Aumento do desempenho da aplica\u00e7\u00e3o em 19%.<\/p>\n
O cliente \u00e9 uma startup de tecnologia de fitness. Desenvolveram uma aplica\u00e7\u00e3o para treinos em casa. O foco principal da aplica\u00e7\u00e3o s\u00e3o programas de fitness personalizados e treinos sem equipamento. Para fazer com que a aplica\u00e7\u00e3o valesse a pena, eles queriam capacit\u00e1-la com IA.<\/p>\n
O cliente n\u00e3o tem um departamento interno de ci\u00eancia de dados. Procurava programadores de redes neuronais experientes. Foi por essa raz\u00e3o que contactaram a Equipa de solu\u00e7\u00f5es ESSID<\/a>. Pediram-nos para desenvolver modelos personalizados de dete\u00e7\u00e3o de erros e modelos avan\u00e7ados de reconhecimento de actividades.<\/p>\n O cliente j\u00e1 conseguia reconhecer a atividade humana na aplica\u00e7\u00e3o, mas n\u00e3o estava satisfeito com a sua qualidade. Era lento e impreciso. Por isso, pediram-nos para melhorar a qualidade do reconhecimento da atividade com aprendizagem profunda.<\/p>\n Em termos do projeto, os nossos consultores de redes neuronais sugeriram as seguintes tarefas de vis\u00e3o computacional:<\/p>\nDesafio: desenvolvimento de redes neuronais a pedido<\/h2>\n
Localiza\u00e7\u00e3o e dete\u00e7\u00e3o de objectos<\/strong><\/td>\n| Propusemos utilizar algoritmos de aprendizagem profunda para uma dete\u00e7\u00e3o precisa e r\u00e1pida de objectos. O principal objetivo era determinar se existiam objectos das variedades especificadas (como humanos, animais, ve\u00edculos, etc.) e determinar os seus limites.<\/td>\n<\/tr>\n | Reconhecer movimentos e actividades humanas<\/strong><\/td>\n | Decidimos melhorar o movimento humano a partir de dados de sensores com CNNs. Os nossos especialistas em tecnologia supuseram que estas eram mais adequadas para aprender dados de um sensor (um aceler\u00f3metro de smartphone).<\/td>\n<\/tr>\n | Erro<\/strong> | Dete\u00e7\u00e3o<\/strong><\/td>\n A nossa ideia era desenvolver algoritmos de dete\u00e7\u00e3o de erros personalizados. Estes algoritmos reconheceriam erros e imprecis\u00f5es durante os treinos. Se for detectado algum erro, o treinador de IA dir\u00e1 ao utilizador para fazer o exerc\u00edcio da forma correta.<\/td>\n<\/tr>\n | Desenvolvimento multiplataforma<\/strong><\/td>\n | O cliente tinha planos para executar a sua aplica\u00e7\u00e3o em v\u00e1rias plataformas. Oferecemos a nossa experi\u00eancia pr\u00e1tica para que a aplica\u00e7\u00e3o funcionasse sem problemas em diferentes dispositivos m\u00f3veis.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n | Solu\u00e7\u00e3o: CNNs para reconhecimento de actividades e dete\u00e7\u00e3o de erros<\/h2>\nPara resolver as tarefas do projeto, fizemos investiga\u00e7\u00e3o. Estud\u00e1mos os desafios do cliente, as especificidades da aplica\u00e7\u00e3o e os problemas que esta apresentava.<\/p>\n Estabelecemos os seguintes objectivos:<\/p>\n
|