Ajustement d’embeddings pour la recherche spécialisée (sentence-transformers)
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Je contrôle un échantillon aléatoire pour estimer le taux d’erreur par classe et par type. J’utilise aussi les prédictions de votre modèle pour repérer les exemples suspects, là où modèle et annotation divergent fortement. Ces exemples sont revus en priorité. Les corrections sont appliquées et tracées dans un fichier de suivi, et la consigne est mise à jour avec les cas ambigus rencontrés. Basé à Tiaret, je reste joignable pendant toute la durée de la mission. Outils utilisés : CVAT, Label Studio, cleanlab, Python. Délai indicatif : 13 jours à partir de la réception de tous les éléments.
Votre modèle plafonne et vous soupçonnez les annotations : consignes appliquées différemment, oublis, erreurs de classe. Personne n’a vérifié le jeu en entier.
Un diagnostic chiffré des erreurs d’annotation, un jeu corrigé et tracé, et une consigne clarifiée pour les annotations futures.
Réponses aux questions sur les corrections pendant un mois.
Les révisions prévues sont incluses ; au-delà, elles sont chiffrées avant d’être faites.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.