Herausforderungen der Geospatialen Maschinenlernen in der Praxis

Begleiten Sie uns am Donnerstag, den 9. Juli, im TomTom-Büro in Amsterdam zu einem Abend, der den praktischen Herausforderungen beim Aufbau geospatialer Maschinenlernsystme gewidmet ist.Maschinenlernen ist ein leistungsstarkes Werkzeug, aber die Anwendung auf reale geospatiale Daten stellt eine einzigartige Reihe von Herausforderungen dar. In diesem Treffen bringen wir Forschungs- und Ingenieuran Perspektiven zusammen, um zu diskutieren, wie man diese Hürden überwinden, robuste Pipelines entwerfen und die Datenqualität in einer sich schnell verändernden Welt aufrechterhalten kann.AgendaTalk 1: Gestaltung von ML-Systemen für eine sich kontinuierlich verändernde Welt, oder wie funktioniert automatisiertes Fahren wirklich, von Ahmed BoudissaMaschinenlernsystme zu bauen ist eine Sache. Systeme zu bauen, die genau, aktuell und skalierbar bleiben, während sich die reale Welt jeden Tag verändert, ist eine ganz andere Herausforderung. In diesem Vortrag werden wir erkunden, wie TomTom Milliarden roher Beobachtungen von Satelliten, Umfragefahrzeugen, vernetzten Geräten und Bord-Sensoren in Fahrspurkartenprodukte umwandelt, die von automatisierten Fahrsystemen verwendet werden. Anstatt uns auf ein einzelnes Modell zu konzentrieren, betrachten wir die umfassenderen Systemgestaltungsherausforderungen, die mit der Kombination mehrerer Datenquellen, der Aufrechterhaltung der Datenqualität und der Aufrechterhaltung der Maschinenlernen-Pipelines auf globaler Ebene verbunden sind.Sie werden sehen, wie grundlegende Modelle die Kartenproduktion automatisieren, wie Mehrquellen-Pipelines kontinuierlich die Karteninhalte aktualisieren und was erforderlich ist, um fragmentierte reale Daten in ein zuverlässiges Produkt zu transformieren, das von Fahrern und automatisierten Systemen vertraut werden kann.Was Sie lernen werden:• Warum großangelegte, reale ML-Systeme sich grundlegend von kontrollierten Benchmarks unterscheiden• Wie mehrere Datenquellen in einen einzigen Produktionsworkflow kombiniert werden können• Wie Maschinenlernen und Computer Vision komplexe Kartierungsaufgaben automatisieren• Die Herausforderungen, Frische und Qualität auf globaler Ebene aufrechtzuerhalten• Warum das Design von Produktionssystemen ebenso wichtig ist wie die ModellleistungTalk 2: 85 Millionen Übereinstimmungen, Tausende von Erfassungen: aktives Lernen in Produktionsmaßstab, von Haris IqbalViele Maschinenlernprobleme scheinen unkompliziert zu sein, bis Sie auf die Randfälle stoßen. Die ersten 80% Genauigkeit kommen oft leicht. Der verbleibende Prozentsatz ist der Ort, an dem die interessantesten Ingenieuran Entscheidungen beginnen.In diesem Vortrag werden wir ein großangelegtes Matching-Problem aus der digitalen Kartenerstellung erkunden: das Verknüpfen von Verkehrszeichen mit den richtigen Straßenabschnitten. Während einfache nächstgelegene Nachbaransätze die meisten Fälle lösen, führt zu realen Daten zu Mehrdeutigkeit, Inkonsistenzen und Randfällen, die schnell die Grenzen naiver Lösungen aufzeigen.Anhand dieses Problems als Fallstudie werden wir untersuchen, wie Modellauswahl, Merkmalsengineering und aktives Lernen kombiniert werden können, um skalierbare Systeme zu entwickeln, die in der Produktion zuverlässig arbeiten. Sie werden sehen, warum wir baumbasierte Modelle gegenüber komplexeren Alternativen gewählt haben, wie aktives Lernen den Labeling-Aufwand über 85 Millionen Kandidatenübereinstimmungen reduziert hat und wie Modellfehler eine unserer wertvollsten Verbesserungsquellen wurden.Was Sie lernen werden:• Warum scheinbar einfache ML-Probleme in großem Maßstab herausfordernd werden• Wann klassisches Maschinenlernen komplexere Ansätze übertreffen kann• Wie Merkmale entworfen und Modelle unter realen Skalierbarkeitsbeschränkungen ausgewählt werden können• Wie aktives Lernen den Labeling-Aufwand dramatisch reduzieren kann• Praktische Techniken zur Fehlersuche und Verbesserung von Produktions-ML-SystemenTalk 3: TBD, von Ioanna Micha & Nathalie DeesTBDAnfahrt:📍 De Ruijterkade 154, 1011 AC - AmsterdamDas Büro von TomTom ist nur 10 bis 15 Minuten zu Fuß (oder mit dem Bus) vom Hauptbahnhof Amsterdam entfernt.