Inspeção de bobinas de aço com aprendizado autossupervisionado
Visão geral
Sobre o que é este desafio
Você constrói um classificador de defeitos com aprendizado autossupervisionado e compara baselines por orçamento de rótulos. Obtém um certificado verificável.
O cenário
A usina fornece aço plano para montadoras do ABC Paulista e de Betim, onde uma bobina com risco de laminação parada na linha do cliente gera multa contratual. A área de qualidade já tem as câmeras e o histórico de imagens; falta transformar esse acervo sem rótulo em capacidade preditiva.
O Brief
O que você vai fazer e o que vai demonstrar.
Como treinar um classificador confiável de defeitos de superfície de aço quando há centenas de milhares de imagens disponíveis, mas apenas algumas centenas com rótulo de especialista?
Earning criteria — what you'll demonstrate
- Implementar e depurar um objetivo de aprendizado autossupervisionado contrastivo, entendendo o papel das transformações de imagem e da temperatura da função de perda
- Medir o valor real de representações pré-treinadas em regime de poucos rótulos, isolando o efeito do pré-treino do efeito da arquitetura
- Projetar um protocolo de avaliação com múltiplas sementes e orçamentos de rótulo que resista à crítica de um comitê de mestrado
- Relacionar métricas de classificação a consequências industriais concretas, escolhendo o limiar de decisão em função do custo de cada tipo de erro
Adequação ao Programa
Onde isso se encaixa no seu programa.
Aperfeiçoa as mesmas habilidades que seu curso espera que você demonstre.
Conteúdo alinhado em breve.
Habilidades
Habilidades que você vai demonstrar.
Cada um aparece no seu certificado verificado.
- Feature Pipelines
Apply feature pipelines to solve real industry problems and demonstrate production-level capability.
- Model Validation
Apply model validation to solve real industry problems and demonstrate production-level capability.
- Cross Validation
Apply cross validation to solve real industry problems and demonstrate production-level capability.
- Production Model Tuning
Apply production model tuning to solve real industry problems and demonstrate production-level capability.
- Self Supervised Representation Learning
Apply self supervised representation learning to solve real industry problems and demonstrate production-level capability.
Carreiras
Cargos para os quais este desafio te prepara.
Títulos reais. Pontes reais de habilidades. Escolha o mais próximo da sua trajetória.
Trilhas de carreira que este desafio desenvolve
Funções canônicasEngenheiro de Machine Learning
Você sai com experiência prática em treinar redes profundas sob restrição real de rótulos e de computação, validar ganhos com protocolo multi-semente e entregar um repositório que outra pessoa consegue rodar — exatamente o que se cobra ao levar modelos de visão para produção industrial.
Este desafio aprimora
- feature-pipelines
- model-validation
- production-model-tuning
Pesquisador de Machine Learning
O desafio exige implementar um método de pesquisa recente, compará-lo com linhas de base honestas e escrever um relatório que sustenta a conclusão com evidência estatística, que é o ciclo diário de quem trabalha com pesquisa aplicada.
Este desafio aprimora
- self-supervised-representation-learning
- cross-validation
- model-validation
Cientista de IA Aplicada
Você pratica a ponte entre método avançado e restrição de fábrica: escolher limiar por custo de erro, justificar o método diante de gerentes não técnicos e mostrar quando o ganho técnico deixa de valer o custo de treino.
Este desafio aprimora
- production-model-tuning
- model-validation
- feature-pipelines
Só mais uma coisa