FT Park z.ú.

je organizací pro výzkum a šíření znalostí.



Byl založen v roce 2016 za účelem realizace a podpory výzkumu, vývoje a inovací v oblasti informačních a komunikačních technologií, hardware a software. Prostřednictvím transferu znalostí přispívá ke vzniku nových podnikatelských subjektů a podporuje stávající znalostně intenzivní podniky a projekty. Usiluje o zlepšení konkurenceschopnosti českých firem, jejich propojení se soukromými investory, akademickou sférou a dalšími výzkumnými pracovišti.



Publicita:

Klíčové aktivity:

Transfer znalostí:

Transferujeme znalosti do znalostně intenzivních podniků, start-up a spin-off společností. Pomáháme organizovat spolupráci při výzkumu a poskytujeme související poradenství. V roce 2019 jsme zrealizovali 3 transfery technologie.
Poskytujeme podporu při zakládání společností a dodržování právních předpisů v regulovaných oborech. Uvádíme vědecké a technické poznatky do praxe, sami nebo ve spolupráci s partnery.

Vlastní nezávislý aplikovaný výzkum

Realizujeme vlastní nezávislé aktivity v oblasti průmyslového výzkumu a experimentálního vývoje. Záměřujeme se na oblast design thining, algoritmizace a datově orientované projekty. V praktické rovině se věnujeme zejména VaV v oblasti hardware, software, internetu věcí (IoT), strojového učení (machine learning), elektrotechnických zařízení a v dalších příbuzných oblastech. Máme k dispozici vlastní nezávislou labortoř pro uživatelské testování Nově jsme se pustili do aktivit v oblasti kybernetické bezpečnosti.

Poskytování výzkumných služeb

V rámci doplňkové hospodářské činnosti nabízíme zpracování odborných analýz, testování nebo realizaci smluvního výzkumu. V této oblasti jsme realizovali například uživatelský výzkum software pro bankovnictví nebo jsme analyzovali možnosti vizualizace dat.

Infrastruktura

Máme k dispozici zázemí podnikatelského inkubátoru, odborného pracoviště pro výzkum a vývoj, UX testovací laboratoř, počítačové školicí středisko, právní poradenství i centrum pro transfer technologií. Více informací je možné najít na www.xtpark.cz

Výsledky VaV

Přehled výzkumu

DataHub

Nástroj pro sběr, zpracování a využití dat z IoT technologií ve veřejném sektoru (Smart City). Integrace dat z IoT senzorů a z registrů veřejných institucí.



Algoritmus zpětného učení

Rekomendační algoritmus se zpětným (oboustranným) učením. Systém iterovaných analýz dat o chování ekonomických ukazatelů a následné automatické vyhodnocení dopadů těchto změn na dosažení požadovaných ekonomických výsledků společnosti.

FT Park rozpracoval svůj nápad rekomendačního algoritmu v oblasti, která je v souladu s účelem i předmětem činnosti ústavu a směřuje mimo akcent jeho účelu (tj. mimo oblast zdravotnictví). Na základě zkušeností ředitele FT Park s předchozími úkoly v oblasti tvorby ekonomických IT systémů byl rozpracován výzkumný nápad rekomendačního algoritmu, u kterého byl nalezen nový prostor pro komercializaci zařazením zpětného učení.

Využití Konceptu pro výpočet ekonomických ukazatelů není závislé na zvolené aplikaci, protože jde o výpočetní algoritmus, který lze napojit na různé zdroje dat. Detail fungování algoritmu si lze představit jako opakující se analýzy dat o chování ekonomických ukazatelů v závislosti na provedených změnách v nastavení cenotvorby a následné automatické vyhodnocení dopadů těchto změn na dosažení požadovaných ekonomických výsledků společnosti. Nezbytnou vlastností RA je neustálé učení při každé změně v nastavení cenotvorby. Učení probíhá 2 směry (interakcí/feedbackem uživatele, automatickým vyhodnocením změn v nastavení cenotvorby). Další možný způsob, jak algoritmus učit, je vkládání výsledků analýz ekonomických ukazatelů, například elasticity poptávky na změnu cen, manuálně přímo do algoritmu. Ten poté tyto výsledky poté použije pro vytváření návrhů změn v cenotvorbě.



