API de Classificação de Doenças de Pele • 3-4 Meses de Desenvolvimento • Duas Entregas Principais
Definição completa da arquitetura da API, análise de requisitos clínicos e planejamento dos modelos de IA para classificação de doenças de pele.
Definição da arquitetura completa: FastAPI + Docker + PostgreSQL, configuração do S3 bucket para armazenamento de imagens, e definição dos endpoints (/classify, /logs).
Definição da arquitetura de integração com modelo classificador (Hugging Face ou PyTorch/Keras) e integração com LLMs via LangChain para processamento textual.
Análise de possíveis datasets, definição de pipeline de pré-processamento de imagens e classificação (ensemble de modelos), considerações sobre manutenção e escalabilidade.
Implementação da API REST com endpoint /classify, sistema de upload de imagens com TTL, processamento de dados clínicos e integração inicial do modelo de IA.
Implementação da estrutura da API REST, endpoint /classify para receber imagens e dados clínicos, validação de entrada e sistema de armazenamento com TTL.
Implementação do sistema de upload de imagens médicas com TTL, pré-processamento (redimensionamento, normalização), validação de formato e pipeline de classificação.
Definição da infraestrutura de treinamento com GPU, configuração do ambiente de desenvolvimento, e preparação para processamento de imagens em produção com GPU.
Criação do banco PostgreSQL, sistema de logs para histórico de processamentos, endpoint /logs para consulta do histórico e backup automático.
Preparação da infraestrutura de treinamento com GPU, obtenção de imagens médicas e pré-processamento para otimizar o modelo de classificação.
Configuração de máquina para treinamento com GPU, obtenção de imagens médicas do S3, preparação do ambiente de desenvolvimento e configuração de monitoramento.
Tratamento de imagens PNG/JPG, normalização, redimensionamento, data augmentation e definição do pipeline de classificação com ensemble de modelos.
Definição da arquitetura de processamento de imagens em produção com GPU, otimização de performance, e preparação para escalabilidade.
Evolução do classificador para incluir anamnese como input, implementação de LangChain e LLMs para geração de descrições detalhadas.
Evolução do classificador para considerar anamnese como input adicional, desenvolvimento de modelo multimodal e melhoria da precisão da classificação.
Implementação de LangChain para orquestração de LLMs, configuração de chamadas às APIs de IA generativa e desenvolvimento de prompts médicos especializados.
Otimização final do sistema, implementação de escalabilidade, definição do público final e preparação para produção com monitoramento.
Definição clara do público final, estimativa de volume de clientes, arquitetura adequada e definição de modelo de custos incluindo LLMs. Considerações sobre registro na ANVISA.
Otimização da arquitetura para suportar múltiplos clientes, implementação de cache, load balancing, monitoramento de performance e otimização de custos.
Deploy da API em produção, implementação de monitoramento contínuo, suporte e manutenção, considerando custos de LLMs repassados ao cliente.
Sistema completo em produção com classificador evoluído, descrições geradas por LLMs, escalabilidade implementada e custos de LLMs repassados ao cliente final.