Skip to main content

Minute 1

· 2 min read
Rodrigo Abreu
Rodrigo Abreu

Método​

Presencial

Duração​

9:00 - 10:30

Supervisores presentes​

  • Rafael Teixeira ✔️
  • Rafael Direito
  • Rui Aguiar ✔️

Membros presentes​

  • Rodrigo Abreu ✔️
  • Eduardo Lopes ✔️
  • João Neto ✔️
  • Hugo Ribeiro ✔️
  • Jorge Domingues ✔️

Assuntos discutidos​

  • Dúvidas relacionadas com a implementação
  • Arquitetura
  • ML
  • Tecnologias
  • Contextualização das telecomunicações
  • Microsite

Resumo​

Considerações acerca do projeto com o orientador Rafael Teixeira​

Dados​

  • Uma base de dados time series seria o mais adequado para o problema.
  • Os dados terão de ser guardados antes de serem processados e, dependendo do pipeline, mais versões precisarão ser armazenadas.
  • Os dados servirão para análise (não relacionado com ML): médias, medianas, máximos, mínimos, desvio padrão, etc.
  • Trabalhar desde cedo com data streams, usando um dataset com timestamp para simular data stream.

Data Lake​

  • Devemos usar um host local.

ML​

  • Evitar que o modelo veja dados do futuro (apenas usá-los para teste) para não enviesar os resultados.
  • Fazer pre-processed training.
  • Não focar na complexidade do modelo no início.

Tecnologias​

  • TensorFlow ou Scikit-Learn podem ser úteis para ML.
  • Kafka poderá ser a ferramenta mais adequada para a implementação do publish/subscribe do streaming de dados.
  • Precisamos de ferramentas para monitoring.
  • Grafana poderá ser útil para analisar os dados.

Considerações acerca do projeto com o orientador Rui Aguiar​

Contextualização​

  • Apresentação do panorama das telecomunicações e 5G, especialmente em Portugal (exemplos da Meo, Vodafone, etc).
  • Importância do software ser robusto, pois falhas podem impactar milhões de pessoas.

Arquitetura 5G​

  • Importante cumprir os standards, embora não seja possível cobrir todos com a API.
  • Fundamental a abstração de cada componente.
  • Desenvolver o software de forma modular, permitindo a substituição de partes da arquitetura para futuras melhorias.

Apresentação do microsite ao orientador Rafael Teixeira​

Notas​

  • O primeiro passo é data engineering.
  • Devemos usar o que já está feito sempre que possível (não reinventar a roda).
  • Existem ferramentas de Auto ML.
  • A complexidade do ML não deve ser a prioridade; focar no restante das implementações primeiro.
  • A complexidade do modelo dependerá do tempo disponível no final.
  • No momento, focar na arquitetura e deixar detalhes da implementação para depois.