אתגרים מעשיים בלמידת מכונה גיאו-מרחבית

הצטרפו אלינו במשרדי טום טום באמסטרדם ביום חמישי, 9 ביולי, בערב המוקדש לאתגרים המעשיים של בניית מערכות למידת מכונה גיאו-מרחבית.למידת מכונה היא כלי עוצמתי, אך יישום שלה על נתוני גיאו-מרחביים במציאות מציב סט ייחודי של אתגרים. במפגש זה, אנו מביאים ביחד פרספקטיבות מחקר ומהנדסה כדי לדון כיצד לסייע בהתמודדות עם מכשולים אלו, לעצב צנרות מאובטחות ולשמור על איכות הנתונים בעולם שמשתנה במהירות.אג'נדהשיחה 1: עיצוב מערכות ML עבור עולם המשתנה בצורה מתמשכת, או כיצד נהיגה אוטומטית באמת פועלת, על ידי אחמד בודיסהבניית מערכות למידת מכונה היא דבר אחד. בניית מערכות שנותרות מדויקות, עדכניות וסקלאביליות בעוד שהעולם האמיתי משתנה כל יום היא אתגר נוסף לגמרי.בשיחה זו, נחקור כיצד טום טום הופך מיליארדי תצפיות גולמיות לנתוני כוכבים, רכבי סקר, מכשירים מחוברים וחיישנים על ליצירות מפות ברמת נתיבים הנמצאות בשימוש במערכות נהיגה אוטומטית. במקום להתמקד במודל בודד, נבחן את האתגרים בעיצוב המערכתי הרחב הנוגעים לשילוב של מספר מקורות נתונים, שמירה על איכות הנתונים ושמירה על מערכות למידת מכונה פועלות בקנה מידה עולמי.תראו כיצד מודלים בסיסיים עוזרים לאוטומט את ייצור המפות, כיצד צנרות מרובות מקורות מעדכנות באופן רציף את תוכן המפות, ומה נדרש כדי להפוך נתונים גיאו-מרחביים מפולגים למוצר מהימן שניתן לסמוך עליו גם על ידי נהגים וגם על ידי מערכות אוטומטיות.מה תלמדו:• מדוע מערכות ML גיאו-מרחביות בקנה מידה גדול שונות fundamentally מאימותים נרגנים• כיצד ניתן לשלב מספר מקורות נתונים לזרימת עבודה ייצור אחת• כיצד למידת מכונה וראייה ממוחשבת אוטומטיות משימות מיפוי מורכבות• האתגרים של שמירה על רעננות ואיכות בקנה מידה עולמי• מדוע עיצוב מערכת ייצור חשוב לא פחות מביצוע המודלשיחה 2: 85 מיליון התאמות, אלפי תפיסות: למידה פעילה בקנה מידה ייצור, על ידי האריס אقبالהרבה בעיות בלמידת מכונה נראות פשוטות עד שתומכים אותך בצדדים קיצוניים. ה-80% הראשונים של דיוק מגיעים לעיתים בקלות. האחוז הנותר הוא המקום שבו מתחילות ההחלטות ההנדסיות המעניינות ביותר.בשיחה זו, נחקור בעיית התאמה בקנה מידה גדול מייצור מפות דיגיטליות: חיבור של שלטי תנועה לקטעי הכבישים הנכונים. בעוד שגישות שכנות פשוטות פותרות רוב המקרים, נתוני העולם האמיתי מכניסים אמביגויות, חוסר עקביות ומקרים קיצוניים שחושפים במהרה את המגבלות של פתרונות נאיביים.באמצעות בעיה זו כמודל מקרה, נבחן כיצד ניתן לשלב בין בחירת מודלים, הנדסת תכונות ולמידה פעילה כדי לבנות מערכות סקלאביליות שמבצעות באופן מהימן בייצור. תראו מדוע בחרנו במודלים מבוססי עצים לעומת אלטרנטיבות מורכבות יותר, כיצד למידה פעילה עזרה להפחית את המאמץ בתווית על פני 85 מיליון התאמות מועמדות, וכיצד כישלונות מודל הפכו לאחת ממקורות השיפור היקרים ביותר שלנו.מה תלמדו:• מדוע בעיות ML לכאורה פשוטות הופכות מאתגרות בקנה מידה• מתי למידת מכונה קלאסית יכולה להתעלות על גישות מורכבות יותר• כיצד לעצב תכונות ולבחור מודלים תחת המגבלות של בקנה מידה גיאו-מרחבי• כיצד למידה פעילה יכולה להפחית משמעותית את המאמץ בתווית• טכניקות מעשיות לדיבוגר ולהשתפר במערכות ML בייצורשיחה 3: TBD, על ידי יואנה מיקה ונאטליה דיאסTBDהנחיות:📍 De Ruijterkade 154, 1011 AC - Amsterdamהמשרד של טום טום הוא רק 10 עד 15 דקות הליכה (או נסיעה קצרה באוטובוס) מתחנת האמצע של אמסטרדם.