Budżet: 150 USD Termin: 3 dni
Cześć!
Twój projekt to dokładnie taki rodzaj wyzwania inżynieryjnego, który lubię — łączenie wizji komputerowej, uczenia maszynowego i solidnego inżynierii danych w system gotowy do produkcji, zamiast skupiać się tylko na treningu modeli.
Mam doświadczenie w budowaniu end-to-end pipeline'ów ML przy użyciu Pythona i PyTorch, od pobierania danych i wstępnego przetwarzania, przez trening, ewaluację, wdrożenie, aż po integrację API. Uważam, że udane projekty wizji komputerowej zależą w równym stopniu od jakości danych, powtarzalnych pipeline'ów i rygorystycznej ewaluacji, jak od architektury modelu.
Moje podejście obejmowałoby:
* Budowanie skalowalnego pipeline'u do pobierania obrazów, wstępnego przetwarzania, ekstrakcji cech, treningu i wnioskowania.
* Wdrażanie klasycznych technik wizji komputerowej obok nowoczesnych modeli głębokiego uczenia, aby ustalić wiarygodne punkty odniesienia przed zwiększeniem złożoności modelu.
* Trening i dostosowywanie modeli wizji do detekcji, detekcji anomalii i uczenia reprezentacji, gdzie to stosowne.
* Pracę z PostgreSQL, przechowywaniem cech, śledzeniem eksperymentów i powtarzalnym wersjonowaniem zbiorów danych.
* Projektowanie metodologii ewaluacji, które mierzą rzeczywistą wydajność, zamiast polegać wyłącznie na metrykach benchmarkowych.
* Rozwój utrzymywalnych API i usług wnioskowania do wdrożenia produkcyjnego.
Czuję się komfortowo pracując z technologiami takimi jak Python, PyTorch, OpenCV, scikit-image, NumPy, SciPy, scikit-learn, FastAPI, PostgreSQL, Redis, MLflow, Docker i nowoczesnymi praktykami MLOps. Proponowany przez Ciebie stos technologiczny dobrze pasuje do tego, jak zazwyczaj strukturyzuję systemy ML w produkcji.
Doceniam również Twoje naciski na pragmatyczne inżynierstwo. Moim preferencją jest najpierw weryfikacja założeń za pomocą prostych podejść statystycznych lub klasycznych CV, ustalenie mierzalnych punktów odniesienia, a następnie wprowadzenie bardziej zaawansowanych modeli tylko wtedy, gdy przynoszą one wyraźną poprawę.
Chętnie porozmawiam o Twoim zbiorze danych, cechach obrazów przemysłowych, jakości adnotacji, kryteriach ewaluacji i środowisku wdrożeniowym. Gdy zrozumiem przepływ pracy, mogę zaproponować plan wdrożenia, który zrównoważy dokładność, niezawodność i utrzymywalność.
Czekam na możliwość współpracy przy tym projekcie.
