REST API do zautomatyzowanej analizy zamówień
REST API do zautomatyzowanej analizy zamówień
Technologie: Python, FastAPI, SQLite, OpenCV, NumPy, TensorFlow, OpenAI ChatGPT API, SQLAlchemy, Redis, Celery, FastAPI TestClient, testy jednostkowe, Mypy
Opracowuję REST API do zautomatyzowanej analizy zamówień, które ma na celu poprawę procesu weryfikacji zamówień w sklepie internetowym z częściami samochodowymi. API przyjmuje obrazy, na których klient może sprawdzić, czy części przedstawione na zdjęciu odpowiadają tym, które zostały zamówione. System wykorzystuje OpenCV i NumPy do określania konturów obiektów i klasyfikuje je za pomocą wstępnie wytrenowanego modelu TensorFlow oraz API ChatGPT, co pozwala na poprawę procesu rozpoznawania i zwiększenie dokładności klasyfikacji.
Po przetworzeniu obrazu i klasyfikacji obiektów wyniki są przekazywane użytkownikowi do potwierdzenia. Użytkownik może korygować rozpoznawanie, ponownie wysyłać zapytania oraz potwierdzać kontury i klasyfikację. Informacje są zapisywane w bazie danych przy użyciu SQLAlchemy i przesyłane do systemu zarządzania magazynem (WMS).
Aby zwiększyć wydajność, wdrożono mechanizm asynchronicznego buforowania modeli, co pozwala uniknąć opóźnień przy ich inicjalizacji. Redis jest używany do zarządzania buforem i śledzenia asynchronicznych zadań, które są realizowane za pomocą Celery.
Ponadto opracowano system uczenia modelu, który obejmuje funkcjonalność dodawania nowych klas i obrazów do nauki. Testy jednostkowe i integracyjne pokrywają wszystkie komponenty przy użyciu FastAPI TestClient, a ścisła typizacja jest zapewniana przez mypy. Migracje dla bazy danych są zarządzane przez SQLAlchemy.
Całkowicie odpowiadam za architekturę projektu, wybór technologii i realizację wszystkich komponentów, wykonując pracę bez zewnętrznego nadzoru.
Technologie: Python, FastAPI, SQLite, OpenCV, NumPy, TensorFlow, OpenAI ChatGPT API, SQLAlchemy, Redis, Celery, FastAPI TestClient, testy jednostkowe, Mypy
Opracowuję REST API do zautomatyzowanej analizy zamówień, które ma na celu poprawę procesu weryfikacji zamówień w sklepie internetowym z częściami samochodowymi. API przyjmuje obrazy, na których klient może sprawdzić, czy części przedstawione na zdjęciu odpowiadają tym, które zostały zamówione. System wykorzystuje OpenCV i NumPy do określania konturów obiektów i klasyfikuje je za pomocą wstępnie wytrenowanego modelu TensorFlow oraz API ChatGPT, co pozwala na poprawę procesu rozpoznawania i zwiększenie dokładności klasyfikacji.
Po przetworzeniu obrazu i klasyfikacji obiektów wyniki są przekazywane użytkownikowi do potwierdzenia. Użytkownik może korygować rozpoznawanie, ponownie wysyłać zapytania oraz potwierdzać kontury i klasyfikację. Informacje są zapisywane w bazie danych przy użyciu SQLAlchemy i przesyłane do systemu zarządzania magazynem (WMS).
Aby zwiększyć wydajność, wdrożono mechanizm asynchronicznego buforowania modeli, co pozwala uniknąć opóźnień przy ich inicjalizacji. Redis jest używany do zarządzania buforem i śledzenia asynchronicznych zadań, które są realizowane za pomocą Celery.
Ponadto opracowano system uczenia modelu, który obejmuje funkcjonalność dodawania nowych klas i obrazów do nauki. Testy jednostkowe i integracyjne pokrywają wszystkie komponenty przy użyciu FastAPI TestClient, a ścisła typizacja jest zapewniana przez mypy. Migracje dla bazy danych są zarządzane przez SQLAlchemy.
Całkowicie odpowiadam za architekturę projektu, wybór technologii i realizację wszystkich komponentów, wykonując pracę bez zewnętrznego nadzoru.
Charków 
Częściowo zajęty