Um projeto de ML começa com dados e critérios de qualidade. Um modelo não deve apenas “funcionar”; deve ser mensurável: onde falha, com que frequência, porquê e se isso é suficiente para um fluxo de trabalho concreto.
No laboratório, o ML é tratado como um ciclo de engenharia: enquadramento de tarefas, preparação de conjunto de dados, modelo de linha de base, métricas, análise de erros, melhoria e integração de testes.
Essa abordagem separa rapidamente as tarefas realistas de IA das tarefas em que os dados ou o fluxo de trabalho devem ser melhorados primeiro.
Mesmo um pequeno projeto de ML requer disciplina em dados e métricas.
Tarefas diferentes exigem métricas diferentes: exatidão, precisão, recall, mAP, F1 ou métricas de negócios, como tempo economizado para um usuário.
Os experimentos utilizam servidores GPU, servidores de inferência, Docker, Kubernetes e infraestrutura computacional interna do laboratório.
Investigação Sistema de reconhecimento de instrumentos cirúrgicos para Hospital São Panteleimon O laboratório pesquisou e desenvolveu um sistema de visão computacional baseado em câmeras para reconhecer, treinar e catalogar digitalmente milhares de instrumentos cirúrgicos.
Investigação Análise Inteligente de Tráfego e Congestionamento na Infraestrutura Rodoviária de Lviv Um projeto de investigação realizado pelo laboratório em conjunto com a Câmara Municipal de Lviv para analisar fluxos de tráfego, carga nos cruzamentos e fatores de congestionamento nas ruas de Lviv.
Às vezes sim, mas a qualidade depende da tarefa, da diversidade da amostra e dos requisitos de precisão. Um pequeno conjunto de dados geralmente cabe em um primeiro protótipo, mas não é de uso estável.
Em tarefas aplicadas, a qualidade dos dados costuma ser mais importante do que a escolha do modelo. Dados mal descritos ou desiguais limitam os resultados mesmo para algoritmos fortes.
Sim. Normalmente, o modelo é executado como um serviço de inferência ou API separado, enquanto o aplicativo da web lida com o fluxo de trabalho do usuário, dados e validação de resultados.
O laboratorio esta pronto para discutir investigacao, prototipos e projetos nao comerciais com universidades, laboratorios, empresas, hospitais e instituicoes publicas.
