Centro Federal de Educação Tecnológica de Minas Gerais

"Não está pronto pois há a presença de overfitting, observado pela queda contínua do loss de treino e a separação e crescimento do loss de validação a partir da época 8, indica que o modelo começou a decorar os dados."

"Para as features numéricas, utilizar Standard Scaler. Aplicando o fit_transform no treino e transform no teste. Para as features categóricas, One Hot Encoding. Backpropagation é um algoritmo de otimização do gradiente para atualização dos pesos, utiliza a regra da cadeia para calcular o gradiente com base na função loss."

"Utilização de métricas como Recall, Acurácia, F1-Score e também matriz de confusão. Para a reprodução do experimento, é essencial salvar os pesos do modelo."

"Utilizar imagens com diferentes luminosidades, fundo de imagens diferente (indicará se o modelo decorou o fundo). Utilizar peças em posições diferentes, pois o modelo pode ter decorado a posição da peça."

"A CNN é indicada por utilizar filtros deslizantes sobre a imagem, ao invés de conectar todos os pixels a todos os neurônios. Utilizar um modelo já pré-treinado é interessante pelo fato de já haver conhecimento adquirido, sendo necessário uma nova camada apenas para classificar a imagem mais específicas."

"Realizar novo treinamento com as imagens noturnas é uma opção, tendo uma nova base de treino e testes para cenários específicos noturnos."

"Nesse contexto, um classificador mal calibrado é um que classifica uma ocorrência necessária real como sendo falsa."

"Deve-se priorizar o aumento de verdadeiros positivos e diminuir o número de falsos positivos, proporcionando melhor atendimento a quem realmente precisa. O custo de falsos positivos é ruim, pois estoura a capacidade operacional da equipe."

"Acompanhamento frequente das métricas e matrizes de confusão, se necessário, retreinando o modelo com mais dados."

"No Word2Vec palavras são mapeadas para vetores, e palavras relacionadas são próximas entre si com base em seu contexto. Entretanto, o vetor não carrega em si próprio, o seu contexto. A similaridade do cosseno pode falhar ao não considerar totalmente o contexto da palavra."

"Porque o modelo pode errar e trazer respostas que não fazem sentido com aquilo que foi pedido. É necessário se utilizar a união de métricas específicas como suporte, confiança e lift"

"A abordagem híbrida surge com efeito pois, além de considerar o resultado semântico, ela também leva em consideração a aparição léxica de palavras da query em questão."

"É necessário fixar limiares de comparação, por mais que um documento possa ter o maior escore entre todos em uma consulta, não significa que tem uma resposta correta. Se não atingir os limiares, deve haver abstenção."

"Utilizando um validador básico, com métricas de suporte, lift e confiança antes de responder ao usuário, abstenção de resultados que não atingem limiares básicos."

"Através de gráficos, por exemplo. Se houver muitas abstenção, é indicativo de que os documentos não fazem sentido de resposta para as perguntas."