Características de V7 Darwin
Despliegue (10)
Flexibilidad lingüística
Permite a los usuarios introducir modelos creados en una variedad de idiomas.
Flexibilidad del marco
Permite a los usuarios elegir el marco o el entorno de trabajo de su preferencia.
Control de versiones
Se repiten versiones de registros a medida que se iteran los modelos.
Facilidad de implementación
Proporciona una forma rápida y eficaz de implementar modelos de aprendizaje automático.
Escalabilidad
Ofrece una forma de escalar el uso de modelos de aprendizaje automático en toda la empresa.
Flexibilidad lingüística
Permite a los usuarios introducir modelos creados en una variedad de idiomas.
Flexibilidad del marco
Permite a los usuarios elegir el marco o el entorno de trabajo de su preferencia.
Control de versiones
Se repiten versiones de registros a medida que se iteran los modelos.
Facilidad de implementación
Proporciona una forma rápida y eficaz de implementar modelos de aprendizaje automático.
Escalabilidad
Ofrece una forma de escalar el uso de modelos de aprendizaje automático en toda la empresa.
Gestión (7)
Catalogación
Registra y organiza todos los modelos de aprendizaje automático que se han implementado en toda la empresa.
Monitoreo
Realiza un seguimiento del rendimiento y la precisión de los modelos de aprendizaje automático.
Gobernante
Aprovisiona a los usuarios en función de la autorización para implementar e iterar modelos de aprendizaje automático.
Registro de modelos
Permite a los usuarios administrar artefactos de modelos y realizar un seguimiento de los modelos que se implementan en producción.
Catalogación
Registra y organiza todos los modelos de aprendizaje automático que se han implementado en toda la empresa.
Monitoreo
Realiza un seguimiento del rendimiento y la precisión de los modelos de aprendizaje automático.
Gobernante
Aprovisiona a los usuarios en función de la autorización para implementar e iterar modelos de aprendizaje automático.
Calidad (4)
Calidad de la etiquetadora
Ofrece al usuario una métrica para determinar la calidad de los etiquetadores de datos, en función de las puntuaciones de consistencia, el conocimiento del dominio, la verdad dinámica del terreno y más.
Calidad de la tarea
Garantiza que las tareas de etiquetado sean precisas a través del consenso, la revisión, la detección de anomalías y más.
Calidad de los datos
Asegura que los datos sean de alta calidad en comparación con el punto de referencia.
Humano-en-el-bucle
Ofrece al usuario la posibilidad de revisar y editar etiquetas.
Automatización (2)
Preetiquetado de aprendizaje automático
Utiliza modelos para predecir la etiqueta correcta para una entrada determinada (imagen, vídeo, audio, texto, etc.).
Enrutamiento automático del etiquetado
Dirija automáticamente la entrada a la etiquetadora o servicio de etiquetado óptimo en función de la velocidad y el costo previstos.
Anotación de imagen (4)
Segmentación de imágenes
Tiene la capacidad de colocar cuadros o polígonos imaginarios alrededor de objetos o píxeles en una imagen.
Detección de objetos
Tiene la capacidad de detectar objetos dentro de imágenes.
Seguimiento de objetos
Realizar un seguimiento de identificadores de objetos únicos en varios fotogramas de vídeo
Tipos de datos
Admite una gama de diferentes tipos de imágenes (satélite, cámaras térmicas, etc.)
Anotación en lenguaje natural (3)
Reconocimiento de entidad designada
Ofrece al usuario la capacidad de extraer entidades del texto (como ubicaciones y nombres).
Detección de sentimientos
Le da al usuario la capacidad de etiquetar texto en función de su sentimiento.
Ocr
Ofrece al usuario la capacidad de etiquetar y verificar los datos de texto de una imagen.
Anotación de voz (2)
Transcripción
Permite al usuario transcribir audio.
Reconocimiento de emociones
Le da al usuario la capacidad de etiquetar emociones en audio grabado.
Operaciones (3)
Métricas
Controlar el uso y el rendimiento del modelo en producción
Gestión de infraestructuras
Implemente aplicaciones de aprendizaje automático de misión crítica donde y cuando las necesite
Colaboración
Compare fácilmente experimentos (código, hiperparámetros, métricas, predicciones, dependencias, métricas del sistema, etc.) para comprender las diferencias en el rendimiento del modelo.





