Auditer un système de tri visuel des défauts d'acier embouti
Aperçu
En quoi consiste ce défi.
Vous construirez un classifieur CNN sur des défauts d'acier, évaluerez la matrice de confusion, puis recevrez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Le responsable qualité doit décider si le système actuel de classification visuelle des défauts d'acier doit être maintenu tel quel, recalibré, ou remplacé par une architecture de détection avec localisation avant le prochain audit fournisseur.
Earning criteria — what you'll demonstrate
- Relier extraction de caractéristiques et classification par CNN à un cas d'usage industriel réel
- Évaluer les compromis entre classification simple et détection d'objets avec localisation pour un contrôle qualité en ligne
- Utiliser le transfert d'apprentissage pour entraîner un classifieur robuste avec un jeu de données limité
- Argumenter un choix d'architecture à partir de métriques (rappel, précision, matrice de confusion) et de contraintes métier
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMachine Learning Engineer
Ce défi entraîne à concevoir, entraîner et évaluer un modèle de classification d'images en contexte industriel réel — une expérience directement transférable à un poste d'ingénierie ML où la fiabilité du modèle a un impact opérationnel mesurable.
Ce défi renforce
- cnn-classification
- transfer-learning
- object-detection
Quality Engineer
En reliant les métriques du modèle aux non-conformités du dossier qualité, la personne étudiante pratique le raisonnement d'un ingénieur qualité qui doit statuer sur la fiabilité d'un outil de contrôle avant audit fournisseur.
Ce défi renforce
- image-processing
- opencv
- object-detection
MLOps Engineer
La formulation d'un seuil de décision opérationnel et la documentation reproductible du pipeline préparent à des responsabilités de mise en production et de suivi de modèles en environnement industriel exigeant.
Ce défi renforce
- transfer-learning
- cnn-classification
- image-processing