Mphasis
- 98 profils
- 9 catégories
Produits en vedette
Tous les produits et services
Cette solution analyse un corpus de texte pour prédire si une personne est un prospect potentiel pour un prêt étudiant.
Solution basée sur la vision par ordinateur pour corriger le contraste/la luminosité dans les documents numérisés afin d'améliorer la performance des pipelines de traitement de documents.
La culture d'entreprise définie comme "un ensemble de normes et de valeurs largement partagées et fortement ancrées dans toute l'organisation" est un aspect important de la relation des employés avec leur organisation. Les catégories culturelles d'entreprise les plus importantes sont : Intégrité, Travail d'équipe, Innovation, Respect, Qualité, Sécurité, Communauté, Communication et Récompense. Cette solution identifie lesquelles de ces 9 valeurs sont mentionnées dans les avis des employés. Cela permet aux organisations d'évaluer si les valeurs qu'elles prônent sont actuellement vécues par leurs employés sur le lieu de travail, et de suivre l'évolution des valeurs d'entreprise au fil du temps.
La segmentation des clients agrège les données capturées dans les détails KYC et crée des groupes de clients. Les données KYC se présentent sous diverses catégories telles que les variables géographiques, démographiques, comportementales et financières. Cette solution utilise l'apprentissage automatique pour identifier des motifs dans les données et segmenter les clients. Ces segments peuvent être utilisés pour l'analyse marketing et les campagnes.
Cette solution fournit une analyse compositionnelle et prédit le nombre d'incidents liés à chaque groupe de tickets. Les informations sur la distribution des incidents aident à une planification de capacité appropriée, entraînant une utilisation efficace des ressources.
Une fréquence élevée de problèmes peut générer un nombre écrasant de tickets et une délégation incorrecte aux équipes pour les gérer. Cela entraîne une augmentation du MTTR (temps moyen de résolution) et une baisse du FCR (résolution au premier appel). La solution atténue ces problèmes en formant un modèle d'apprentissage automatique multifactoriel qui prend en compte des facteurs tels que l'impact du ticket, l'urgence, la priorité, la description du problème et d'autres caractéristiques pour prédire le groupe le plus pertinent pour résoudre un ticket. Un ensemble de modèles est testé sur les données pour sélectionner le modèle le plus généralisable pour la tâche de classification des tickets.
Une fréquence élevée de problèmes peut générer un nombre écrasant de tickets d'application et une délégation incorrecte aux équipes pour les gérer. Cela entraîne une augmentation du MTTR (temps moyen de résolution) et une diminution du FCR (résolution au premier appel). La solution atténue ces problèmes en entraînant un modèle ML multifactoriel qui prend en compte des facteurs tels que l'impact du ticket, l'urgence, la priorité, la description du problème et d'autres caractéristiques pour prédire le groupe le plus pertinent pour résoudre un ticket. Un ensemble de modèles est testé sur les données pour sélectionner le modèle le plus généralisable pour la tâche de classification des tickets.
La prévision de l'utilisation des serveurs permet aux entreprises d'optimiser l'allocation et l'utilisation des serveurs en générant une prévision de 30 jours de l'utilisation des serveurs. Cela aide les entreprises à planifier leur stratégie d'allocation de serveurs à travers les scénarios cloud et sur site en utilisant des données historiques. Elle utilise des algorithmes d'apprentissage automatique en ensemble avec une sélection automatique de modèles. Cette solution effectue une sélection automatisée de modèles pour appliquer le bon modèle en fonction des données d'entrée, fournissant ainsi des résultats cohérents et meilleurs.
La prévision du trafic passagers génère 30 semaines de prévisions futures de passagers en utilisant des données historiques. Cette solution aidera les entreprises telles que les compagnies aériennes, les chemins de fer, les opérateurs de bus et de ferry à mieux évaluer le nombre de passagers entrants et à leur offrir une meilleure expérience de voyage. Elle utilise des algorithmes d'apprentissage automatique en ensemble avec des algorithmes de sélection de modèles automatiques. Cette solution fournit des résultats cohérents et meilleurs grâce à son approche d'apprentissage en ensemble. Cette solution effectue une sélection de modèles automatisée pour appliquer le bon modèle en fonction des données d'entrée.
Mphasis Avis
Rishab S.
Le meilleur outil de classification de texte par apprentissage profond !!
Mugdha S.
Outil impressionnant avec d'excellentes solutions !!
Chris C.
Le classificateur de texte utilisant l'apprentissage automatique pour trier les données est incroyable.
À propos
Qu'est-ce que 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.
Détails
