Care Instructor

Mattotyypin tunnistus kuvasta ja hoito-ohjeiden näyttäminen.

Aloitus

1. Kloonaa repositorio:

git clone https://github.com/laguagu/woodnotes
cd woodnotes

2. Asenna riippuvuudet:

npm install

3. Kopioi .env.example tiedosto nimellä .env.local:

cp .env.example .env.local

4. Hanki OpenAI API-avain:

• Mene osoitteeseen https://platform.openai.com/api-keys
• Kirjaudu sisään tai luo uusi tili
• Klikkaa "Create new secret key"
• Anna avaimelle kuvaava nimi (esim. "Woodnotes API")
• Kopioi luotu API-avain talteen (avain näytetään vain kerran)
• Lisää avain .env.local tiedostoon:

OPENAI_API_KEY="sk-..."
# Autentikointi ei ole käytössä koska middleware on pois käytöstä "_" prefix merkillä 
# Basic auth kovakoodattu username,password katso middleware.ts
BASIC_AUTH_USER=testuser
BASIC_AUTH_PASSWORD="testpassword"

# Supabase konfiguraatio palautteelle
NEXT_PUBLIC_SUPABASE_PRIVATE_KEY=""
NEXT_PUBLIC_SUPABASE_URL=""

5. Luo Supabase-tietokanta palautteille (vapaaehtoinen):

• Luo tili osoitteessa https://supabase.com
• Luo uusi projekti
• Kopioi projektin URL ja API-avain .env.local tiedostoon
• Suorita seuraava SQL-lause Supabasen SQL-editorissa:

-- Drop the existing table if it exists
DROP TABLE IF EXISTS woodnotes_feedback;

-- Create the new table
CREATE TABLE woodnotes_feedback (
  id UUID DEFAULT uuid_generate_v4() PRIMARY KEY,
  carpet_type TEXT NOT NULL,
  ai_recognition_successful BOOLEAN NOT NULL,
  care_instruction_clarity INTEGER NOT NULL,
  app_usability INTEGER NOT NULL,
  overall_rating INTEGER NOT NULL,
  comment TEXT,
  created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

6. Käynnistä kehityspalvelin:

npm run dev

Julkaisu

Rakenna Docker kontti (Dockerfile)

Tekoäly tunnistus

app/api/visio/route.ts vaatii OpenAI fine tuned mallin: "ft:gpt-4o-2024-08-06:personal:woodnotes-6-11-2024:AQbfjWX4".

Mallia ei voi jakaa, joten tee oma fine-tuunattu malli käyttäen woodnotes_carpets_optimized.jsonl tiedoston datasettiä tai tee oma datasetti käyttäen create-dataset.js scriptiä.

Lisätietoa: https://platform.openai.com/docs/guides/fine-tuning (Pohja mallina toimii gpt-4o)

Kustannukset eri tarkkuustasoilla

Olemme analysoineet kustannuksia kolmella eri tarkkuustasolla: matala (low), automaattinen (auto) ja korkea (high). Alla on erittely kustannuksista per kuva-analyysi:

Tarkkuustaso	Kustannus per analyysi	Suhteellinen kustannus
Matala (Low)	$0.001365	1x
Auto	$0.001790	1.31x
Korkea (High)	$0.004845	3.55x

Kustannusten vertailu

• Korkea tarkkuus on noin 3.55 kertaa kalliimpi kuin matala tarkkuus
• Korkea tarkkuus on noin 2.71 kertaa kalliimpi kuin automaattinen tarkkuus
• Automaattinen tarkkuus on noin 1.31 kertaa kalliimpi kuin matala tarkkuus

Kustannuserittely korkealla tarkkuudella

Esimerkki korkean tarkkuuden analyysista:

• Kuvan koko: 768x971 pikseliä
• Syötetokenit: 1690, kustannus $0.004225
• Tulostokenit: 62, kustannus $0.000620
• Kokonaiskustannus: $0.004845

Arvioituja kustannuksia eri käyttömäärille (korkea tarkkuus)

Analyysien määrä	Kustannus (USD)	Kustannus (EUR, arvio)
100 / päivä	$0.4845	~0,45 €
1 000 / päivä	$4.845	~4,50 €
10 000 / päivä	$48.45	~45,00 €
100 000 / päivä	$484.50	~450,00 €