Sobre a SynthVision
Tudo começou com um projeto que não conseguia os dados de que precisava.
Não nasceu de uma tese de mercado. Um sistema de visão computacional estava pronto para lançar, mas os dados de que precisava estavam sempre a meses de distância, toda vez que o produto mudava.
A origem
Uma geladeira inteligente que não conseguia ver os próprios produtos.
O projeto era um sistema de refrigeração inteligente: reconhecer quais produtos estavam presentes em cada prateleira, em tempo real, a partir da câmera dentro do gabinete. O hardware estava pronto. A arquitetura do modelo era sólida. O problema era que o modelo não tinha nada com que aprender.
Toda mudança de produto invalidava o dataset. As equipes de campo tinham que fotografar os produtos novos em locais, luzes e níveis de estoque diferentes. Depois as imagens precisavam ser revisadas, rotuladas e validadas, e só então o treino podia começar.
Atualizar o catálogo, o que acontecia várias vezes por ano, levava meses, da primeira foto até um modelo pronto para uso. Numa frota grande de geladeiras, esse atraso não era um incômodo: era o que travava o lançamento.
“Se eu conseguir reconstruir essa prateleira em 3D e trocar os produtos de forma paramétrica, consigo gerar o dataset inteiro em uma tarde.”
Essa foi a ideia, e ela se confirmou. O primeiro dataset sintético igualou o que semanas de captura em campo teriam produzido, e a próxima atualização de produto levou uma fração do tempo.
A SynthVision existe para levar isso a qualquer time cujo modelo esteja limitado pelos dados, e não pela arquitetura: agro, indústria, segurança, varejo, logística, automotivo, robótica e pesquisa.
Fundador · Visão Computacional
Guilherme Bileki
Engenheiro de visão computacional, com experiência em construir sistemas de CV que rodam em produção no agro, no varejo e na indústria, de dispositivos inteligentes a pipelines completos de machine learning.
Ele fundou a SynthVision depois de bater na mesma parede várias vezes: conseguir os dados certos de treino levava mais tempo do que construir o modelo. Cada projeto é conduzido de ponta a ponta, do diagnóstico às iterações, e por isso você fala com quem constrói o seu pipeline, não com uma fila de suporte.
Acesso direto
Tecnologia sofisticada, sem a distância de um grande fornecedor.
Grandes plataformas têm escala, ecossistema e muitos engenheiros. Mas também têm um limite: se o que você precisa não está no planejamento delas, o caminho passa por uma fila de suporte, um time de produto e um ciclo de lançamento.
Tecnologia de grande empresa.
Acesso direto a quem a constrói.
Aqui, um pedido seu vira uma mudança no pipeline e, em seguida, um dataset novo. O ciclo é curto de propósito.
→
→
→
→
Como pensamos
Princípios que guiam cada projeto.
Alguns deles tornam o nosso trabalho mais difícil. Mesmo assim, são os que mantemos.
Falta de dado é um problema do modelo
Quando um modelo falha em produção, a causa costuma ser uma lacuna nos dados: uma condição que nunca apareceu, uma classe sem exemplos suficientes, um rótulo que nunca foi exato. Resolver isso é resolver o modelo.
Controlado vence gerado
Quando um modelo gera uma imagem, ela não é exatamente o que você especificou. Quando você monta uma cena, consegue descrever com exatidão o conteúdo e os rótulos de cada imagem. Essa diferença é o produto inteiro.
Dado sintético e real são complementares
Não se trata de trocar um pelo outro. O dado sintético amplia a cobertura para condições que a coleta real não alcança. O dado real mantém o modelo com os pés no chão e continua sendo o único teste final honesto.
Controle e rastreabilidade não são negociáveis
Toda imagem pode ser ligada aos parâmetros que a produziram. É reproduzível, auditável e explicável: não aproximadamente, e não por sorteio.
Um parceiro técnico, não um fornecedor de dados
Receber uma especificação e devolver um arquivo zip não funciona, porque o próximo lote certo depende do que o modelo ainda está errando. O ciclo de ajuste precisa continuar rodando.
A velocidade de iteração se acumula
Um dia entre avaliar o modelo e gerar o próximo lote, em vez de duas semanas, significa cerca de quinze vezes mais ciclos de ajuste na mesma janela do projeto. É aí que o valor se concentra.
Rotular fica mais fácil. Capturar, não.
Os modelos generalistas estão cada vez melhores em rotular imagens que já existem, e esperamos que isso continue. É um progresso real, que resolve metade do problema. A outra metade eles não tocam: uma condição que ninguém fotografou não está no dataset de ninguém, por melhor que seja a ferramenta de rotulagem. É para essa metade que construímos, e ela não depende do tamanho do modelo.
Quer saber como isso se aplica ao seu projeto?
Começamos com uma conversa de diagnóstico. Sem apresentação e sem compromisso: só uma conversa franca sobre o seu problema de dados.