Mphasis
- Perfiles de 98
- Categorías de 9
Productos Destacados
Todos los Productos y Servicios
Esta solución analiza un corpus de texto para predecir si una persona es un posible candidato para un préstamo educativo.
Solución basada en visión por computadora para corregir el contraste/brillo en documentos escaneados para mejorar el rendimiento de las cadenas de procesamiento de documentos.
La cultura corporativa definida como "un conjunto de normas y valores que son ampliamente compartidos y fuertemente sostenidos en toda la organización" es un aspecto importante de la relación de los empleados con su organización. Las categorías culturales corporativas más importantes son: Integridad, Trabajo en equipo, Innovación, Respeto, Calidad, Seguridad, Comunidad, Comunicación y Recompensa. Esta solución identifica cuáles de estos 9 valores se mencionan en las reseñas de los empleados. Esto permite a las organizaciones evaluar si los valores que promueven son actualmente experimentados por sus empleados en el lugar de trabajo y seguir los cambios en los valores corporativos a lo largo del tiempo.
La segmentación de clientes agrega los datos capturados en los detalles de KYC y crea grupos de clientes. Los datos de KYC vienen en varias categorías, como variables geográficas, demográficas, de comportamiento y financieras. Esta solución aprovecha el aprendizaje automático para identificar patrones en los datos y segmentar a los clientes. Estos segmentos pueden ser utilizados para análisis de marketing y campañas.
Esta solución proporciona análisis composicional y predice el número de incidentes relacionados con cada grupo de tickets. Los conocimientos sobre la distribución de incidentes ayudan en la planificación adecuada de la capacidad, resultando en una utilización eficiente de los recursos.
Una alta frecuencia de problemas puede generar un número abrumador de tickets y una delegación incorrecta a los equipos para manejarlos. Esto lleva a un aumento en el MTTR (tiempo medio para resolver) y una disminución en el FCR (resolución en la primera llamada). La solución mitiga estos problemas entrenando un modelo de ML multifactorial que considera factores como el impacto del ticket, la urgencia, la prioridad, la descripción del problema y otras características para predecir el grupo más relevante para resolver un ticket. Se ejecuta un conjunto de modelos a través de los datos para seleccionar el modelo más generalizable para la tarea de clasificación de tickets.
Una alta frecuencia de problemas puede generar un número abrumador de tickets de aplicación y una delegación incorrecta a los equipos para manejarlos. Esto lleva a un aumento en el MTTR (tiempo medio para resolver) y una disminución en el FCR (resolución en la primera llamada). La solución mitiga estos problemas entrenando un modelo de ML multifactorial que considera factores como el impacto del ticket, la urgencia, la prioridad, la descripción del problema y otras características para predecir el grupo más relevante para resolver un ticket. Se ejecuta un conjunto de modelos a través de los datos para seleccionar el modelo más generalizable para la tarea de clasificación de tickets.
La previsión de utilización del servidor permite a las empresas optimizar la asignación y utilización del servidor generando 30 días de pronóstico futuro del uso del servidor. Esto ayuda a las empresas a planificar su estrategia de asignación de servidores en escenarios en la nube y locales utilizando datos históricos. Utiliza algoritmos de ML en conjunto con selección automática de modelos. Esta solución realiza una selección automática de modelos para aplicar el modelo adecuado basado en los datos de entrada, proporcionando así resultados consistentes y mejores.
La previsión de tráfico de pasajeros genera 30 semanas de pronóstico futuro de pasajeros utilizando datos históricos. Esta solución ayudará a empresas como aerolíneas, ferrocarriles, operadores de autobuses y ferris a evaluar mejor el número de pasajeros entrantes y proporcionarles una mejor experiencia de viaje. Utiliza algoritmos de aprendizaje automático en conjunto con algoritmos de selección automática de modelos. Esta solución proporciona resultados consistentes y mejores debido a su enfoque de aprendizaje en conjunto. Esta solución realiza una selección automática de modelos para aplicar el modelo correcto basado en los datos de entrada.
Mphasis Reseñas
Patric G.
Detector de Defectos de PCB Eficiente y Confiable
Shivani S.
Business analysis and product management ,CSPO®, AWS cloud practitionerConsultores que utilizan el análisis de predicciones de abandono de clientes.
Dhaivat S.
Deeplnsights text paraphraser: uno de los mejores plataformas que mejora mi texto.
Acerca de
¿Qué es Mphasis?
Mphasis Stelligent, with its website located at https://stelligent.com/, specializes in providing DevOps automation and continuous delivery solutions on the Amazon Web Services (AWS) cloud platform. As part of Mphasis, a larger IT services company, Stelligent focuses on helping clients automate and accelerate the development, testing, and deployment of applications within AWS environments. Their suite of services includes consulting, engineering, and automation expertise to implement secure and scalable CI/CD pipelines, facilitating a faster go-to-market strategy for enterprises across various sectors. Stelligent's approach integrates tightly with AWS technologies, offering tools and practices that enhance the cloud capabilities of their customers, ensuring efficient and innovative cloud-based solutions.
Detalles