Rozpracovaný algoritmus pro analýzu Loyalty Specification

V prostředí dnešní silné konkurence je obtížné udržet rozdílnost výrobků a zákazníci se tak zaměřují na cenové rozdíly. Informace jsou dnes velmi snadno dostupné, spotřebitelé například hojně využívají na internetu srovnávače cen, kde se jim během pár chvil zobrazí veškeré informace o produktech a je vyhodnocena ta nejvýhodnější nabídka na trhu. V tomto případě se věrnostní program společnosti stává zvlášť významný a bonusy jsou prostředkem k zaměření pozornosti zákazníka na jiné aspekty než na cenu a k získání jeho loajality

Velký zlom nové éry věrnostních programů sahá do počátku 80. let 20. století, konkrétně do roku 1981, kdy letecká společnost American Airlines zahájila program Frequent Flier (česky častý pasažér). Účastníci tohoto programu získali za každý let určitý počet kreditů podle letových vzdáleností v mílích. Nasbírané body mohly dosáhnout až takového počtu, že vznikla možnost získat letenku zdarma pro jeho účastníka nebo členy jeho rodiny. Zákazníci této společnosti byli tak motivováni k jejich loajalitě díky možnosti využití této výhody. Tento program je typickým příkladem pro bodový typ věrnostního programu. Dnes jsou věrnostní programy využívány hojně ve všech oblastech, od zmiňovaných leteckých společností až po maloobchodní řetězce. Hojnost využívání a oblíbenost také u českých spotřebitelů dokazuje průzkum společnosti MasterCard. Češi podle tohoto průzkumu, který byl realizován v listopadu 2015 na reprezentativním vzorku 1 000 respondentů internetové populace, nejčastěji vlastní dvě až čtyři karty, přičemž alespoň jednu věrnostní kartu má 92 % Čechů. Vzhledem k počtu karet a přeplněným peněženkám by 72 % Čechů uvítalo sloučení věrnostních karet do karty platební. I když počet karet na osobu jednu osobu vychází čtyři, lidé v průměru používají pouze 2,5 věrnostní karty. Z průzkumu také vyplynulo, že ženy jsou častějšími držitelkami a věkově je nejsilnější skupina 35-44 let. Jak již bylo uvedeno v předchozí kapitole, věrnostní programy jsou jedním z nástrojů podpory prodeje. Oproti ostatním nástrojům se liší jedním důležitým znakem, kterým je dlouhodobost. Věrnostní program je dlouhodobý proces působení na zákazníka a získávání jeho věrnosti. Ostatní nástroje jako kupony, vzorky, prémie, reklamní dárky jsou na zákazníka zaměřeny pouze krátkodobě a mají okamžitý efekt. Věrnostní program je určený obzvlášť pro stálé zákazníky, kterým je za jejich věrnost poskytnuta k produktu či službě nějaká přidaná hodnota. Aby zákazník mohl využívat těchto odměn, musí splňovat samozřejmě určité podmínky daného věrnostního programu. Při zřizování věrnostní karty je zákazník povinen udat své základní osobní údaje. Bohužel v praxi společnosti s daty o svých zákaznících pracují velmi málo nebo dokonce vůbec. Je to velmi náročná práce, která nepřináší okamžité výsledky, ale pokud s nimi organizace dokáže pracovat, může být jejich program vysoce efektivní a atraktivní oproti konkurenci. Údaje o zákaznících jsou ovšem důležitější, než si většina organizací myslí. Díky elektronické věrnostní kartě získává informace o každém nákupu daného zákazníka a může tak sledovat jeho nákupní chování. Na základě těchto dat může věrnostní program personifikovat, kdy zákazníkovi zasílá relevantní nabídky související s jeho uskutečněným nákupem a je zde velká pravděpodobnost, že by mohl nabídky využít. Důležité jsou i sociodemografické údaje, které by měly sloužit k segmentaci zákazníků a přistupovat tak ke každé skupině trošku odlišně. To se bohužel u většiny věrnostních programů neděje. Co se týče náročnosti, vybudovat fungující věrnostní program, který bude naplňovat stanovené cíle, je pro mnohé organizace opravdu tvrdým oříškem. Následující řádky jsou věnovány základním problémům, se kterými se provozovatelé věrnostních programů potýkají.




