Défis du monde réel dans l'apprentissage automatique géospatial

Rejoignez-nous au bureau de TomTom à Amsterdam le jeudi 9 juillet pour une soirée dédiée aux défis pratiques de la construction de systèmes d'apprentissage automatique géospatial.L'apprentissage automatique est un outil puissant, mais son application à des données géospatiales du monde réel présente un ensemble unique de défis. Lors de cette rencontre, nous réunissons des perspectives de recherche et d'ingénierie pour discuter de la façon de surmonter ces obstacles, de concevoir des pipelines robustes et de maintenir la qualité des données dans un monde en évolution rapide.AgendaTalk 1 : Concevoir des systèmes ML pour un monde en perpétuel changement, ou comment la conduite automatisée fonctionne vraiment, par Ahmed BoudissaConstruire des systèmes d'apprentissage automatique est une chose. Construire des systèmes qui restent précis, à jour et évolutifs alors que le monde réel change chaque jour est un autre défi totalement différent.Dans cette présentation, nous explorerons comment TomTom transforme des milliards d'observations brutes provenant de satellites, de véhicules d'enquête, d'appareils connectés et de capteurs embarqués en produits cartographiques au niveau des voies utilisés par les systèmes de conduite automatisée. Plutôt que de se concentrer sur un seul modèle, nous examinerons les défis de conception de systèmes plus larges impliqués dans la combinaison de plusieurs sources de données, le maintien de la qualité des données et le fonctionnement des pipelines d'apprentissage automatique à l'échelle mondiale.Vous verrez comment les modèles fondamentaux aident à automatiser la production de cartes, comment les pipelines multi-sources mettent continuellement à jour le contenu des cartes, et ce qu'il faut pour transformer des données réelles fragmentées en un produit fiable qui peut être confiance tant par les conducteurs que par les systèmes automatisés.Ce que vous apprendrez :• Pourquoi les systèmes ML à grande échelle et du monde réel sont fondamentalement différents des benchmarks contrôlés• Comment plusieurs sources de données peuvent être combinées en un seul flux de production• Comment l'apprentissage automatique et la vision par ordinateur automatisent des tâches de cartographie complexes• Les défis de maintien de la fraîcheur et de la qualité à l'échelle mondiale• Pourquoi la conception de systèmes de production compte autant que les performances du modèleTalk 2 : 85 millions de correspondances, des milliers de prises : apprentissage actif à l'échelle de production, par Haris IqbalDe nombreux problèmes d'apprentissage automatique semblent simples jusqu'à ce que vous rencontriez les cas limites. Les 80 % de précision initiaux viennent souvent facilement. Le pourcentage restant est là où commencent les décisions d'ingénierie les plus intéressantes.Dans cette présentation, nous explorerons un problème de correspondance à grande échelle issu de la création de cartes numériques : relier les panneaux de signalisation aux segments de route appropriés. Bien que des approches simples basées sur le voisinage le plus proche résolvent la plupart des cas, les données du monde réel introduisent ambiguïtés, incohérences et cas limites qui exposent rapidement les limites des solutions naïves.En utilisant ce problème comme étude de cas, nous examinerons comment la sélection de modèles, l'ingénierie des fonctionnalités et l'apprentissage actif peuvent être combinés pour construire des systèmes évolutifs qui fonctionnent de manière fiable en production. Vous verrez pourquoi nous avons choisi des modèles basés sur des arbres plutôt que des alternatives plus complexes, comment l'apprentissage actif a aidé à réduire l'effort d'annotation sur 85 millions de correspondances candidates, et comment les échecs de modèle sont devenus l'une de nos sources d'amélioration les plus précieuses.Ce que vous apprendrez :• Pourquoi des problèmes ML apparemment simples deviennent difficiles à grande échelle• Quand l'apprentissage automatique classique peut surpasser des approches plus complexes• Comment concevoir des fonctionnalités et choisir des modèles sous des contraintes de scalabilité du monde réel• Comment l'apprentissage actif peut réduire considérablement l'effort d'annotation• Techniques pratiques pour déboguer et améliorer les systèmes ML de productionTalk 3 : À déterminer, par Ioanna Micha & Nathalie DeesÀ déterminerDirections :📍 De Ruijterkade 154, 1011 AC - AmsterdamLe bureau de TomTom est à seulement 10 à 15 minutes à pied (ou en bus rapide) de la gare centrale d'Amsterdam.