| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.65 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The moving services industry, traditionally reliant on manual processes and estimations, faces
significant challenges in accurately identifying and estimating the volume of furniture for
service quotations. This thesis explores the integration of advanced AI technologies to address
these challenges, focusing on the development of a mobile application that leverages artificial
intelligence for furniture detection and volume estimation for moving services. Machine
Learning, particularly Deep Learning, has demonstrated considerable success in tackling
complex problems such as object detection and image recognition. This thesis capitalizes on
these advancements by initially employing traditional object detection models to classify and
estimate the volume of furniture from static images. However, these models, while effective
within certain constraints, were limited by their inability to accurately differentiate between
overlapping classes, detect sizes, and handle complex furniture configurations. Recognizing
these limitations, the research pivoted to integrate GPT-4o, a state-of-the-art multimodal AI
model, which brought significant improvements in detection accuracy and contextual
understanding. Alongside the development of this application, a thorough study was conducted
on the evolution and effectiveness of different machine learning architectures, with a deep
focus on Convolutional Neural Networks (CNNs) and their advancements in object detection
tasks. This study provided a comprehensive comparison of these architectures, illustrating their
strengths and weaknesses in the context of the moving services industry. The integration of
GPT-4o into the system allowed for superior performance, particularly in scenarios where
traditional models struggled. This enhanced the application's ability to deliver more accurate
and reliable service quotations, ultimately improving operational efficiency and customer
satisfaction. The thesis concludes by reflecting on the project's achievements, including the
successful application of advanced AI models, and suggests avenues for future research,
particularly in fine-tuning AI models for specific use cases and exploring new AI technologies as
they emerge.
A indústria de serviços de mudanças, tradicionalmente dependente de processos manuais e estimativas, enfrenta desafios significativos na identificação e estimativa precisas do volume de mobiliário para a elaboração de orçamentos. Esta tese explora a integração de tecnologias avançadas de IA para abordar esses desafios, com foco no desenvolvimento de uma aplicação móvel que utiliza inteligência artificial para a deteção de mobiliário e estimativa de volume. A Aprendizagem Automática, particularmente a Aprendizagem Profunda, tem demonstrado considerável sucesso na resolução de problemas complexos, como a deteção de objetos e o reconhecimento de imagens. Esta tese capitaliza esses avanços explorando inicialmente modelos tradicionais avançados de deteção de objetos para classificar e estimar o volume de mobiliário a partir de imagens estáticas. No entanto, esses modelos, embora eficazes dentro de certos limites, apresentaram limitações na diferenciação precisa entre classes sobrepostas, na deteção de tamanhos e na presença de cenários complexos. Reconhecendo essas limitações, a pesquisa mudou o foco para a integração do GPT-4o, um modelo de IA multimodal de última geração, que trouxe melhorias significativas na precisão da deteção e na compreensão contextual. Paralelamente ao desenvolvimento desta aplicação, foi realizado um estudo aprofundado sobre a evolução e a eficácia das diferentes arquiteturas de Aprendizagem Automática, com foco especial nas Redes Neurais Convolucionais (CNNs) e seus avanços em tarefas de deteção de objetos. Este estudo forneceu uma comparação abrangente dessas arquiteturas, ilustrando os seus pontos fortes e fracos no contexto da indústria de serviços de mudanças. A integração do GPT-4o no sistema permitiu um desempenho vastamente superior, particularmente em cenários complexos, onde os modelos tradicionais apresentavam dificuldades. Esta alteração à aplicação possibilitou o fornecimento de orçamentos de serviço mais precisos e confiáveis, promovendo a eficiência operacional e a satisfação do cliente. A tese conclui com uma reflexão sobre a concretização dos respetivos objetivos delineados, incluindo a aplicação bem-sucedida de modelos avançados de IA, e sugere caminhos para trabalho futuro, especialmente no fine-tuning de modelos de IA para casos de uso específicos e na exploração contínua de novas tecnologias de IA.
A indústria de serviços de mudanças, tradicionalmente dependente de processos manuais e estimativas, enfrenta desafios significativos na identificação e estimativa precisas do volume de mobiliário para a elaboração de orçamentos. Esta tese explora a integração de tecnologias avançadas de IA para abordar esses desafios, com foco no desenvolvimento de uma aplicação móvel que utiliza inteligência artificial para a deteção de mobiliário e estimativa de volume. A Aprendizagem Automática, particularmente a Aprendizagem Profunda, tem demonstrado considerável sucesso na resolução de problemas complexos, como a deteção de objetos e o reconhecimento de imagens. Esta tese capitaliza esses avanços explorando inicialmente modelos tradicionais avançados de deteção de objetos para classificar e estimar o volume de mobiliário a partir de imagens estáticas. No entanto, esses modelos, embora eficazes dentro de certos limites, apresentaram limitações na diferenciação precisa entre classes sobrepostas, na deteção de tamanhos e na presença de cenários complexos. Reconhecendo essas limitações, a pesquisa mudou o foco para a integração do GPT-4o, um modelo de IA multimodal de última geração, que trouxe melhorias significativas na precisão da deteção e na compreensão contextual. Paralelamente ao desenvolvimento desta aplicação, foi realizado um estudo aprofundado sobre a evolução e a eficácia das diferentes arquiteturas de Aprendizagem Automática, com foco especial nas Redes Neurais Convolucionais (CNNs) e seus avanços em tarefas de deteção de objetos. Este estudo forneceu uma comparação abrangente dessas arquiteturas, ilustrando os seus pontos fortes e fracos no contexto da indústria de serviços de mudanças. A integração do GPT-4o no sistema permitiu um desempenho vastamente superior, particularmente em cenários complexos, onde os modelos tradicionais apresentavam dificuldades. Esta alteração à aplicação possibilitou o fornecimento de orçamentos de serviço mais precisos e confiáveis, promovendo a eficiência operacional e a satisfação do cliente. A tese conclui com uma reflexão sobre a concretização dos respetivos objetivos delineados, incluindo a aplicação bem-sucedida de modelos avançados de IA, e sugere caminhos para trabalho futuro, especialmente no fine-tuning de modelos de IA para casos de uso específicos e na exploração contínua de novas tecnologias de IA.
Description
Keywords
Deep learning Furniture detection Volume estimation Multimodal AI GPT-4o Integration Moving services industry Aprendizagem profunda Deteção de mobília Estimativa de volume IA multimodal Integração GPT-4o Indústria de serviços de mudanças