Un projet ML commence par des données et des critères de qualité. Un modèle ne doit pas simplement « fonctionner » ; il doit être mesurable : où il échoue, à quelle fréquence, pourquoi et si cela est suffisant pour un flux de travail concret.
En laboratoire, le ML est traité comme un cycle d'ingénierie : cadrage des tâches, préparation des ensembles de données, modèle de base, métriques, analyse des erreurs, amélioration et intégration des tests.
Cette approche sépare rapidement les tâches d'IA réalistes des tâches pour lesquelles les données ou le flux de travail doivent d'abord être améliorés.
Même un petit projet de ML nécessite de la discipline en matière de données et de métriques.
Différentes tâches nécessitent différentes métriques : exactitude, précision, rappel, mAP, F1 ou des métriques commerciales telles que le temps gagné pour un utilisateur.
Les expériences utilisent des serveurs GPU, des serveurs d’inférence, Docker, Kubernetes et l’infrastructure informatique interne du laboratoire.
Recherche Système de reconnaissance d'instruments chirurgicaux pour l'hôpital Saint-Panteleimon Le laboratoire a étudié et développé un système de vision par ordinateur basé sur une caméra pour reconnaître, former et cataloguer numériquement des milliers d'instruments chirurgicaux.
Recherche Analyse intelligente du trafic et des embouteillages sur l'infrastructure routière de Lviv Un projet de recherche du laboratoire en collaboration avec le conseil municipal de Lviv pour analyser les flux de circulation, la charge aux intersections et les facteurs de congestion dans les rues de Lviv.
Parfois oui, mais la qualité dépend de la tâche, de la diversité des échantillons et des exigences de précision. Un petit ensemble de données correspond souvent à un premier prototype, mais pas à une utilisation stable.
Dans les tâches appliquées, la qualité des données est souvent plus importante que le choix du modèle. Des données mal décrites ou inégales limitent les résultats, même pour des algorithmes puissants.
Oui. Habituellement, le modèle s'exécute en tant que service d'inférence ou API distinct, tandis que l'application Web gère le flux de travail de l'utilisateur, la validation des données et des résultats.
Le laboratoire est prêt à discuter de recherche, prototypes et projets non commerciaux avec des universités, laboratoires, entreprises, hôpitaux et institutions publiques.
