Kartu model dan kapabilitas teknis.

Pengenalan teks dan objek dari kamera atau berkas gambar. Seluruh inferensi berjalan di sisi klien; citra pengguna tidak dikirim ke server mana pun. Dipakai untuk digitalisasi naskah, pembacaan aksara, dan pencatatan lapangan tanpa jaringan.

Kerangka kerja

Tesseract.js 5 di atas WebAssembly untuk pengenalan teks; TensorFlow.js 4 dengan backend WebGL dan fallback WASM untuk klasifikasi objek. Prapemrosesan: koreksi perspektif empat titik, deskew berbasis transformasi Hough, normalisasi kontras adaptif, binarisasi Otsu.

Format model

model.json + shard .bin (TF.js GraphModel) · aksara .traineddata

Ukuran terkirim

6,1 MB setelah kuantisasi INT8; acuan FP32 22,6 MB. Latensi p95 terukur 412 ms.

Perangkat target

Peramban desktop modern dan Android kelas menengah dengan RAM 4 GB. Luring penuh setelah unduhan pertama melalui service worker.

Metrik evaluasi

Character Error Rate dan Word Error Rate untuk teks; presisi, recall, dan F1 per kelas untuk deteksi objek. Terukur 91,4% pada ukuran 1 − CER.

Keluaran

Modul inferensi, berkas model, himpunan uji beranotasi, dan laporan akurasi per kelas beserta daftar kegagalan yang diketahui.

01import { createWorker } from "tesseract.js";
02
03// Bobot dan data aksara dimuat sekali, lalu disimpan di Cache Storage.
04const worker = await createWorker("jav", 1, {
05  workerPath: "/wasm/tesseract-worker.min.js",
06  langPath: "/model/traineddata",
07});
08await worker.setParameters({ tessedit_pageseg_mode: "6" });
09const { data } = await worker.recognize(await deskew(kanvas));
10render(data.text, data.confidence);

Klasifikasi citra untuk domain sempit: motif kain, ragam artefak, jenis tanaman, varian bangunan. Model diperkecil sampai muat dikirim lewat jaringan seluler, lalu dijalankan tanpa panggilan server.

Arsitektur dan runtime

MobileNetV3-Small dengan transfer learning; EfficientNet-Lite0 bila jumlah kelas melewati lima puluh. Dijalankan lewat TensorFlow.js atau ONNX Runtime Web dengan WebAssembly SIMD dan multi-thread.

Format model

.onnx opset 17 atau TF.js GraphModel · kuantisasi dinamis INT8

Ukuran terkirim

8,4 MB untuk klasifikator motif dan 12,9 MB untuk klasifikator artefak. Latensi p95 terukur 178 ms dan 264 ms.

Perangkat target

Peramban seluler dan desktop; tanpa GPU khusus, tanpa server inferensi. Anggaran memori puncak di bawah 320 MB.

Metrik evaluasi

Akurasi top-1 dan top-3, macro F1, dan matriks kekeliruan. Ambang penerimaan top-1 minimum 80% pada himpunan uji terpisah; terukur 88,2% dan 84,7%.

Keluaran

Bobot terkuantisasi, skrip pelatihan, kartu model berisi batasan yang diketahui, dan laporan evaluasi per kelas.

01import * as ort from "onnxruntime-web";
02
03ort.env.wasm.simd = true;
04ort.env.wasm.numThreads = 4;
05
06const sesi = await ort.InferenceSession.create("/model/motif-int8.onnx");
07const x = new ort.Tensor("float32", praproses(bingkai, 224), [1, 3, 224, 224]);
08const { logits } = await sesi.run({ input: x });
09const teratas = topK(softmax(logits.data), 3);

Penjadwalan ulangan berbasis bukti untuk produk edukasi. Sistem menghitung kapan satu unit materi harus diulang agar tetap teringat, dan berhenti mengulang unit yang sudah dikuasai.

Algoritma

FSRS dengan parameter yang dioptimalkan ulang dari log ulangan pengguna sesungguhnya; SM-2 dipakai bila diminta implementasi ringkas. Skor penguasaan per unit meluruh terhadap waktu, dengan pemisahan antara kekeliruan baru dan kekeliruan berulang.

Format parameter

parameter FSRS 17 nilai (JSON) · skema kartu dan log ulangan PostgreSQL

Antarmuka

GET /jadwal · POST /ulangan · POST /kalibrasi · GET /penguasaan

Perangkat target

Aplikasi web progresif. Sesi belajar tetap berjalan tanpa jaringan memakai IndexedDB, dengan rekonsiliasi per kartu saat perangkat kembali daring.

Metrik evaluasi

Retensi terukur pada interval 1, 7, dan 30 hari; tingkat penyelesaian sesi; serta kalibrasi prediksi memakai log-loss terhadap hasil ulangan sesungguhnya.

Keluaran

Pustaka penjadwalan, skema basis data, dokumentasi API, dan dasbor pemantauan retensi.

