Como trabalhamos
O que assumimos, e como medimos se funcionou.
Não publicamos nomes de clientes, dados de clientes ou números específicos de projeto — não porque não temos, mas porque a confidencialidade que prometemos a um cliente cobre os resultados dele também, não só a identidade. O que segue é o formato dos problemas que assumimos, em termos gerais, e exatamente como medimos um projeto sem amarrar nada a um engajamento específico.
Padrões de problema
O formato do que costumam nos pedir para resolver.
Descrito de forma geral, ao longo de vários engajamentos — não amarrado a nenhum cliente ou projeto específico.
Varejo · embalagem industrial · produtos guiados por catálogo
Uma linha de produto que muda mais rápido do que um dataset real consegue ser reconstruído.
O formato deste problema: um catálogo, conjunto de SKUs ou lista de peças que atualiza com frequência suficiente pra que um dataset de fotos reais fique desatualizado antes mesmo do modelo ser retreinado nele. Captura em campo, revisão e rotulagem levam de semanas a meses por atualização — e o processo recomeça do zero na próxima mudança.
Como abordamos
- Reconstruímos a cena física como um ambiente 3D paramétrico — prateleiras, embalagem, geometria de câmera
- Modelamos cada produto ou peça como um asset trocável, com o rótulo como uma propriedade independente do asset
- Geramos datasets de detecção ou reconhecimento nas combinações que importam — iluminação, oclusão, posicionamento
- Rodamos o mesmo pipeline de novo na próxima mudança de catálogo, em vez de recapturar do zero
Por que simulação se encaixa
Uma vez que a cena paramétrica existe, uma atualização de catálogo é uma mudança de dado de entrada, não uma campanha de campo. O dataset é regenerado no tempo que leva pra renderizar, não no tempo que leva pra agendar uma sessão de fotos, rotular e validar.
Agro · defeitos industriais · detecção crítica de segurança
Uma condição rara demais, ou perigosa demais, para já ter sido fotografada.
O formato deste problema: o caso que importa — uma doença num estágio específico, um defeito que ocorre uma vez em milhares de unidades, um quase-acidente de segurança — não apareceu em filmagem real em volume suficiente pra treinar, e pode nunca aparecer no próprio calendário dele.
Como abordamos
- Construímos o objeto ou a cena de forma paramétrica, com a condição rara como uma variável controlável
- Variamos severidade, escala, distribuição e contexto ao redor de forma independente
- Geramos a condição deliberadamente, no volume que o plano de treinamento exigir
- Validamos contra os exemplos reais que existem, pra checar se a distribuição sintética é um substituto justo
Por que simulação se encaixa
Nenhuma rotulagem mais rápida produz a foto de uma condição que ninguém registrou ainda. Este é o caso em que simulação não é um atalho em torno da coleta — é a única fonte do exemplo, ponto final.
Não publicamos nomes de clientes, dados específicos de projeto, ou resultados amarrados a um único engajamento — a mesma confidencialidade que prometeríamos a você cobre o último cliente também. Se você quiser conversar sobre encaixe para o seu caso específico, incluindo o que é realista esperar, essa é uma conversa que podemos ter diretamente.
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
Onde existe dado real rotulado, é contra ele que reportamos. Reportar F1 medido em imagens sintéticas não diria nada sobre o comportamento em produção, então não fazemos isso.
02
O mesmo conjunto para cada estratégia
Quando comparamos estratégias de treinamento — apenas-real, apenas-sintético, misto — elas são avaliadas em um conjunto de validação real idêntico. Caso contrário, a comparação é só decoração.
03
Preferimos vender de menos a vender além da conta
Se o seu próprio dado real já cobre a maior parte do caminho, vamos dizer 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
Validação no mesmo conjunto e condições de teste controladas funcionam do mesmo jeito, seja o modelo por trás do número um que ajudamos a treinar do zero ou um foundation model fine-tunado. A forma de medir não está amarrada a nenhuma maneira específica de construir o modelo.
Trabalhando em algo parecido?
Conte seu domínio e onde o modelo atualmente quebra. Vamos dizer se vale a pena testar simulação nele.