Formuläret har skickats in framgångsrikt.
Ytterligare information finns i din brevlåda.
Innowise har uppdaterat en mängd webbappar som täcker mode, konst, arkitektur, mat, hälsa och mycket mer och utnyttjat AI-funktioner för text-till-bild-generering och innehållsrekommendationer.
Vår kund är en framstående mediekoncern som producerar digitalt innehåll med en betydande närvaro i Danmark, Norge, Sverige och Finland. De publicerar magasin, tidningar och digitala medier som täcker livsstil, underhållning, hälsa och aktuella frågor, gratis eller via prenumeration.
Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.
I takt med att trenden mot digitala media konsumtionen fortsatte att öka, stod kunden inför utmaningen att hålla jämna steg med förändringen. De behövde säkerställa att deras digitala plattformar inte bara var tillgängliga utan också tillräckligt engagerande för att skapa en mer meningsfull kontakt med deras målgrupp. Med tusentals besökare varje månad ville de göra sina webbapplikationer mer interaktiva, visuellt attraktiva och användarvänliga, åtgärda innehållsmässiga avvikelser och förbättra den övergripande hanterbarheten.
Utöver detta visade de intresse för att implementera artificiell intelligens i deras arbetsflöden för att leverera mer relevant innehåll och minska driftskostnaderna.
I det första steget granskade Innowise kundens ekosystem för digitala medier för att åtgärda uppenbara inkonsekvenser och hitta områden som kunde förbättras. Förutom att åtgärda fel med navigering, sidhastighet, SEO-konsistens, innehållspresentation med mera, påbörjade vårt projektteam migreringen till Labrador CMS. Genom "headless CMS"-arkitekturen är innehållsarkivet och presentationslagret separerade, vilket gör denna plattform till en idealisk lösning för moderna digitala publicister som upplever snabb tillväxt.
Innowise har uppdaterat en webbapplikation som erbjuder en omfattande guide till hela hem, som täcker inredningsdetaljer, arkitektur och konst. Som en ledande publikation och onlineplattform är detta digitala media fortfarande en go-to-källa för innovativ arkitektur i privata hem.
Vi har moderniserat webbappen som ger nya insikter om barns utveckling och tillväxt. Den hjälper mammor genom alla faser - från graviditet till tonåren — att göra resan till moderskapet mer tillfredsställande.
Dessa digitala medier har samlat in, utvärderat och levererat de senaste och mest avgörande uppdateringarna om hälsa, motion, skönhet och näringslära. Vårt projektteam har omarbetat livsstilskanaler, inklusive artiklar och inslag om att upprätthålla en hälsosam livsstil, kostråd, träningstips och psykologiskt välbefinnande.
Detta media är en bra matchning för att hålla sig informerad om kungafamiljens uppdateringar och den svenska underhållningsscenen. I över ett decennium har webbapplikationen varit en pålitlig källa till kungliga nyheter och har så småningom utvecklats till en framstående nyhetskanal för Sveriges mest spännande kändisar och underhållningspersonligheter, som regelbundet visas på TV.
Eftersom professionell fotografering medför kostsamma utgifter, inklusive skickliga fotografer, erfarna stylister, rekvisita, utrustning och studioinställningar, föreslog Innowise att man skulle utveckla en ny lösning för att eliminera behovet av manuellt arbete.
Vårt projektteam valde StabiliffusionXLoch GPT-3.5 för att generera högkvalitativa bilder från textmeddelanden. Inledningsvis samlade vi in föräldrabilder som referens och använde LoRA (low-rank adaptation of large language models) för att generera realistiska bilder. Därefter skapade vi ett användarvänligt text-till-bild-gränssnitt för att interagera med modellen.
AI använder LLM- och NLP-tekniker för att förstå textmeddelandet och förstå dess innehåll, sammanhang och nyanser. Sedan tolkar den de funktioner som beskrivs i texten, t.ex. objekt, färger, texturer och rumsliga relationer, för att skapa verklighetstrogna bilder baserat på korrelationer mellan textbeskrivningar och visuella element. Om slutresultatet inte motsvarar förväntningarna finslipar vi AI-modellen kontinuerligt baserat på feedback och resultat för att uppnå tillfredsställande resultat.
Vi uppnådde följande resultat när våra ML-specialister finjusterade arbetsflödet för bildgenerering baserat på uppmaningarna.
Exempel 1: "Biff med tillbehör, uppifrån och ned, naturligt ljus, på en slät tallrik, enkelt och elegant, fångat som ett foto taget med Canon EOS R och 50 mm objektiv mot en helt vit bakgrund med mjuka skuggor, 8k upplösning, äkta textur och detaljrikt foto, hög vinkel."
Exempel 2: "Makrofotografi med närbild av en läcker lasagne, med lager av perfekt kokta nudlar, smakrik köttfärs och en blandning av tre kladdiga, smälta ostar. Tillsätt en hemlagad tomat- och köttfärssås och en krämig blandning av ricotta, mozzarella och parmesan. Gör såsen med tomatpuré, vatten, socker, basilikablad, fänkålsfrön, italiensk kryddblandning, salt, peppar och färsk persilja. Använd en Canon EOS 5D Mark IV och ett Canon EF 100mm f/ 2. 8L Macro IS USM-objektiv för att fånga den här italienska rättens intrikata lager och livfulla färger. Belys scenen med varm, mjuk belysning för att framhäva rättens behagliga karaktär."
