Desafíos del Mundo Real en Aprendizaje Automático Geoespacial

Únete a nosotros en la oficina de TomTom en Ámsterdam el jueves 9 de julio, para una tarde dedicada a los desafíos prácticos de la construcción de sistemas de aprendizaje automático geoespacial.El aprendizaje automático es una herramienta poderosa, pero aplicarlo a datos geoespaciales del mundo real presenta un conjunto único de desafíos. En este encuentro, estamos uniendo perspectivas de investigación e ingeniería para discutir cómo superar estos obstáculos, diseñar tuberías robustas y mantener la calidad de los datos en un mundo que cambia rápidamente.AgendaCharla 1: Diseñando sistemas de ML para un mundo en continuo cambio, o cómo funciona realmente la conducción automática, por Ahmed BoudissaConstruir sistemas de aprendizaje automático es una cosa. Construir sistemas que se mantengan precisos, actualizados y escalables mientras que el mundo real cambia cada día es otro desafío totalmente diferente.En esta charla, exploraremos cómo TomTom transforma miles de millones de observaciones en bruto de satélites, vehículos de encuestas, dispositivos conectados y sensores a bordo en productos de mapa a nivel de carril utilizados por sistemas de conducción automatizada. En lugar de centrarnos en un solo modelo, examinaremos los desafíos más amplios del diseño del sistema involucrados en la combinación de múltiples fuentes de datos, el mantenimiento de la calidad de los datos y el mantenimiento de las tuberías de aprendizaje automático funcionando a escala global.Verás cómo los modelos fundamentales ayudan a automatizar la producción de mapas, cómo las tuberías de múltiples fuentes actualizan continuamente el contenido del mapa y lo que se necesita para transformar datos fragmentados del mundo real en un producto confiable que pueda ser confiado tanto por conductores como por sistemas automatizados.Lo que aprenderás:• Por qué los sistemas de ML del mundo real a gran escala son fundamentalmente diferentes de los puntos de referencia controlados• Cómo se pueden combinar múltiples fuentes de datos en un solo flujo de trabajo de producción• Cómo el aprendizaje automático y la visión por computadora automatizan tareas de mapeo complejas• Los desafíos de mantener frescura y calidad a escala global• Por qué el diseño del sistema de producción es tan importante como el rendimiento del modeloCharla 2: 85 millones de coincidencias, miles de resultados: aprendizaje activo a escala de producción, por Haris IqbalMuchos problemas de aprendizaje automático parecen sencillos hasta que te encuentras con los casos límite. El primer 80% de precisión a menudo surge fácilmente. El porcentaje restante es donde comienzan las decisiones de ingeniería más interesantes.En esta charla, exploraremos un problema de coincidencia a gran escala en la creación de mapas digitales: conectar señales de tráfico a los segmentos de carretera correctos. Mientras que los enfoques de vecindario más cercanos resuelven la mayoría de los casos, los datos del mundo real introducen ambigüedad, inconsistencias y casos límite que rápidamente exponen las limitaciones de las soluciones ingeniadas. Utilizando este problema como estudio de caso, examinaremos cómo la selección de modelos, la ingeniería de características y el aprendizaje activo se pueden combinar para construir sistemas escalables que funcionen de manera confiable en producción. Verás por qué elegimos modelos basados en árboles sobre alternativas más complejas, cómo el aprendizaje activo ayudó a reducir el esfuerzo de etiquetado en 85 millones de coincidencias candidatas y cómo los fallos del modelo se convirtieron en una de nuestras fuentes más valiosas de mejora.Lo que aprenderás:• Por qué los problemas de ML aparentemente simples se vuelven desafiantes a gran escala• Cuándo el aprendizaje automático clásico puede superar enfoques más complejos• Cómo diseñar características y seleccionar modelos bajo restricciones de escalabilidad del mundo real• Cómo el aprendizaje activo puede reducir drásticamente el esfuerzo de etiquetado• Técnicas prácticas para depurar y mejorar sistemas de ML en producciónCharla 3: TBD, por Ioanna Micha y Nathalie DeesTBDDirecciones:📍 De Ruijterkade 154, 1011 AC - ÁmsterdamLa oficina de TomTom está a solo 10 a 15 minutos a pie (o un rápido viaje en autobús) de la Estación Central de Ámsterdam.