讶。例如，在轮胎领域，最新的OpenAI模型的结果比之前的模型弱了一倍。因此，系统地测试并持续关注模型开发至关重要。
机器学习和数据科学是我们研发的核心
为了帮助您从市场数据中获取最高的附加值，我们始终处于大数据、数据科学、机器学习、人工智能和深度学习领域研究的前沿。
预测市场变化并调整策略
我们的数据科学家团队建立了一个模型和算法库，以便形成以下趋势：
- 价格和市场成交量
- 购买行为和客户概况
- 产品生命周期
检测并分析消费者的期望
我们先进的人工智能和语义分析技术能够深入分析消费者对话线索，以提取：
- 指定实体（品牌、产品、零售商等）
- 产品属性
- 感受（积极或消极）