ISBiT
ISBiT är ett projekt i samarbete med Försäkringskassan.
Sprint 4
Övergripande
Planerat
Frontend Team
Lägg till stöd för att skicka tillbaka labeled datapunkter till backend.
Backend TeamUtvidga qaqc_main-modellen för att stödja klassificering och generering av nya embeddings.
ML-teamStöd backendteamet med implementering av en ny modell.
Utfört
Gemensamt
Frontend Team
Backend Team
ML-team
Vecka 1
Planerat
Gemensamt
Frontend Team
Lägg till stöd för att skicka tillbaka labeled datapunkter till frontend.
Backend TeamPåbörja implementering av klassifikation av datapunkter som metod i qaqc_main-modellen.
ML-teamML-teamet integeras i backend-teamet och arbetar med klassificering av datapunkter.
Utfört
Gemensamt
Frontend Team
Route för att skicka tillbaka labeled datapunkter till frontend har implementerats. Zoom-funktionalitet samt stöd för group-labeling av datapunkter har implementerats.
Backend TeamStöd för klassificering av datapunkter har påbörjats, men är inte implementerat som en fungerande del av qaqc_main-modellen. En route för testing av endpoints håller på att implementeras. Versionering håller på att implementeras. En metod för sampling av user_input baserat på QAQC-dataset "coarse label" har implementerats.
ML-teamSe Backend-teamets del.
Vecka 2
Planerat
Gemensamt
Frontend Team
Fokus på att sammanställa ändringar från olika branches för ett PR till main.
Backend TeamFortsatt arbete med versionering. Utvärdering av Random-Forest-prediction, överföra notebook-metoder till backend.
ML-teamFortsatt integerade i backend-teamet.
Utfört
Gemensamt
Frontend Team
Backend Team
ML-team
Sprint 3
Övergripande
Planerat
Frontend Team
Fixa klickbara punkter som hämtas från backend.
Backend TeamUtveckla en generell modell för qaqc-dataset.
ML-teamImplementera self-learning och en random-forest classifier för qaqc-dataset.
Utfört
Gemensamt
Frontend Team
Datapunkter är klickbara, labelalternativ visas för användaren.
Backend TeamEn generell modell utvecklad för qaqc-dataset, stödjer flera typer av dimensionsreduceringsmetoder. Stöd för raderande, uppladdning av dataset samt asynkron körning av qaqc-modellen.
ML-teamKod skriven för self-learning och random-forest.
Vecka 1
Planerat
Gemensamt
Sprintplaneringsmöte med gruppen där vi presenterar start-issues för varje individ.
Frontend TeamDatapunkter är klickbara, label-alternativ ska kunna hämtas från backend.
Backend TeamFixa fram route för tillgängliga labels för ett visst dataset. Skriva om Python-biblioteket så den skickar med den data som ska användas i första iterationen.
ML-teamPå grund av problematik med label propagation/label spreading, utvärdera "self-learning" och implementera en fungerande modell.
Utfört
Gemensamt
Frontend Team
Datapunkter är nu klickbara, labels och datapunkter kan hämtas från backend.
Backend TeamEn generell modell har skapats i Python-biblioteket för att endast skicka med relevant data.
ML-teamSelf learning har utvärderats och kod har skrivits för implementation.
Vecka 2
Planerat
Gemensamt
Frontend Team
Fixa stöd för uppdatering av plot efter labeling.
Backend TeamFixa stöd för sparande av data mellan iterationer, route för labeling av datapunkt, returnera labels när man hämtar datapunkter.
ML-teamUtvärdera och eventuelly implementera UMAP, uppdatera placeholders för labels från None till pd.NA, fortsätta med self-learning.
Utfört
Gemensamt
Frontend Team
Veckomålet var inte möjligt att genomföra då det är beroende på implementation av backendteamets veckomål.
Backend TeamVeckan gick åt till att lösa merge till main för alla ändringar som gjorts i backend denna sprint.
ML-teamUMAP har implementerats, en random-forest classifier har skapats och ska integreras i backend.
Sprint 2
Övergripande
Planerat
Frontend Team
Visualisering av klustren baserad på data från backend. Implementera interaktiva datapunkter.
Backend TeamFärdigställa dokumentstruktur för backend, generell implementation av Strategy pattern.
ML-teamUtvärdering av klustringssteget, lägga till stöd för label propagation och olika dimensionsreduceringsmetoder. Färdigställa exportering av data till backend, via ett eget Python library.
Utfört
Gemensamt
Frontend Team
Klargörande från produktbeställaren om att webbsidan ska visualisera plotting av datapunkter från backend, inte klustring. Detta genomfördes och datapunkterna är interaktiva, dock skickas inte datan till backend.
Backend TeamDokumentstruktur skapad
ML-teamPå grund av klargörande från produktbeställaren har vi istället försökt skapa en klassificeringsmodell för att kunna klassificera data. Arbete på en förbättrad modell har påbörjats men är inte klart.
Vecka 1
Planerat
Gemensamt
Frontend Team
Fortsätta med arbete som inte kräver specifik data från backend/ML.
Backend TeamSkapa ett Python-bibliotek för att kunna importera och använda data från backend.
ML-teamUnderstödja backend vid skapandet av Python-biblioteket samt arbeta vidare med undersökning av de olika dimensionsreduceringsmetoderna.
Utfört
Gemensamt
Frontend Team
Fortsatt arbete med design av webbsida.
Backend TeamArbetet med Python-biblioteket pågår, en generell modellstruktur har framställts baserat på ML-arbetet.
