Definir medoides e limiares de classe para deteção de anomalias
26 nós no fluxo · 6 tipos de nó · licença MIT
Fluxo preparatório que identifica representantes (medoides) de cada classe de cultura e grava limiares de similaridade por classe para posterior deteção 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
Inicializar variáveis de cluster: Define URL do cluster e nome da coleção a ser processada.
Contagem total de pontos: Obtém o número total de pontos na coleção para usar como limite em consultas.
Contagem de facetas por rótulo de cultura: Agrupa pontos por crop_name para obter número de clusters e tamanhos.
Cálculo de parâmetros por cluster: Extrai nomes únicos de culturas e o maior tamanho de cluster para parametrizar chamadas subsequentes.
Abordagem por matriz de distâncias: Para cada cluster, chama a API de matriz de distâncias, constrói matriz esparsa e calcula o medoid (ponto mais representativo) usando operações de matriz.
Marcação de medoide (distância): Atualiza payloads de pontos no banco de vetores indicando o medoide e grava o vetor do medoide para próximas etapas.
Determinação de limiar por distância: Busca o ponto mais dissimilar ao medoide (usando o oposto do vetor do centro) e salva a similaridade desse ponto como limiar de classe.
Abordagem multimodal por texto: Gera descrições textuais para cada cultura, obtém embedding multimodal da descrição e encontra a imagem mais próxima ao embedding para definir um medoide textual.
Marcação e limiar (texto): Marca o medoide textual no banco e calcula um limiar textual análogo ao da abordagem de distância.
Preparação para deteção de anomalias: Armazena metadados (is_medoid, is_text_anchor_medoid e respectivos thresholds) para cada centro de classe, permitindo que outro pipeline utilize esses valores para detectar anomalias.
Ferramentas usadas
Qdrant Cloud: Banco de vetores usado para armazenar pontos, calcular matrizes de distância, consultar vetores e atualizar payloads de pontos.
Voyage AI API: Serviço de embeddings multimodais usado para converter descrições textuais em vectores compatíveis com os vetores de imagem.
SciPy (biblioteca Python): Utilizada para manipular a matriz esparsa (COO) e calcular agregações para encontrar o medoid.
Kaggle (dataset de crops): Fonte dos dados de imagens de culturas utilizada no exemplo (conjunto de treino que alimenta o fluxo).
Google Cloud Storage: Armazenamento indicado para hospedar o dataset de imagens quando recriado em ambiente próprio.
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.