O que \u00e9 a rotulagem de dados?<\/strong><\/h2>\n\n\n\nA rotulagem de dados \u00e9 um processo que visa identificar objetos em dados brutos. Esses objetos podem ser imagens, \u00e1udio, v\u00eddeo e texto. Ao lhes atribuir os r\u00f3tulos adequados, o algoritmo de aprendizagem autom\u00e1tica pode fazer previs\u00f5es mais exatas. Este processo deve de ser efetuado com muito cuidado, deixando pouca ou nenhuma margem para erros.<\/p>\n\n\n\n
<\/div>\n\n\n\nPorqu\u00ea utilizar a rotulagem de dados?<\/strong><\/h2>\n\n\n\nOs conjuntos de dados rotulados s\u00e3o de extrema import\u00e2ncia para os modelos de aprendizagem, ajudando o modelo a processar e a compreender os dados inseridos. Desta forma, uma vez analisados os dados, as previs\u00f5es do modelo correspondem ou n\u00e3o ao seu objetivo. Ap\u00f3s isso, o utilizador define se o modelo precisa de mais ajustes e testes ou n\u00e3o. H\u00e1 v\u00e1rios casos de uso para rotulagem de dados e vis\u00e3o computacional, como:<\/p>\n\n\n\n
\n- Ve\u00edculos de condu\u00e7\u00e3o aut\u00f3noma<\/a>;<\/li>\n\n\n\n
- Realidade aumentada<\/a>;<\/li>\n\n\n\n
- Cuidados de sa\u00fade<\/a>;<\/li>\n\n\n\n
- E muitos outros<\/a>.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Como funciona a rotulagem de dados?<\/strong><\/h2>\n\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-01-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-02-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-03-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-04-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-05-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-06-1024x1024.jpg\")
<\/a><\/figure>\n\n\n\n![\"\"](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2023\/06\/social-media-07-1024x1024.jpg\")
<\/a><\/figure>\n<\/figure>\n\n\n\nH\u00e1 passos espec\u00edficos a seguir no processo de rotulagem de dados:<\/p>\n\n\n\n
Recolha de dados<\/strong><\/h3>\n\n\n\nO primeiro passo consiste em recolher a quantidade e variedade corretas de dados que se adequem aos requisitos do modelo. Para isso, existem algumas abordagens diferentes:<\/p>\n\n\n\n
\n- Recolha manual de dados – <\/strong>Uma maior e mais diversificada quantidade de dados garante resultados mais exatos do que uma pequena quantidade. Dependendo do caso de utiliza\u00e7\u00e3o, uma op\u00e7\u00e3o \u00e9 fazer com que o utilizador recolha os dados por si, mas se, por exemplo, estiver a desenvolver um modelo de PNL (Processamento de linguagem natural), ser\u00e1 melhor utilizar uma ferramenta de recolha de dados para encontrar, recolher e analisar automaticamente as informa\u00e7\u00f5es por si.<\/li>\n\n\n\n
- Conjuntos de dados de fonte aberta – <\/strong>Esta op\u00e7\u00e3o \u00e9 uma excelente forma de as organiza\u00e7\u00f5es mais pequenas terem acesso a dados que, de outra forma, demorariam muito tempo a recolher, otimizando assim a acessibilidade e a rela\u00e7\u00e3o custo-efic\u00e1cia.<\/li>\n\n\n\n
- Gera\u00e7\u00e3o de dados sint\u00e9ticos – <\/strong>A gera\u00e7\u00e3o de dados sint\u00e9ticos envolve a cria\u00e7\u00e3o de conjuntos de dados simulados que podem ser tanto vantajosos como desvantajosos. Os conjuntos de dados sint\u00e9ticos s\u00e3o habitualmente utilizados em duas \u00e1reas principais: vis\u00e3o por computador e dados tabulares (como os dados relativos aos cuidados de sa\u00fade e \u00e0 seguran\u00e7a). As empresas que se dedicam \u00e0 condu\u00e7\u00e3o aut\u00f3noma s\u00e3o frequentemente pioneiras na utiliza\u00e7\u00e3o de dados sint\u00e9ticos, especialmente quando se trata de objetos invis\u00edveis ou obstru\u00eddos em cen\u00e1rios do mundo real.