Pile
D'une boite a chaussures pleine de cartes au catalogue
L'idee etait de prendre des photos de cartes a collectionner et de generer automatiquement les donnees produit structurees qu'il faut pour vendre: le nom, le set, l'etat, les attributs qui comptent pour un acheteur. Le faire a la main pour une grande collection est abrutissant et sujet aux erreurs, ce qui en faisait le candidat parfait pour une pipeline image-vers-donnees.
Une pipeline, pas un seul prompt
L'erreur aurait ete de balancer toute l'image sur un modele et de tout demander d'un coup. A la place, je l'ai decoupee en etapes, chacune avec une tache claire, pour pouvoir tester et corriger chaque etape independamment. Une pipeline propre est bien plus facile a debugger qu'un enorme prompt qui est soit juste soit faux, sans rien entre les deux.
- L'etape une identifie la carte; l'etape deux extrait les attributs; l'etape trois les normalise dans le schema produit.
- Chaque etape sort des donnees structurees que la suivante consomme, pour que les erreurs soient localisees et visibles.
- Les cartes ambigues sont signalees pour revision plutot que devinees, car une fiche fausse est pire qu'une fiche manquante.
La valeur est dans la normalisation
Lire une carte etait la partie eclatante. La partie vraiment precieuse etait la normalisation: s'assurer que le meme set est toujours ecrit pareil, que les memes niveaux d'etat mappent sur les memes valeurs, et que l'output rentre toujours exactement dans le schema produit. Les acheteurs et les systemes en aval se fichent de l'impression que donnait l'etape de vision; ce qui leur importe, c'est que les donnees soient coherentes. J'ai appris qu'une pipeline image-vers-produit vit ou meurt sur sa couche ennuyeuse de normalisation, et que decouper le travail en petites etapes testables a rendu le tout assez digne de confiance pour lister de vrais produits reels a partir de la.
Leçons apprises
- Decoupez le travail image-vers-donnees en petites etapes testables plutot qu'en un enorme prompt tout-en-un.
- La vraie valeur est dans la normalisation. Un output coherent compte plus qu'une extraction impressionnante.
- Signalez les cas ambigus pour revision. Une fiche produit fausse est pire qu'une fiche manquante.
- Une pipeline en etapes localise les erreurs, pour que vous corrigiez une etape plutot que de debugger une boite noire.