Разработка сервиса визуальной детекции и измерения размеров креветок в экстремальных температурных условиях на реальном производстве: различия между версиями

Материал из Public ATP Wiki
Перейти к навигации Перейти к поиску
← Предыдущая правкаСледующая правка →
Нет описания правки
Строка 1: Строка 1:


== Описание ==  
=== Тема лекции ===
Тема лекции: «RAG-системы на практике:
Разработка сервиса автоматического формирования сбытового заказа на основе неструктурированных запросов в дистрибуции HoReCa
архитектура, ограничения и типичные ошибки»
=== План выступления ===
1) Проблема контроля качества массового конвейерного производства
- Описание производственного процесса
- Существующие методы контроля и их недостатки
2) Идея реализации автоматизированного контроля качества
- Концепция автоматизированной системы видеоаналитики
3) Архитектура системы
- Общая концепция пайплайна
- Получение и нормализация видеопотока
- Конвейер обработки кадров и формирование признаков
- Передача признаков и ML-инференс
- Хранение временных рядов и расчет метрик
- Визуализация данных и пользовательский интерфейс
4) Задача компьютерного зрения
- Задача и требования к моделям компьютерного зрения
- Сбор и разметка обучающего датасета
- Сравнительный анализ моделей инстанс-сегментации
- Сравнительный анализ моделей локализации ключевых точек
- Адаптация моделей к реал-тайм-инференсу
- Многообъектный трекинг и выбор алгоритма
5) Задача машинного обучения
- Постановка задачи и требования к ML-модели
- Сбор и подготовка обучающего датасета
- Формирование признакового пространства
- Методика валидации и метрики качества
6) Улучшение системы контроля качества
- Калибровка камеры
- Устойчивость системы к внешнему воздействию
7) Финальные результаты
8) Внедрение системы на сортировочную линию производства
9) Итоги


Цель лекции:
=== Спикеры ===
Дать студентам практическое понимание архитектуры и инженерных решений, лежащих в основе RAG-систем (Retrieval-Augmented Generation),
Кадиев Малик, ведущий разработчик "Ист-Вест Технолоджис". Направление: классические методы ML, компьютерное зрение (CV).  
а также научить выявлять и исправлять типичные ошибки при их построении.
Образование:  
Задачи:
- НИУ МЭИ (Ядерная энергетика и теплофизика)
• Объяснить принципы работы RAG-систем и их ключевые компоненты.
- НИЯУ МИФИ (Инженерное и компьютерное моделирование в атомной отрасли)
• Разобрать этапы построения простой RAG-системы: от подготовки данных до генерации ответа.
- НИУ ВШЭ (Искусственный интеллект)
• Показать на примерах типичные ограничения (качество retrieval, «шум» в контексте, галлюцинации) и способы их преодоления.
Агдавлетова Айслу, бэкенд разработчик: проектирование и разработка бэкенд-сервисов, разработка и поддержка инфраструктуры, интеграция ml-моделей в продуктовые решения
• Дать практические рекомендации по выбору архитектурных решений под разные типы задач и доменов.
 
Структура лекции
1. Введение
• Проблема: почему LLM сами по себе недостаточно
для задач с актуальными или узкоспециализированными данными?
• Что такое RAG и в каких сценариях он необходим?
(Примеры: корпоративные базы знаний, поддержка клиентов, аналитика документов.)
2. Архитектура RAG-системы: компоненты и их взаимодействие
3. Этапы построения простой RAG-системы (на практике)
4. Основные ограничения и проблемы RAG
5. Типичные ошибки при разработке RAG-систем
6. Способы повышения качества RAG
7. Заключение
• Главные выводы
• Полезная литература и открытые инструменты
 
На лекции разберём эволюцию запуска программ: от выполнения скрипта в командной строке до сборки и оркестрации многосервисного приложения. Рассмотрим принципы контейнеризации, устройство Dockerfile, работу с docker-compose и архитектурные решения, позволяющие масштабировать систему.
 
Занятие будет полезно тем, кто хочет понять, как реальные продуктовые команды переходят от «работает у меня на ноутбуке» к устойчивым production-системам.
 
* Входной уровень: минимальный опыт работы на любом языке программирования.
 
=== Спикер ===
Жарова Мария Александровна
— Преподаватель.
Разработка дисциплины "Программирование на Python" для студентов магистратуры "Науки о
данных": ревью существующих материалов, формирование плана, составление семинаров,
тестов и домашних работ.
file:///C:/Users/%D0%9E%D0%BB%D1%8F/Downloads/Telegram%20Desktop/%D0%96%D0%B0%D1%80%D0%BE%D0%B2%D0%B0%20%D0%9C%D0%B0%D1%80%D0%B8%D1%8F%20CV.pdf


=== Дата и время ===   
=== Дата и время ===   
15 мая (пт) в 20:00
12 октября (пн) в 20:00


=== Формат ===  
=== Формат ===  
Онлайн-лекция (платформа Толк)
Онлайн-лекция (платформа Толк)
*https://atp-fivt.ktalk.ru/v1e6r6cbqncg Ссылка на конференцию]
*https://atp-fivt.ktalk.ru/anrg59p5emke Ссылка на конференцию]

Версия от 19:08, 23 сентября 2026

Тема лекции

Разработка сервиса автоматического формирования сбытового заказа на основе неструктурированных запросов в дистрибуции HoReCa

План выступления

1) Проблема контроля качества массового конвейерного производства 

- Описание производственного процесса
- Существующие методы контроля и их недостатки

2) Идея реализации автоматизированного контроля качества 

- Концепция автоматизированной системы видеоаналитики

3) Архитектура системы 

- Общая концепция пайплайна
- Получение и нормализация видеопотока
- Конвейер обработки кадров и формирование признаков
- Передача признаков и ML-инференс
- Хранение временных рядов и расчет метрик
- Визуализация данных и пользовательский интерфейс

4) Задача компьютерного зрения 

- Задача и требования к моделям компьютерного зрения
- Сбор и разметка обучающего датасета 
- Сравнительный анализ моделей инстанс-сегментации
- Сравнительный анализ моделей локализации ключевых точек
- Адаптация моделей к реал-тайм-инференсу
- Многообъектный трекинг и выбор алгоритма

5) Задача машинного обучения 

- Постановка задачи и требования к ML-модели
- Сбор и подготовка обучающего датасета
- Формирование признакового пространства
- Методика валидации и метрики качества

6) Улучшение системы контроля качества 

- Калибровка камеры 
- Устойчивость системы к внешнему воздействию

7) Финальные результаты 8) Внедрение системы на сортировочную линию производства 9) Итоги

Спикеры

Кадиев Малик, ведущий разработчик "Ист-Вест Технолоджис". Направление: классические методы ML, компьютерное зрение (CV). Образование: 

- НИУ МЭИ (Ядерная энергетика и теплофизика) 
- НИЯУ МИФИ (Инженерное и компьютерное моделирование в атомной отрасли)
- НИУ ВШЭ (Искусственный интеллект)

Агдавлетова Айслу, бэкенд разработчик: проектирование и разработка бэкенд-сервисов, разработка и поддержка инфраструктуры, интеграция ml-моделей в продуктовые решения

Дата и время

12 октября (пн) в 20:00

Формат

Онлайн-лекция (платформа Толк)

Источник — https://wiki.atp-fivt.org/index.php?title=Разработка_сервиса_визуальной_детекции_и_измерения_размеров_креветок_в_экстремальных_температурных_условиях_на_реальном_производстве&oldid=5360