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Identifica\u00e7\u00e3o de dados<\/strong><\/h3>\n\n\n\nUma vez recolhidos os dados n\u00e3o rotulados, \u00e9 altura de os rotular. A rotulagem de dados \u00e9 efetuada por humanos que identificam dados n\u00e3o rotulados utilizando software espec\u00edfico. Por exemplo, pode ser-lhes pedido que determinem o significado de uma palavra num texto ou que acompanhem um objeto ao longo de um v\u00eddeo. Todos estes resultados servem de informa\u00e7\u00e3o de treino para o seu modelo.<\/p>\n\n\n\n
<\/div>\n\n\n\nQA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n![\"Case](\"https:\/\/makewise.pt\/pt\/wp-content\/uploads\/sites\/2\/2022\/06\/stock-vision-real-time-shelf-monitoring-case-study.png\")
<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
Porqu\u00ea utilizar a rotulagem de dados?<\/strong><\/h2>\n\n\n\nOs conjuntos de dados rotulados s\u00e3o de extrema import\u00e2ncia para os modelos de aprendizagem, ajudando o modelo a processar e a compreender os dados inseridos. Desta forma, uma vez analisados os dados, as previs\u00f5es do modelo correspondem ou n\u00e3o ao seu objetivo. Ap\u00f3s isso, o utilizador define se o modelo precisa de mais ajustes e testes ou n\u00e3o. H\u00e1 v\u00e1rios casos de uso para rotulagem de dados e vis\u00e3o computacional, como:<\/p>\n\n\n\n
\n- Ve\u00edculos de condu\u00e7\u00e3o aut\u00f3noma<\/a>;<\/li>\n\n\n\n
- Realidade aumentada<\/a>;<\/li>\n\n\n\n
- Cuidados de sa\u00fade<\/a>;<\/li>\n\n\n\n
- E muitos outros<\/a>.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Como funciona a rotulagem de dados?<\/strong><\/h2>\n\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n<\/figure>\n\n\n\nH\u00e1 passos espec\u00edficos a seguir no processo de rotulagem de dados:<\/p>\n\n\n\n
Recolha de dados<\/strong><\/h3>\n\n\n\nO primeiro passo consiste em recolher a quantidade e variedade corretas de dados que se adequem aos requisitos do modelo. Para isso, existem algumas abordagens diferentes:<\/p>\n\n\n\n
\n- Recolha manual de dados – <\/strong>Uma maior e mais diversificada quantidade de dados garante resultados mais exatos do que uma pequena quantidade. Dependendo do caso de utiliza\u00e7\u00e3o, uma op\u00e7\u00e3o \u00e9 fazer com que o utilizador recolha os dados por si, mas se, por exemplo, estiver a desenvolver um modelo de PNL (Processamento de linguagem natural), ser\u00e1 melhor utilizar uma ferramenta de recolha de dados para encontrar, recolher e analisar automaticamente as informa\u00e7\u00f5es por si.<\/li>\n\n\n\n
- Conjuntos de dados de fonte aberta – <\/strong>Esta op\u00e7\u00e3o \u00e9 uma excelente forma de as organiza\u00e7\u00f5es mais pequenas terem acesso a dados que, de outra forma, demorariam muito tempo a recolher, otimizando assim a acessibilidade e a rela\u00e7\u00e3o custo-efic\u00e1cia.<\/li>\n\n\n\n
- Gera\u00e7\u00e3o de dados sint\u00e9ticos – <\/strong>A gera\u00e7\u00e3o de dados sint\u00e9ticos envolve a cria\u00e7\u00e3o de conjuntos de dados simulados que podem ser tanto vantajosos como desvantajosos. Os conjuntos de dados sint\u00e9ticos s\u00e3o habitualmente utilizados em duas \u00e1reas principais: vis\u00e3o por computador e dados tabulares (como os dados relativos aos cuidados de sa\u00fade e \u00e0 seguran\u00e7a). As empresas que se dedicam \u00e0 condu\u00e7\u00e3o aut\u00f3noma s\u00e3o frequentemente pioneiras na utiliza\u00e7\u00e3o de dados sint\u00e9ticos, especialmente quando se trata de objetos invis\u00edveis ou obstru\u00eddos em cen\u00e1rios do mundo real.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Identifica\u00e7\u00e3o de dados<\/strong><\/h3>\n\n\n\nUma vez recolhidos os dados n\u00e3o rotulados, \u00e9 altura de os rotular. A rotulagem de dados \u00e9 efetuada por humanos que identificam dados n\u00e3o rotulados utilizando software espec\u00edfico. Por exemplo, pode ser-lhes pedido que determinem o significado de uma palavra num texto ou que acompanhem um objeto ao longo de um v\u00eddeo. Todos estes resultados servem de informa\u00e7\u00e3o de treino para o seu modelo.<\/p>\n\n\n\n
