🧠 Processo Seletivo – Intensivo Maker | AI

👤 Identificação

Nome Completo: Guilherme Silva

---

1️⃣ Resumo da Arquitetura do Modelo

Foi implementada uma Rede Neural Convolucional (CNN) simples para classificação de dígitos do dataset MNIST.

A arquitetura é composta por:

• 2 camadas convolucionais (Conv2D) com ativação ReLU
• Camadas de redução (MaxPooling)
• Camada Flatten
• Camada densa intermediária (Dense)
• Camada de saída com Softmax (10 classes)

Decisão técnica:

A arquitetura está enxuta e eficiente, priorizando baixo custo computacional, menor tempo de execução e compatibilidade com dispositivos de Edge AI, ao invés de maximizar complexidade ou profundidade da rede.

---

2️⃣ Bibliotecas Utilizadas

• TensorFlow == 2.21.0
• Keras == 3.14.0
• NumPy == 2.4.4

---

3️⃣ Técnica de Otimização do Modelo

Foi utilizada Dynamic Range Quantization durante a conversão para TensorFlow Lite (.tflite).

Decisão técnica:

Essa técnica reduz o tamanho do modelo e melhora a eficiência em CPU, sem necessidade de dataset de calibração, sendo adequada para cenários de Edge AI.

Possíveis melhorias:

Outras técnicas poderiam ser exploradas, como:

• Full Integer Quantization
• Float16 Quantization

Essas abordagens podem reduzir ainda mais o modelo, porém com maior complexidade de implementação.

---

4️⃣ Resultados Obtidos

• Acurácia no teste: ~98.88%

Interpretação:

O modelo apresentou alta acurácia mesmo com uma arquitetura simples, indicando que o MNIST pode ser resolvido eficientemente sem redes profundas.

Isso reforça a decisão de priorizar eficiência ao invés de complexidade, alinhado ao objetivo de execução em ambientes restritos.

---

5️⃣ Comentários Adicionais

Decisões técnicas:

• Uso de CNN simples para reduzir custo computacional
• Número reduzido de épocas para compatibilidade com CI
• Prioridade em execução em CPU

Trade-offs:

• Menor complexidade → menor custo computacional
• Possível leve perda de desempenho → ganho em eficiência e tempo

Limitações:

• Modelo não otimizado ao máximo em termos de compressão
• Não foram testadas múltiplas técnicas de quantização

Aprendizados:

O projeto permitiu consolidar o fluxo completo de:

• Treinamento de modelos
• Conversão para TensorFlow Lite
• Otimização para sistemas embarcados