Un proyecto de ML comienza con datos y criterios de calidad. Un modelo no debería simplemente “funcionar”; debe ser mensurable: dónde falla, con qué frecuencia, por qué y si eso es suficiente para un flujo de trabajo concreto.
En el laboratorio, el ML se trata como un ciclo de ingeniería: formulación de tareas, preparación de conjuntos de datos, modelo de referencia, métricas, análisis de errores, mejora e integración de pruebas.
Este enfoque separa rápidamente las tareas realistas de IA de las tareas en las que primero se deben mejorar los datos o el flujo de trabajo.
Incluso un pequeño proyecto de aprendizaje automático requiere disciplina en datos y métricas.
Diferentes tareas requieren diferentes métricas: exactitud, precisión, recuperación, mAP, F1 o métricas comerciales como el tiempo ahorrado para un usuario.
Los experimentos utilizan servidores GPU, servidores de inferencia, Docker, Kubernetes y la infraestructura informática interna del laboratorio.
Investigación Sistema de reconocimiento de instrumentos quirúrgicos para el Hospital St. Panteleimon El laboratorio investigó y desarrolló un sistema de visión por computadora basado en cámaras para reconocer, entrenar y catalogar digitalmente miles de instrumentos quirúrgicos.
Investigación Análisis inteligente del tráfico y la congestión en la infraestructura vial de Lviv Un proyecto de investigación del laboratorio junto con el Ayuntamiento de Lviv para analizar los flujos de tráfico, la carga de las intersecciones y los factores de congestión en las calles de Lviv.
A veces sí, pero la calidad depende de la tarea, la diversidad de la muestra y los requisitos de precisión. Un pequeño conjunto de datos a menudo se ajusta a un primer prototipo, pero no a un uso estable.
En tareas aplicadas, la calidad de los datos suele ser más importante que la elección del modelo. Los datos mal descritos o desiguales limitan los resultados incluso para algoritmos potentes.
Sí. Por lo general, el modelo se ejecuta como un servicio de inferencia o API independiente, mientras que la aplicación web maneja el flujo de trabajo del usuario, los datos y la validación de resultados.
El laboratorio esta preparado para hablar sobre investigacion, prototipos y proyectos no comerciales con universidades, laboratorios, empresas, hospitales e instituciones publicas.
