8. Studiu de caz

Pentru a demonstra valoarea practică și eficiența platformei 2N2D, am realizat un studiu de caz care simulează un scenariu real de utilizare: optimizarea unui model de regresie pentru predicția prețurilor imobiliare.

Obiectiv: Îmbunătățirea performanței unui model de rețea neuronală de bază, utilizând un set de date standard din industrie.

Metodologie:

1. Set de Date și Model Inițial:
   • Am utilizat setul de date public “Boston Housing”, care conține 13 atribute despre locuințe pentru a prezice prețul acestora.
   • Am creat un model de bază de tip feedforward, cu 2 straturi ascunse și 32 de neuroni pe strat, salvat în format .onnx.
2. Performanța de Bază (Baseline):
   • Fișierele (boston.csv și model.onnx) au fost încărcate pe platformă.
   • Am evaluat performanța modelului inițial, care a obținut un scor al coeficientului de determinare (R²) de 0.68, indicând o performanță modestă.
3. Procesul de Optimizare cu 2N2D:
   • În pagina “Optimize”, am selectat atributele de intrare și variabila țintă (prețul).
   • Am ales strategia de optimizare “Brute Force”, cu un număr maxim de 5 epoci de antrenare pentru fiecare configurație.
   • Întregul proces, de la pornirea optimizării până la afișarea rezultatelor, a fost finalizat în mai puțin de 4 minute.
4. Rezultatul Optimizat:
   • Platforma 2N2D a testat automat 9 configurații de arhitectură.
   • A fost identificată o arhitectură superioară, cu 3 straturi ascunse și 64 de neuroni, care a atins un scor R² de 0.85.

Concluzie:

Acest studiu de caz demonstrează valoarea practică a platformei 2N2D. Un proces care ar necesita în mod normal ore de muncă manuală – modificarea repetată a codului sursă, re-antrenarea, evaluarea și compararea rezultatelor – a fost transformat într-o operațiune automată, rapidă și intuitivă. Platforma nu doar că a îmbunătățit semnificativ performanța modelului, dar a abstractizat complet complexitatea tehnică, permițând utilizatorului să se concentreze exclusiv pe rezultatul final.