Guest
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.
