Como trabalhamos
Os problemas que resolvemos e como medimos o resultado.
Por padrão, não publicamos nomes de clientes, dados de clientes nem números de projeto. Não é por falta do que mostrar: a confidencialidade que prometemos cobre também os resultados, não só a identidade. Abaixo, descrevemos em termos gerais os tipos de problema que resolvemos, sem ligar nada a um projeto específico.
Padrões de problema
Os tipos de problema que mais nos pedem para resolver.
Descritos de forma geral, a partir de vários projetos, sem ligação com nenhum cliente específico.
Varejo · embalagens industriais · produtos de catálogo
Uma linha de produtos que muda mais rápido do que dá para refazer o dataset.
O problema: um catálogo, um conjunto de produtos ou uma lista de peças que muda com tanta frequência que o dataset de fotos reais fica desatualizado antes mesmo de o modelo ser retreinado. Fotografar em campo, revisar e rotular leva de semanas a meses a cada atualização, e tudo recomeça na mudança seguinte.
imagens/cases/pattern-retail.jpg — parametric shelf/catalogue scene, illustrative — 1200×210
Como abordamos
- Reconstruímos a cena física em 3D, com parâmetros: prateleiras, embalagens, posição da câmera
- Modelamos cada produto ou peça como um objeto que pode ser trocado, com o rótulo independente do objeto
- Geramos datasets de detecção ou reconhecimento nas combinações que importam: iluminação, oclusão, posicionamento
- Rodamos o mesmo pipeline na próxima mudança de catálogo, em vez de fotografar tudo de novo
Por que a simulação ajuda
Depois que a cena paramétrica existe, atualizar o catálogo é só mudar um dado de entrada, não organizar uma campanha de campo. O dataset é gerado no tempo que a renderização leva, e não no tempo de agendar uma sessão de fotos, rotular e validar.
Agro · defeitos industriais · segurança
Uma condição rara demais, ou perigosa demais, para já ter sido fotografada.
O problema: o caso que mais importa (uma doença em um estágio específico, um defeito que aparece uma vez em milhares de peças, um quase-acidente) não apareceu em filmagens reais em quantidade suficiente para treinar, e pode nunca aparecer no ritmo que o projeto precisa.
imagens/cases/pattern-rare-condition.jpg — parametric rare-condition scene, illustrative — 1200×210
Como abordamos
- Montamos o objeto ou a cena com parâmetros, e a condição rara vira uma variável que podemos controlar
- Variamos severidade, escala, frequência e contexto de forma independente
- Geramos a condição de propósito, na quantidade que o plano de treino exigir
- Comparamos com os exemplos reais que existem, para checar se o sintético é um substituto justo
Por que a simulação ajuda
Nenhuma rotulagem mais rápida cria a foto de uma condição que ninguém registrou. Neste caso, a simulação não é um atalho em torno da coleta: é a única fonte do exemplo.
Quer saber se algo parecido se aplica ao seu caso? Vale uma conversa direta: contamos como abordaríamos o seu problema, dentro do que a confidencialidade de outros clientes permite.
Real vs. sintético
A mesma cena, com o rótulo vindo da geometria.
Arraste para comparar. À esquerda, o que uma câmera captura: ruído, luz irregular e nenhum rótulo. À direita, a simulação da mesma cena, com cada rótulo vindo do próprio modelo 3D.
Ilustração esquemática, não é um projeto de cliente.
Como medimos
O conjunto de validação é a única coisa que não simulamos.
Números só significam algo se você souber contra o que foram medidos. Os nossos são simples de explicar.
01
A validação continua real
Quando existe dado real rotulado, é nele que medimos os resultados. Medir o desempenho em imagens sintéticas não diria nada sobre o que acontece em produção, então não fazemos isso.
02
O mesmo conjunto para cada estratégia
Quando comparamos estratégias de treino (só real, só sintético ou misto), todas são avaliadas no mesmo conjunto de validação real. Sem isso, a comparação não vale nada.
03
Preferimos vender de menos a vender além da conta
Se o seu dado real já cobre a maior parte do caminho, dizemos isso, mesmo quando um projeto sintético maior seria a venda mais fácil. A quantidade certa de dado sintético às vezes é nenhuma.
04
O método não depende de qual modelo você usa
Medir no mesmo conjunto e testar em condições controladas funciona do mesmo jeito, seja o modelo um que ajudamos a treinar do zero ou um modelo de base (foundation model) que você ajustou. A forma de medir não depende de como o modelo foi construído.
Trabalhando em algo parecido?
Conte a sua área e onde o modelo erra hoje. Dizemos se vale a pena testar a simulação nele.