<\/div>\n\n\n\nQA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
Como funciona a rotulagem de dados?<\/strong><\/h2>\n\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n<\/figure>\n\n\n\nH\u00e1 passos espec\u00edficos a seguir no processo de rotulagem de dados:<\/p>\n\n\n\n
Recolha de dados<\/strong><\/h3>\n\n\n\nO primeiro passo consiste em recolher a quantidade e variedade corretas de dados que se adequem aos requisitos do modelo. Para isso, existem algumas abordagens diferentes:<\/p>\n\n\n\n
\n- Recolha manual de dados – <\/strong>Uma maior e mais diversificada quantidade de dados garante resultados mais exatos do que uma pequena quantidade. Dependendo do caso de utiliza\u00e7\u00e3o, uma op\u00e7\u00e3o \u00e9 fazer com que o utilizador recolha os dados por si, mas se, por exemplo, estiver a desenvolver um modelo de PNL (Processamento de linguagem natural), ser\u00e1 melhor utilizar uma ferramenta de recolha de dados para encontrar, recolher e analisar automaticamente as informa\u00e7\u00f5es por si.<\/li>\n\n\n\n
- Conjuntos de dados de fonte aberta – <\/strong>Esta op\u00e7\u00e3o \u00e9 uma excelente forma de as organiza\u00e7\u00f5es mais pequenas terem acesso a dados que, de outra forma, demorariam muito tempo a recolher, otimizando assim a acessibilidade e a rela\u00e7\u00e3o custo-efic\u00e1cia.<\/li>\n\n\n\n
- Gera\u00e7\u00e3o de dados sint\u00e9ticos – <\/strong>A gera\u00e7\u00e3o de dados sint\u00e9ticos envolve a cria\u00e7\u00e3o de conjuntos de dados simulados que podem ser tanto vantajosos como desvantajosos. Os conjuntos de dados sint\u00e9ticos s\u00e3o habitualmente utilizados em duas \u00e1reas principais: vis\u00e3o por computador e dados tabulares (como os dados relativos aos cuidados de sa\u00fade e \u00e0 seguran\u00e7a). As empresas que se dedicam \u00e0 condu\u00e7\u00e3o aut\u00f3noma s\u00e3o frequentemente pioneiras na utiliza\u00e7\u00e3o de dados sint\u00e9ticos, especialmente quando se trata de objetos invis\u00edveis ou obstru\u00eddos em cen\u00e1rios do mundo real.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Identifica\u00e7\u00e3o de dados<\/strong><\/h3>\n\n\n\nUma vez recolhidos os dados n\u00e3o rotulados, \u00e9 altura de os rotular. A rotulagem de dados \u00e9 efetuada por humanos que identificam dados n\u00e3o rotulados utilizando software espec\u00edfico. Por exemplo, pode ser-lhes pedido que determinem o significado de uma palavra num texto ou que acompanhem um objeto ao longo de um v\u00eddeo. Todos estes resultados servem de informa\u00e7\u00e3o de treino para o seu modelo.<\/p>\n\n\n\n
<\/div>\n\n\n\nQA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n<\/figure>\n\n\n\nH\u00e1 passos espec\u00edficos a seguir no processo de rotulagem de dados:<\/p>\n\n\n\n
Recolha de dados<\/strong><\/h3>\n\n\n\nO primeiro passo consiste em recolher a quantidade e variedade corretas de dados que se adequem aos requisitos do modelo. Para isso, existem algumas abordagens diferentes:<\/p>\n\n\n\n
