Configurar medoids e limiares para detecção de anomalias
26 nós no fluxo · 6 tipos de nó · licença MIT
Fluxo preparatório que identifica pontos representativos (medoids) de cada classe de cultura e calcula limiares de similaridade para permitir posterior detecção de anomalias.
Desenho do fluxo
Só a forma do fluxo: os nós, os nomes e as ligações. Parâmetros, código e prompts vêm no JSON, para importar no seu n8n.
Baixar o fluxo
Verificando seu acesso…
O que faz
Inicialização de variáveis de cluster: Define URL do cluster e coleção alvo para operações vetoriais.
Contagem total de pontos: Obtém o número total de pontos na coleção para uso em consultas posteriores.
Cálculo de distribuições por cultura: Executa consultas de facet para saber quais culturas existem e seus tamanhos.
Medoid por matriz de distância: Para cada cultura, chama a API de matriz de distâncias, constrói matriz esparsa e escolhe o ponto mais representativo (medoid) com base em somatório de similaridades.
Marcação de medoid na base: Atualiza o payload do ponto escolhido para sinalizar que é um medoid (is_medoid).
Medoid por embedding textual multimodal: Gera embedding de descrição textual da cultura com modelo multimodal, busca a imagem mais próxima a essa descrição e marca esse ponto como medoid textual (is_text_anchor_medoid).
Cálculo de limiar de classe: Para cada medoid obtém-se o vetor, calcula-se o vetor oposto, busca-se o ponto mais distante dentro da mesma classe e define-se a similaridade desse ponto como limiar de anomalia; salva esse limiar no payload do medoid.
Persistência de metadados para detecção: Armazena os medoids e seus limiares na coleção para uso posterior em pipelines de detecção de anomalias.
Ferramentas usadas
Qdrant Cloud: Banco de vetores usado para armazenar vetores, executar buscas vetoriais, consultas facet e gerar matriz de distâncias por cluster.
Voyage AI (Embeddings API): Serviço de embeddings multimodais usado para transformar descrições textuais das culturas em vetores de consulta.
SciPy (biblioteca Python): Biblioteca usada para construir e manipular matrizes esparsas e calcular o medoid a partir da matriz de distâncias.
Python (runtime): Ambiente para executar código personalizado (ex.: cálculo em Python para escolher medoid a partir da matriz esparsa).
Kaggle (dataset "crops"): Fonte dos dados de imagens de culturas utilizados para popular a coleção e treinar/avaliar representatividade.
Google Cloud Storage: Local sugerido para hospedar o dataset de imagens antes do upload para o banco de vetores.
Este fluxo automatiza a criação de campanhas, conjuntos de anúncios e anúncios no Meta (Facebook), gerencia criativos com imagens ou vídeos e busca contas vinculadas (BM, AdAccounts, páginas e Instagram) para uso em campanhas.
Fluxo que gera um QR Code a partir de um nome de instância via página HTML, cria a instância Evolution via API, atualiza o código periodicamente e entrega o QR Code através de webhooks.
Fluxo que recebe dados de uma landing page, cria um grupo no Evolution, atualiza o nome e a imagem do grupo e envia uma mensagem de boas-vindas ao convidado.
Interface HTML para upload de arquivo de análise de tráfego, envio para um webhook externo para processamento e apresentação dos insights (pontos positivos, pontos negativos e sugestões) na página.
Fluxo que disponibiliza uma página HTML de onboarding com formulário e envia os dados preenchidos para um endpoint de webhook externo para geração de contrato, com validação básica de campos e feedback ao usuário.
Gera uma história curta e três prompts via GPT-4o-mini, cria imagens a partir desses prompts, transforma cada imagem em vídeo e compõe um vídeo final usando um template.