SiteBuilder - Architektura

Datový model SiteBuilderu popisuje kompletní strukturu sitebuilderu, všechna data, která jsou potřebná k vykreslení a ke komunikaci se serverem. Jsou to tři objekty: SiteInfo (popisuje celou site, resp. data aktuálního zákazníka), SelectedPage (popisuje aktuální stránku) a Builder (popisuje data dostupná pro UI Builderu - tj. všechno, co se má zobrazit k výběru při tvorbě stránky).

Architektura RIA SiteBuilder

RIA SiteBuilder = Aplikace na úrovni webového prohlížeče v JS, komunikace s vrstvou PHP Nette pomocí REST (přes adresu URL), vytvoření stránek ve struktuře Header, Content area s n-sloupcovou sazbou a Footer, Content area se skládá z boxů obsahujících Widgety.

Generování statických HTML stránek.


SiteBuilder Nette Form Editor (NFE)

Náš vlastní sitebuilder, kde se používají formuláře v Nette pro sestavení a editaci webu - varianta pro nasazení v BackOffice. Využívá stejné API jako RIA SiteBulder (JavaScript).


Data API -> Sitebuilder

  • SB využívá jedinou funkci API a to builder_init, jež vrací kompetní informace o stránce
  • po rozbalení dat z JSONu má SB k dispozici pole veškerých dat o stránce a vybrané page
  • daty naplní jednotlivé formuláře
  • při jakékoliv změně SB znovu načítá všechny data -> refresh celé stránky

  • Data Sitebuilderu -> API

  • SB využívá servisy API pro Pixyho
  • pomocí cURL volá příslušné url API a $_POSTem posílá změněné parametry
  • stavové hlášky (i s Pixyho verzí) -> návrat volání fce při jiném než kladném výsledku (vyřešeno pomocí stavových kódů, Formát je: JSON pole s prvky "status" a "data".

  • status:

  • 1 OK
  • 0 chyba při volání fce, nesprávné/chybějící parametry
  • -1 chyba autorizace (neplatná session)

  • data:

  • status = 1, očekávaná data
  • status = 0, data popis chyby (ještě není implementováno do všech fcí)
  • status = -1, data nic
  • {"status":0,"data":"id_site and id_template arguments must be passed; via POST method"}




    Rozpracovaný algoritmus pro vytvoření HR programu

    Pomocí algoritmu vznikne HR program, který bude sloužit společnostem při nabírání nových zaměstnanců i pro lepší orientaci v současné strukuře.

    HR program bude sloužit jako živá databáze získáných CV. Podle klíčových slov, obor, znalostí, dovedností, zkušeností a jiných atriibutů důležitých pro nabírání nových zaměstnanců, bude možné vyhledat a tímpádem doporučit vhodnou osobu na neobsazenou pozici. Zároveň systém dokáže pracovat s informacemi získánými během pracovníc pohorů na jiné pozice. Dojde tedy k přímém oslovování vhodných kandidátů napříč různou typologií pozic, na které se hodí a mají pro ně dané kompetence



    Algoritmus strojového učení (ML) v bioinformatice

    Bioinformatika je dnes primárně o datech. Hlavním problémem dnes je jejich samotné zpracováním, které je

    Pro řešení problému s přebytečným datovým tokem jsou nejvhodnější dva způsoby.

    Je možné zvýšit počet serverů pro ukládání a zpracování dat. Povolit kompresi. Vývoj vlastních algoritmů archivace dat. Přichází však další problém - s rostoucím počtem serverů se zvyšuje také čas potřebný k nalezení určité informace. Dobrou zprávou je, že strojové učení by mohlo urychlit výkon algoritmu vyhledávače.Obrovské společnosti jako Google, Facebook a Amazon používají algoritmy vlastního vyhledávače již řadu let. Co se týká společnosti Google, algoritmus vyhledávače je klíčem k úspěchu společnosti. Jako základní technologii využívá strojové učení ke zpracování rozsáhlých řetězců dat na celém světě. Mimochodem, už jsme vyřešili úkol zdokonalení algoritmu vyhledávače pro jednoho z našich klientů.

