Предзащиты ВКР (группа 2) - + конспект от YandexGPT
01:50 Обсуждается анализ существующих подходов к тестированию, включая ручное, автоматизированное, тестирование производительности и безопасности.
• Автоматизация тестирования является основополагающим подходом, который повышает точность, скорость и эффективность.
03:46 Обсуждается выбор задачи для машинного обучения, включая генерацию тестовых данных, анализ ключевых слов и фраз, и проверку правильности орфографии и грамматики.
• Для генерации тестовых данных был выбран алгоритм LSTM и цепи Маркова.
05:40 Обсуждается процесс разработки и анализ экономической эффективности модели, основанной на автоматизации тестирования с помощью искусственного интеллекта.
• Результаты показывают сокращение времени и ресурсов, повышение точности и увеличение покрытия тестирования.
06:35 Обсуждаются замечания к презентации, включая отсутствие нумерации слайдов, перегруженность слайдов, несоответствие количества задач и выводов, и отсутствие информации о метриках успешности проекта.
• В заключение, комиссия считает возможным допустить работу к защите при условии переработки презентации и подготовки ее по существу работы.
12:35 В работе используется вариационный автокодировщик для улучшения метрик.
• Модель обучается на 4950 входных данных, используя окно размером 100 значений.
• Результаты работы сравниваются с результатами статьи, где авторы получили F-меру 57 и 90.
17:02 Вопросы касаются использования терминов, отсутствия подписи на осях графиков, и использования фраз “красивое, классное“ в докладе.
• Замечания касаются необходимости сократить цель и задачи работы, а также объяснить суть работы и результаты.
23:04 Работа посвящена анализу и сравнению различных моделей извлечения ключевых точек для жестового языка.
• Цель работы - определить наилучшую модель для дальнейшего использования в системе распознавания перевода жестового языка в текст и наоборот.
• В рамках работы разработан алгоритм склейки глоссов и определения жестового языка.
25:55 Представлены подходы к извлечению ключевых точек для жестового языка, включая температурные карты и Мета tod сверху вниз.
• Архитектуры, используемые для извлечения ключевых точек, включают трансформер и Сверточные нейронные сети.
• Для сравнения моделей используется метрика F1, которая включает в себя значение AP и Ар с учетом весовых коэффициентов.
• Предложена метрика расчета эффективности для моделей, которая представляет собой отношение среднего времени инса модели к ее показателю метрику F1.
27:46 Результаты сравнения моделей по метрике F1 представлены на графике.
• Лучшая модель по качеству и эффективности - dvp L.
• Для изображения размером 320 на 320 пикселей лучшей моделью по эффективности стала dvp L, а для изображения размером 1280 на 720 пикселей - rtm V размера L.
28:44 Представлен алгоритм склейки, который был разработан в рамках работы.
• Алгоритм был протестирован на различных разрешениях изображений и показал хорошие результаты.
31:35 Обсуждение и заключение
• В работе были достигнуты все поставленные цели и задачи.
• В дальнейшем планируется доработка алгоритма склейки и добавление нового функционала.
39:14 Разработка информационной системы
• Проект включает в себя размеченный R, размеченные данные, точность , спроектированные бизнес-процессы, базу данных, веб-интерфейс, IT-инфраструктуру.
• Проект был полностью завёрнут в Docker Compose и размещён на сайте ITPS.
• Сервис помогает сотрудникам заполнять заявки, получать уведомления о статусе обработки заявки, назначать нужный тип заявок.
42:27 Вопросы касались оформления слайдов, технической документации, актуальности проекта.
• Замечания: мелкий шрифт, отсутствие QR-кода для доступа к технической документации.
47:47 Разработка платформы для соревнований по машинному обучению
• Цель проекта - разработка платформы для проведения соревнований по машинному обучению с подкреплением.
• В качестве технологий для разработки выбраны Python, FastAPI, SQLite, Pydantic, React, Twin CSS, axios.
• Архитектура включает пять серверов: ML, backend, frontend, файловый сервер.
51:32 Разработка платформы для проведения соревнований по машинному обучению с подкреплением
• Создана база данных, содержащая сущности, используемые в проекте, такие как пользователи, конкурсы, наборы данных, отправки пользователей, таблицы лидеров и справочная таблица для наград.
• Разработан алгоритм создания серверов для проверки соревнований по машинному обучению с подкреплением.
• Созданы два тестовых соревнования: Titanic ML и Carpo RL.
53:31 Внедрение платформы в экосистему Уральского федерального университета
• После выпуска и защиты выпускной квалификационной работы исходный код будет предоставлен университету для внедрения.
57:11 Вопросы касались шаблона соревнования, загрузки соревнования через форму, расчета метрик, таблицы лидеров и внедрения платформы в УрФУ.
• Рекомендовано перестроить доклад, сделать акцент на важности и результатах работы, а также разместить ссылку на платформу для оперативного просмотра.