ML-teamFortsatt undersökning label propagation och olika dimensionsreduceringsmetoder.
Vecka 2
Planerat
Gemensamt
Frontend Team
Hämta datapunkter från backend och visualisera dem på webbsidan.
Backend TeamFärdigställande av en initiell version av Python-bibliotek.
ML-teamUnderstöd färdigställande av Python-bibliotek, skapa stöd för användning av label propagation och de tre relevanta dimensionsreduceringsmetoderna PCA, t-SNE och UMAP.
Utfört
Gemensamt
Frontend Team
Backend Team
En första version av Python-bibliotek har implementerats.
ML-teamUndersökning av label propagation har genomförts men inte genererat användbar kod. Stöd för PCA, t-SNE samt en kombination av dessa har implementerats och en testmall av first_run-funktionen från Python-biblioteket som en cell i Jupyter Notebook har skapats.
Sprint 1
Övergripande
Planerat
Frontend Team
Frontend-teamets fokus kommer att vara integrering med backend så fort som möjligt. En generell konceptskiss ska framställas för att kunna diskutera inom projektgruppen vilken funktionalitet bör prioriteras.
Backend TeamEn grundläggande prototyp ska framställas. Kommunikation med databasen skall vara möjlig och routes menade för Frontend skall vara påbörjade.
ML-teamFokus på informationsinhämtning kring metodik och dataset. Under senare delen av sprinten ska fokus läggas på att implementera datatransformation samt en klassificeringsmodell som tar in denna data.
Utfört
Gemensamt
Frontend Team
Rudimentär interaktion mellan frontend och backend är implementerad. En konceptskiss är färdigställd och arbete har börjat med att implementera de olika sidorna.
Backend TeamEn rudimentär version av backend har implementerats. Ett mindre antal routes existerar och är testade.
ML-teamImplementering av hämtning och preprocessing av data har färdigställts. Just nu används en förtränad modell samt TSNE för att generera klustrade datapunkter menade för visualisering.
Vecka 1
Planerat
Gemensamt
Gruppmöte med läraren. Planeringsmöte under måndagen
FrontendArbeta med utveckling av en rudimentär webbsida.
BackendArbeta med en första version av backend, helst med Swagger UI.
ML-teamImplementera någon sorts preprocessing för vårt dataset.
Utfört
Gemensamt
Genomfört planeringsmöte med gruppen där vi gemensamt producerat mer konkreta start-issues för vår första "riktiga" sprint. Planerar att fastställa projektbeskrivningen på onsdag för att lämnas in innan deadlinen på torsdag.
Frontend TeamFortsatt arbete på det grafiska gränssnittet, exempelvis en navbar för huvudsidan.
Backend TeamEn första layout av backend har utvecklats i FastAPI, passerat reviews och är merged till main.
ML-teamEn första version av preprocessing har utvecklats, passerat reviews och är merged till main.
Dev-opsFastställt regelverk kring versionshantering och Github i allmänhet. Bestämt att två code reviews ska krävas för merge till main branch.
Vecka 2
Planerat
Gemensamt
Gruppmöte tisdag samt möte med produktbeställaren senare i veckan.
Frontend TeamFokus på implementering av elementen på förstasidan, främst textrutorna. Fortsatt arbete på subsidan som innefattar val av dataset.
Backend TeamFokus på att koppla ihop output från pretrained modell till backend.
ML-teamPåbörja konstruktion av egna ML-modeller.
Utfört
Gemensamt
Genomfört gruppmöte samt möte med produktbeställaren.
Frontend TeamFortsatt arbete på både förstasidan och dataset-sidan.
Backend TeamOutput har inte kopplats till backend än, arbetet fortsätter i nästa sprint.
ML-teamEfter samtal med produktbeställaren har vi valt att fokusera på att implementera dataflödet från ML till frontend framför egna modeller. Arbete med detta fortsätter i nästa sprint.
Sprint 0
Vecka 0
Under den första veckan har vi blivit tilldelade ett projekt och haft första mötet med produktbeställaren. Vi har tagit fram projektrelaterade roller, indelat gruppen i dessa roller, bestämt projektmål, formulerat en grundläggande skiss över programstrukturen samt formulerat en initial projektplan.
Vecka 1
Planerat
Gemensamt
Genomföra presentation om projektmål och uppgiftsbeskrivning samt möte med produktbeställaren för att klargöra initialt fokus för sprint 1.
Frontend TeamInformationsinhämtning enligt produktbeställarens direktiv. Fastställande av frameworks och programmeringsspråk som skall användas för implementation av GUI.
Backend TeamInformationsinhämtning enligt produktbeställarens direktiv. Fastställande av frameworks för kommande implementation.
ML-teamInformationsinhämtning enligt produktbeställarens direktiv. Analysera dataset för kommande implementation.
Utfört
Gemensamt
Genomförd och godkänd presentation av uppgiftsbeskrivning och projektmål samt genomfört möte med produktbeställaren. Grundläggande issues inlagda i Github Projects.
Frontend TeamInformationsinhämtning kring relevanta frameworks som ska användas, exempelvis Vue3. De har även producerat en konceptskiss för det grafiska gränssnittet.
Backend TeamInformationsinhämtning kring vilka frameworks som kan användas för back-end. Preliminärt bestämt att en dokument-baserad databas skall användas, eventuellt MongoDB.
ML-teamInformationsinhämtning kring mer specifika ML-concept som sentence transformers och t-SNE genomfört. Enklare laborationer med rudimentära ML-modeller och visualiseringsmetoder har även genomförts, dock ej kopplat till relevant dataset.