Investigação de Quase-Acidente de Percepção em Mina Autônoma em Carajás
Visão geral
Sobre o que é este desafio
Você analisará registros de percepção de uma mina autônoma para classificar a causa de um quase-acidente e, ao final, receberá um certificado verificável.
O cenário
A operação anonimizada é um complexo de mineração de ferro de grande porte em Carajás (PA), com frota mista de caminhões autônomos e tripulados operando 24 horas por dia; o dossiê interno reúne o laudo do quase-acidente, o histórico de eventos similares nos últimos seis meses e a arquitetura declarada do sistema de percepção, que combina lidar, radar e câmera com um classificador de objetos baseado em redes neurais.
O Brief
O que você vai fazer e o que vai demonstrar.
O comitê de segurança precisa decidir, com base no dossiê e nos dados de sensores fornecidos, se a causa raiz do quase-acidente é uma falha de calibração do modelo de percepção em condições de poeira e umidade elevadas e, em caso afirmativo, quais critérios objetivos devem reger a recertificação do sistema antes da estação chuvosa.
Earning criteria — what you'll demonstrate
- Aplicar conceitos de percepção multissensorial (lidar, radar, câmera) e fusão de sensores para diagnosticar falhas em condições ambientais adversas, conforme o módulo de percepção do curso
- Avaliar os limites do domínio operacional de projeto (ODD) de um sistema autônomo e propor critérios de recertificação baseados em evidência
- Traduzir uma investigação técnica de percepção em uma recomendação de negócio acionável para um comitê de segurança não técnico
- Analisar estatisticamente dados de desempenho de modelos de visão computacional sob variação de condições ambientais
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.
- 3d Vision
Apply 3d vision to solve real industry problems and demonstrate production-level capability.
- Anomaly Detection
Apply anomaly detection to solve real industry problems and demonstrate production-level capability.
- Sensor Fusion
Apply sensor fusion to solve real industry problems and demonstrate production-level capability.
- Analytical Reasoning
Apply analytical reasoning to solve real industry problems and demonstrate production-level capability.
- Ai Governance Frameworks
Apply ai governance frameworks 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 canônicasMachine Learning Engineer
Este desafio exercita diagnóstico de falhas de modelos de classificação sob deriva de dados ambiental, uma habilidade central para quem constrói e mantém modelos de percepção em produção em sistemas críticos.
Este desafio aprimora
- anomaly-detection
- sensor-fusion
- analytical-reasoning
Risk Analyst
A tarefa de traduzir uma falha técnica em critérios de recertificação e recomendação de risco espelha o trabalho de analistas que avaliam a segurança operacional de sistemas autônomos antes de sua liberação.
Este desafio aprimora
- ai-governance-frameworks
- analytical-reasoning
- anomaly-detection
Quality Engineer
Definir critérios objetivos e casos de teste para recertificação de um sistema de percepção é uma competência direta de engenharia de qualidade em produtos com IA embarcada.
Este desafio aprimora
- ai-governance-frameworks
- sensor-fusion
- 3d-vision
Data Scientist
A análise estatística de logs de sensores multivariados para isolar causas de erro de classificação é um exercício representativo do trabalho de um cientista de dados em sistemas de percepção.
Este desafio aprimora
- anomaly-detection
- analytical-reasoning
- 3d-vision
Só mais uma coisa