\n- Recolha manual de dados – <\/strong>Uma maior e mais diversificada quantidade de dados garante resultados mais exatos do que uma pequena quantidade. Dependendo do caso de utiliza\u00e7\u00e3o, uma op\u00e7\u00e3o \u00e9 fazer com que o utilizador recolha os dados por si, mas se, por exemplo, estiver a desenvolver um modelo de PNL (Processamento de linguagem natural), ser\u00e1 melhor utilizar uma ferramenta de recolha de dados para encontrar, recolher e analisar automaticamente as informa\u00e7\u00f5es por si.<\/li>\n\n\n\n
- Conjuntos de dados de fonte aberta – <\/strong>Esta op\u00e7\u00e3o \u00e9 uma excelente forma de as organiza\u00e7\u00f5es mais pequenas terem acesso a dados que, de outra forma, demorariam muito tempo a recolher, otimizando assim a acessibilidade e a rela\u00e7\u00e3o custo-efic\u00e1cia.<\/li>\n\n\n\n
- Gera\u00e7\u00e3o de dados sint\u00e9ticos – <\/strong>A gera\u00e7\u00e3o de dados sint\u00e9ticos envolve a cria\u00e7\u00e3o de conjuntos de dados simulados que podem ser tanto vantajosos como desvantajosos. Os conjuntos de dados sint\u00e9ticos s\u00e3o habitualmente utilizados em duas \u00e1reas principais: vis\u00e3o por computador e dados tabulares (como os dados relativos aos cuidados de sa\u00fade e \u00e0 seguran\u00e7a). As empresas que se dedicam \u00e0 condu\u00e7\u00e3o aut\u00f3noma s\u00e3o frequentemente pioneiras na utiliza\u00e7\u00e3o de dados sint\u00e9ticos, especialmente quando se trata de objetos invis\u00edveis ou obstru\u00eddos em cen\u00e1rios do mundo real.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
Identifica\u00e7\u00e3o de dados<\/strong><\/h3>\n\n\n\nUma vez recolhidos os dados n\u00e3o rotulados, \u00e9 altura de os rotular. A rotulagem de dados \u00e9 efetuada por humanos que identificam dados n\u00e3o rotulados utilizando software espec\u00edfico. Por exemplo, pode ser-lhes pedido que determinem o significado de uma palavra num texto ou que acompanhem um objeto ao longo de um v\u00eddeo. Todos estes resultados servem de informa\u00e7\u00e3o de treino para o seu modelo.<\/p>\n\n\n\n
<\/div>\n\n\n\nQA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
Identifica\u00e7\u00e3o de dados<\/strong><\/h3>\n\n\n\nUma vez recolhidos os dados n\u00e3o rotulados, \u00e9 altura de os rotular. A rotulagem de dados \u00e9 efetuada por humanos que identificam dados n\u00e3o rotulados utilizando software espec\u00edfico. Por exemplo, pode ser-lhes pedido que determinem o significado de uma palavra num texto ou que acompanhem um objeto ao longo de um v\u00eddeo. Todos estes resultados servem de informa\u00e7\u00e3o de treino para o seu modelo.<\/p>\n\n\n\n
<\/div>\n\n\n\nQA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
QA (Controlo de qualidade<\/strong>)<\/h3>\n\n\n\n\u00c9 fundamental dispor de um controlo de qualidade para verificar a exatid\u00e3o dos dados etiquetados. O controlo de qualidade assegura resultados de qualidade consistentes, detetando erros e aumentando a produtividade nas tarefas de etiquetagem de dados.<\/p>\n\n\n\n
<\/div>\n\n\n\nTreino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
Treino do modelo<\/strong><\/h3>\n\n\n\nDepois de o conjunto de dados inicial ter sido rotulado e enviado para o controlo de qualidade, pode ser utilizado para treinar o seu modelo, ensinando-o a fazer previs\u00f5es exatas sobre novos dados. Nesta altura, \u00e9 necess\u00e1rio ter em conta algumas considera\u00e7\u00f5es, tais como:<\/p>\n\n\n\n
\n- Os dados s\u00e3o suficientes?<\/li>\n\n\n\n
- Os resultados s\u00e3o os esperados?<\/li>\n\n\n\n
- Como est\u00e1 o desempenho do modelo?<\/li>\n\n\n\n
- O modelo est\u00e1 a omitir alguma informa\u00e7\u00e3o importante?<\/li>\n\n\n\n