01import { fsrs, Rating } from "@/lib/fsrs";
02
03// Satu penilaian pengguna menentukan tanggal ulangan berikutnya.
04export function jadwalkan(kartu: Kartu, nilai: Rating, saatIni: Date) {
05  const hasil = fsrs(PARAM_TERKALIBRASI).repeat(kartu, saatIni);
06  const berikut = hasil[nilai].card;
07  return { jatuhTempo: berikut.due, stabilitas: berikut.stability };
08}

Lapisan aplikasi tempat model dipasang: basis data, autentikasi, API, pencarian, dan integrasi model bahasa. Bagian ini yang membuat model menjadi produk, bukan berhenti sebagai notebook percobaan.

Kerangka kerja

Next.js 15 App Router dengan TypeScript mode ketat; Route Handlers untuk seluruh endpoint. Pemanggilan LLM terkelola dengan pembatasan laju, penyaringan masukan, penanganan gagal berjenjang, dan pencatatan biaya per permintaan.

Basis data

PostgreSQL melalui Supabase, dengan Row Level Security aktif dan migrasi berversi.

Format indeks

pgvector HNSW · 768–1536 dimensi · m=16 · ef_construction=200

Perangkat target

Peramban dan klien seluler; render sisi server untuk halaman publik agar terbaca mesin pengindeks. Model embedding varian ringan dapat dijalankan luring di peramban.

Metrik evaluasi

Latensi persentil ke-95 tiap endpoint, recall@10 pada himpunan kueri berlabel, dan biaya per seribu permintaan. Recall@10 terukur 86,5% pada varian embedding luring.

Keluaran

Repositori aplikasi, skema basis data, dokumentasi API, dan konfigurasi lingkungan produksi.

01import { cariHibrida } from "@/lib/pencarian";
02
03// Gabungan pencocokan leksikal dan kemiripan kosinus pada indeks HNSW.
04export async function POST(req: Request) {
05  const { kueri } = await req.json();
06  const vektor = await embed(kueri, 768);
07  const hasil = await cariHibrida(kueri, vektor, { batas: 10, ambang: 0.62 });
08  return Response.json({ hasil, dimensi: 768 });
09}

Penerjemahan mesin untuk bahasa dengan sumber daya terbatas. Titik beratnya pada mutu korpus paralel; model hanya sebaik pasangan kalimat yang menjadi bahan latihnya.

Model dasar

NLLB-200 varian distilled 600M. Penyetelan penuh untuk korpus besar, atau adaptor LoRA saat anggaran komputasi terbatas. Tokenisasi SentencePiece, dengan penambahan token bahasa baru bila kode bahasa belum ada pada model dasar.

Format model

safetensors + adaptor LoRA · varian CTranslate2 INT8 untuk penyajian

Data

Korpus paralel tersegmentasi per kalimat, penyelarasan yang diperiksa manusia, pembuangan duplikat, dan pemisahan himpunan uji sebelum pelatihan dimulai.

Perangkat target

Endpoint inferensi terkontainer. Model sebesar ini tidak dijalankan di peramban; batas itu dinyatakan terbuka, bukan disembunyikan.

Metrik evaluasi

sacreBLEU dan chrF++ pada himpunan uji tertahan, ditambah penilaian manusia untuk adekuasi dan kelancaran pada skala satu sampai lima. Korpus di bawah 5.000 pasang kalimat menghasilkan model berstatus eksperimental.

Keluaran

Bobot hasil penyetelan, korpus terkurasi, skrip evaluasi, laporan skor, dan daftar batas penerapan.

01from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
02
03tok = AutoTokenizer.from_pretrained(JALUR, src_lang="ind_Latn")
04model = AutoModelForSeq2SeqLM.from_pretrained(JALUR)
05
06x = tok(kalimat, return_tensors="pt", truncation=True, max_length=192)
07y = model.generate(**x, num_beams=4,
08                   forced_bos_token_id=tok.convert_tokens_to_ids("jav_Latn"))
09print(tok.batch_decode(y, skip_special_tokens=True))

Pekerjaan yang membuat hasil dapat diulang: versi dataset, pengujian otomatis, dan jalur rilis yang sama dari mesin pengembang sampai produksi.

Pipeline data

Penyerapan, deduplikasi dengan perceptual hash, anotasi berversi, dan pemisahan latih–validasi–uji yang stabil antar iterasi sehingga angka lama tetap dapat direproduksi.

Format ekspor

CSV + JSON berlisensi terbuka · kamus data · ringkasan statistik · catatan asal usul

Gerbang mutu

Rilis ditahan otomatis bila macro F1 turun lebih dari 1,5 poin terhadap acuan, atau bila ukuran berkas model melewati anggaran yang disepakati.

Perangkat target

Integrasi berkelanjutan berbasis kontainer; artefak model disimpan dengan penanda versi dan tautan ke commit yang menghasilkannya.

Metrik evaluasi

Uji unit pada transformasi data, uji regresi metrik model, dan reproduksi hasil dari commit yang sama pada mesin bersih.

Keluaran

Repositori pipeline, artefak dataset, berkas konfigurasi, dan dokumentasi operasi termasuk prosedur pengembalian versi.

01import json, sys
02
03acuan = json.load(open("metrik/acuan.json"))
04kandidat = json.load(open("metrik/kandidat.json"))
05
06for nama, ambang in AMBANG_PENURUNAN.items():
07    if acuan[nama] - kandidat[nama] > ambang:
08        sys.exit("rilis ditahan: " + nama + " turun melewati ambang")
09print("gerbang mutu lolos", kandidat)