    Druhým způsobem je způsob jak vypočítat „hodnotu“ dokumentu. Účelem výpočtu hodnoty je klasifikovat dokumenty podle jejich relevance a odstranit dokumenty s nízkou důležitost. Vzorec by se měl vypočítat samostatně pro každou skupinu dokumentů. Je téměř nemožné to udělat ručně. Všimněte si také vysoké možnosti udělat chybu, zejména pokud se dokument týká dříve nezapsaného nového tématu. Takový přístup vyžaduje tým kvalifikovaných odborníků a hodně jejich drahocenného času. Strojové učení může lidem pomoci při výpočtu „hodnoty“ dokumentu podle vzorce. Algoritmy mohly vzít několik dokumentů, jejichž známky byly ručně zpracovány člověkem, a provést matraci pro jiný dokument v daném tématu podle počtu faktorů.




    VaV software pro konsolidaci a algoritmické vytěžení velkých dat

    Předmětem projektu je výzkum a vývoj software, který využívá algoritmů pro konsolidaci a vytěžení velkých dat (big data) v segmentu mezinárodní přepravy osob.

    Předmětem projektu je výzkum a vývoj software, který využívá algoritmů pro konsolidaci a vytěžení velkých dat (big data) v segmentu mezinárodní přepravy osob. Kiwi.com patří v tomto oboru k nejrychleji rostoucím podnikům na světě a již nyní disponuje nejrozsáhlejším souborem dat na světě v dané doméně. Výstupy projektu budou vystavěny s využitím principů statistického modelování, strojového učení a prvků umělé inteligence. Výstupem projektu bude software.


    Partner výzkumu Kiwi.com www.kiwi.com



    Aplikace VII. Safetica

    VaV nového konceptu ochrany proti úniku citlivých dat v cloudu

    Předmětem projektu je VaV nového konceptu ochrany proti úniku citlivých dat v cloudu. Výstupem projektu bude software, který umožní adresovat datovou bezpečnost i v institucích, které nemají data lokálně u sebe, ale primárně ve službách třetích stran. Cílem VaV je tedy softwarové řešení pro ochranu citlivých dat ve firmách a institucích veřejného sektoru, které nemají jednoduchý fyzický perimetr a jejich provoz je postaven nad cloudovými službami.


    Partner výzkumu Safetica Services www.safetica.cz



    Aplikace eMAN

    Předmětem projektu VaV Decentralizovaného zabezpečovacího systému (DZS) je prostřednictvím PV a EV vyvinout, otestovat a připravit pro sériovou výrobu unikátní PROTOTYP, který bude následně, po ukončení realizace projektu, zaveden do sériové výroby a uveden na trh.

    Předmětem projektu VaV Decentralizovaného zabezpečovacího systému (DZS) je prostřednictvím PV a EV vyvinout, otestovat a připravit pro sériovou výrobu unikátní PROTOTYP, který bude následně, po ukončení realizace projektu, zaveden do sériové výroby a uveden na trh. Tento DZS jednoduchým, ale výjimečným způsobem integruje hardware a mobilní aplikaci (software). Produkt je tedy uceleným systémem, který se skládá z mobilní aplikace, backendu, hardwaru a připojeného mobilního zařízení uživatele.


    Partner výzkumu eMan s.r.o. www.eman.cz



    Nástroj pro datovou analýzu a následnou vizualizaci výsledků

    Odborné zhodnocení nástrojů pro vizualizace dat a navržení možných řešení ve vybraných oblastech. Aplikační doménou pro zadání je analýza dat v ekonomické výkonnosti podniků.

    Základní kritériem pro výběr nástroje byla zadavatelem zvolena cena, respektivě možnost získat nástroj pro vizualizaci dat zdarma, možnost sdílení výstupů a postupná práce více uživatelů na jednom výstupu či projektu. Podle toho bylo z nalezených nástrojů k podrobnějšímu zkoumání vybráno pouze sedm (GoodData free, Domo free, Google Data Studio, Infogram, Metabase, Plotly Chart studio a ScaiPlatform). Mezi definovaná kritéria patřily možnosti typů vizualizací, konektorů do databází a jiných softwarů, tvorba metrik a filtrů, řízení uživatelských účtů, responsivní design, sdílení dat, nativní dokumentace a metadata a potřeba technické kapacity pro implementaci řešení.






    V případě zájmu spolupráce na nezávislém výzkum, budeme rádi, když nás budete kontaktovat.



    Náš tým

    Vedení:

    Mgr. Jaromír Hanzal,
    ředitel

    Ing. Jan Novák
    předseda sp. rady

    Ing. Jan Hanzlík
    člen sp. rady

    Ing. Pavel Nevický
    člen sp. rady

    Kontaktujte nás