- O modelo \u00e9 bem-sucedido?<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
<\/div>\n\n\n\nTipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
N\u00e3o se esque\u00e7a de que o modelo requer uma monitoriza\u00e7\u00e3o cont\u00ednua do seu desempenho.<\/p>\n\n\n\n
Tipos de etiquetagem de dados<\/strong><\/h2>\n\n\n\nExistem v\u00e1rios tipos de etiquetagem de dados, mas podem ser considerados atrav\u00e9s de duas categorias principais: vis\u00e3o por computador e PNL.<\/p>\n\n\n\n
Vis\u00e3o por computador<\/strong><\/h3>\n\n\n\nUtilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
\n- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\nO PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\nExistem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
\n- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n<\/div>\n\n\n\n
STOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
\n- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
Utilizando dados de treino de alta qualidade, os modelos de VC podem abranger uma vasta gama de tarefas, tais como:<\/p>\n\n\n\n
- \n
- Dete\u00e7\u00e3o de objetos<\/a>;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n
- Reconhecimento de rostos<\/a>;<\/li>\n\n\n\n
- Etc.<\/li>\n<\/ul>\n\n\n\n
A rotulagem de dados em vis\u00e3o por computador e processamento de linguagem natural (PNL) difere principalmente nas t\u00e9cnicas de anota\u00e7\u00e3o utilizadas. As aplica\u00e7\u00f5es de vis\u00e3o por computador envolvem anota\u00e7\u00f5es como pol\u00edgonos, polilinhas, segmenta\u00e7\u00e3o sem\u00e2ntica e de inst\u00e2ncias, que n\u00e3o s\u00e3o normalmente utilizadas em PNL.<\/p>\n\n\n\n
<\/div>\n\n\n\nPNL (Processamento de linguagem natural<\/strong>)<\/h3>\n\n\n\n
O PNL combina a aprendizagem autom\u00e1tica e deep learning<\/em> para extrair informa\u00e7\u00f5es de dados textuais. A rotulagem de dados para PNL envolve a adi\u00e7\u00e3o de r\u00f3tulos a ficheiros ou a utiliza\u00e7\u00e3o de caixas delimitadoras para delinear o texto a rotular. As abordagens de rotulagem de dados em PNL podem ser classificadas em grupos sint\u00e1ticos e sem\u00e2nticos.<\/p>\n\n\n\n
<\/div>\n\n\n\nBoas pr\u00e1ticas de rotulagem de dados<\/strong><\/h2>\n\n\n\n
Existem algumas boas pr\u00e1ticas testadas e comprovadas para a rotulagem de dados. N\u00e3o se trata de um modelo \u00fanico, uma vez que cada projeto pode ter as suas abordagens espec\u00edficas.<\/p>\n\n\n\n
- \n
- Recolher dados variados – <\/strong>Os seus dados devem ser t\u00e3o variados quanto poss\u00edvel;<\/li>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Definir diretrizes de anota\u00e7\u00e3o – <\/strong>As instru\u00e7\u00f5es de anota\u00e7\u00e3o ajudam o modelo a evitar erros na rotulagem dos dados.<\/li>\n<\/ul>\n\n\n\n
<\/div>\n\n\n\nSTOCK.VISION: Monitoriza\u00e7\u00e3o Autom\u00e1tica de Prateleiras de Lojas pela MakeWise<\/strong><\/h2>\n\n\n\n
<\/a><\/figure>\n\n\n\nUma solu\u00e7\u00e3o de monitoriza\u00e7\u00e3o de prateleiras de lojas que fornece informa\u00e7\u00f5es de disponibilidade de artigos em tempo real com base em imagens de c\u00e2maras na loja.<\/p>\n\n\n\n
- \n
- Utiliza imagens de c\u00e2maras CCTV para monitorizar<\/li>\n\n\n\n
- Informa\u00e7\u00f5es de disponibilidade em tempo real<\/li>\n\n\n\n
- Alertas com a prateleira e a identifica\u00e7\u00e3o do produto<\/li>\n\n\n\n
- Stock na prateleira permanentemente monitorizado<\/li>\n<\/ul>\n\n\n\n
- Ter dados espec\u00edficos – <\/strong>Os dados recolhidos devem ser t\u00e3o espec\u00edficos quanto pretenda que sejam os seus resultados;<\/li>\n\n\n\n
- Classifica\u00e7\u00e3o de imagens<\/a>;<\/li>\n\n\n\n