A tökéletes fotók azonosítása Androidon, gépi tanulással
Firebase ML Kit paraméterezési tapasztalatok, egy valós projekt kapcsán.
Machine recruiting: nem biztos, hogy szeretni fogod
Az AI visszafordíthatatlanul beépült a toborzás folyamatába.
|
Machine recruiting: nem biztos, hogy szeretni fogod
Az AI visszafordíthatatlanul beépült a toborzás folyamatába.
Melyek a képelemzés alapjai, illetve milyen lehetőségeket nyújt ehhez a Firebase ML Kit? Fejes Ádám, a Supercharge Android fejlesztője a 2019-es HWSW mobile! termékfejlesztési konferencián tartott előadásában bemutatja a Firebase ML Kit arcfelismerő rendszerének a paraméterezési lehetőségeit, illetve azt, hogyan lehet a lehető leggyorsabban kiszolgálni a felhasználókat. A Supercharge egyik 2019-es machine learning projektjében ugyanis fontos szempont volt, hogy ne várassák túl sokat a felhasználóinkat - a csapat rengeteget kísérletezett azzal, hogy milyen módon tudja optimalizálni algoritmusát. Ehhez megvizsgálták az optimalizációk hatását az eredmények pontosságán és a futási időn, különböző eszközökön, a végső cél pedig az volt, hogy megtalálják az adott feladathoz legjobban illeszkedő bemeneti formátumot és arcfelismerő rendszer paraméterezést. Az előadás a projekt értékes tapasztalatait járja körbe.
A tökéletes fotók azonosítása Androidon gépi tanulással - Fejes Ádám (Supercharge)
Még több videó
Machine recruiting: nem biztos, hogy szeretni fogod
Az AI visszafordíthatatlanul beépült a toborzás folyamatába.Machine recruiting: nem biztos, hogy szeretni fogod Az AI visszafordíthatatlanul beépült a toborzás folyamatába.
Melyek a képelemzés alapjai, illetve milyen lehetőségeket nyújt ehhez a Firebase ML Kit? Fejes Ádám, a Supercharge Android fejlesztője a 2019-es HWSW mobile! termékfejlesztési konferencián tartott előadásában bemutatja a Firebase ML Kit arcfelismerő rendszerének a paraméterezési lehetőségeit, illetve azt, hogyan lehet a lehető leggyorsabban kiszolgálni a felhasználókat. A Supercharge egyik 2019-es machine learning projektjében ugyanis fontos szempont volt, hogy ne várassák túl sokat a felhasználóinkat - a csapat rengeteget kísérletezett azzal, hogy milyen módon tudja optimalizálni algoritmusát. Ehhez megvizsgálták az optimalizációk hatását az eredmények pontosságán és a futási időn, különböző eszközökön, a végső cél pedig az volt, hogy megtalálják az adott feladathoz legjobban illeszkedő bemeneti formátumot és arcfelismerő rendszer paraméterezést. Az előadás a projekt értékes tapasztalatait járja körbe.
A tökéletes fotók azonosítása Androidon gépi tanulással - Fejes Ádám (Supercharge)
Még több videó