När vår kund stod inför minskat användarengagemang, problem med att behålla kunder och brist på idéer för värdefullt innehåll implementerade vi ett AI-drivet system för innehållsrekommendationer. Det samlar in användardata, inklusive webbhistorik, sökfrågor, interaktioner (som klick, gilla-markeringar och delningar), köphistorik och demografisk information. AI-systemet använder den insamlade datan för att skapa en profil för varje användare, som sammanfattar deras preferenser, intressen och beteendemönster.
I nästa steg analyserar AI användardata genom att kombinera algoritmer som kollaborativ filtrering, deep learning-rekommendationsmaskiner och en hybridmetod.
Samverkande filtrering ger rekommendationer baserade på beteendet hos andra användare med liknande profiler eller preferenser. Om användare A till exempel gillar vissa artiklar och användare B har liknande smak som användare A, kan systemet rekommendera dessa artiklar till användare B.
Metoden med djupinlärda rekommendationer samlar i sin tur in stora mängder data om användarnas beteende och interaktioner, inklusive preferenser, klick, sökningar, gillanden och andra relevanta åtgärder. Sedan skapar deep learning-modeller användarprofiler och föreslår innehållsrepresentationer genom att analysera insamlade data. Detta tillvägagångssätt identifierar komplexa mönster som traditionella algoritmer kan missa, vilket möjliggör en mer nyanserad förståelse av användarnas preferenser.
Hybridmetoden kombinerar kollaborativa och djupinlärda rekommendationsmaskiner för att förbättra rekommendationernas noggrannhet och övervinna begränsningarna hos enskilda metoder.
Vårt team såg till att systemet kände igen användarens preferenser och justerade rekommendationerna baserat på historiska data och aktuella trender för att förutse vilket innehåll som skulle passa målgruppen.
Front-end
CSS, Next.js, React, Typescript, Labrador CMS
Back-end
Node.js
DE/ML
Python, PyTorch, Keras, NVIDIA TensorRT, NVIDIA DLRM, HuggingFaces, Spacy, Openai API (GPT-3.5), StableDiffusionXL, Docker, Docker Compose, Tensorboard
CI/CD
AWS, Cloudflare, Vercel för närvarande
Med hjälp av Agile-metodik delade vi upp projektet i flera steg, vilket avsevärt förbättrade flexibiliteten, kommunikationen och kundnöjdheten.
Under den iterativa diskussionen under upptäcktsfasen fick vi en omfattande förståelse för kundens krav och definierade tydligt projektets omfattning.
I designfasen kan våra duktiga UI/UX-designers skapade användarberättelser, kundresekartor och inledande designmodeller för att öka användarnas engagemang och eliminera befintliga inkonsekvenser i webbapplikationer. Designsprintar underlättade snabb prototypframtagning och insamling av feedback, vilket är viktigt i agila miljöer.
Med sprintar på två veckor omfattade utvecklingsfasen dagliga standups, sprintplanering och retrospektiv. Funktionella komponenter levererades efter varje sprint, vilket markerade specifika milstolpar. Projektteamet höll dagliga standup- och sprintgenomgångar för kunddemonstrationer via Google Meet samtidigt som de hanterade uppgiftsprioriteringar i Jira och upprätthöll projektdokumentation i Confluence.
2
Produktägare
1
Teknisk ledare
1
Tillväxtanalytiker
1
Scrum Master
2
Back-end utvecklare
4
Front-end-utvecklare
2
UI/UX-designers
2
ML-utvecklare
1
Cloud Lösningsansvarig
Innowise moderniserade kundens ekosystem av webbapplikationer och gjorde det mer bekvämt och attraktivt för slutanvändarna. Vi migrerade kundens digitala system till Labrador CMS, som är särskilt lämpat för digitala publikationer med hög trafik när det gäller intuitivt gränssnitt, användarvänlighet, kostnadseffektivitet och funktionalitet. Dessutom implementerade vi en text-till-bild-generativ AI som omvandlar skriftliga beskrivningar till motsvarande bilder utan kostsam professionell fotografering. Vi har också utvecklat ett AI-drivet rekommendationssystem som föreslår innehåll som är anpassat efter användarens individuella preferenser, beteenden och intressen.
Detta resulterade i ökat användarengagemang genom att relevant och intressant innehåll föreslogs utan inkonsekvenser och fel i olika digitala kontaktpunkter.
12%
inflöde av månatliga besökare
66%
minskade kostnader för professionell fotografering
Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.
Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.
Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.
Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.
Genom att registrera dig godkänner du våra Användningsvillkor och Integritetspolicy, inklusive användning av cookies och överföring av din personliga information.
2007-2024 Innowise. Alla rättigheter förbehållna.
Integritetspolicy. Policy för cookies.
Innowise Sp. z o.o Ul. Rondo Ignacego Daszyńskiego, 2B-22P, 00-843 Warszawa, Polen
Tack!
Ditt meddelande har skickats.
Vi behandlar din begäran och kontaktar dig så snart som möjligt.
Tack!
Ditt meddelande har skickats.
Vi behandlar din begäran och återkommer till dig så snart som möjligt.