Klasyfikacja, detekcja, segmentacja.
Wspomaganie oznaczeń:
-
metoda klasteryzująca cechy
-
metoda uczenia aktywnego
Wersjonowanie zmian w zbiorach danych oraz wersjonowanie eksperymentów na modelach.
Cel: Zmniejszenie o 50 % kosztu oznaczania danych
Współbieżne oznaczanie dwóch i więcej zbiorów danych.
Zbiory pochodzące z różnych źródeł skorelowanych ze sobą logicznie.
Wspomagany proces oznaczania, zmodyfikowany o algorytm propagacji informacji między modalnościami.
Cel: Wiele źródeł danych jedna etykieta
Algorytmy pułapkujące.
System uprawnień i ról, zespoły oznaczających dane/adnotatorów.
Raporty na potrzeby organizacji.
Cel: Monitorowanie wydajności oraz jakości oznaczających dane na potrzeby produkcji, w skali.
Poprawa jakości modeli przez augmentację zbioru.
Wykorzystanie metod generatywnych:
-
autoenkodery wariacyjne
-
GAN
-
State transfer
Automatyczne pozyskiwanie ekstraktorów cech na potrzeby innych użyteczności.
Cel: Powiększanie zbiorów o dane syntetyczne.
Cel: Algorytmy wspomagające oznaczanie strumieni danych.
Przechwytywanie i tworzenie nie-statycznych zbiorów danych.
Metoda uczenia aktywnego na danych strumieniowych.
Online Learning lub Batch Learning dla modeli na produkcji.
Monitorowanie jakości modeli produkcyjnych w cyklu życia.
Nadzorowane i nienadzorowane algorytmy detekcji dryftu koncepcji.
Sposoby mitygacji wpływu dryftu koncepcji na model produkcyjny.
Cel: Monitorowanie
i dostosowywanie modeli pracujących na produkcji
