Echte uitdagingen in geospatiale machine learning

Sluit je bij ons aan op TomTom's kantoor in Amsterdam op donderdag 9 juli voor een avond gewijd aan de praktische uitdagingen van het bouwen van geospatiale machine learning-systemen. Machine learning is een krachtige tool, maar het toepassen ervan op real-world geospatiale data brengt een unieke set uitdagingen met zich mee. Tijdens deze meetup brengen we onderzoek- en engineeringperspectieven samen om te bespreken hoe we deze obstakels kunnen overwinnen, robuuste pipelines kunnen ontwerpen en de datakwaliteit kunnen handhaven in een snel veranderende wereld. Agenda Lezing 1: Het ontwerpen van ML-systemen voor een continu veranderende wereld, of hoe werkt geautomatiseerd rijden echt, door Ahmed Boudissa Het bouwen van machine learning-systemen is één ding. Het bouwen van systemen die accuraat, actueel en schaalbaar blijven terwijl de echte wereld elke dag verandert, is een geheel andere uitdaging. In deze lezing onderzoeken we hoe TomTom miljarden ruwe observaties van satellieten, onderzoeksvoertuigen, verbonden apparaten en ingebouwde sensoren omzet in lane-level kaartsproducten die door geautomatiseerde rijsystemen worden gebruikt. In plaats van ons te concentreren op een enkel model, bekijken we de bredere ontwerpproblemen van systemen die betrokken zijn bij het combineren van meerdere gegevensbronnen, het handhaven van de datakwaliteit en het operationeel houden van machine learning-pipelines op wereldwijde schaal. Je zult zien hoe fundamentele modellen helpen bij het automatiseren van kaartproductie, hoe multi-source pipelines de kaartinhoud continu bijwerken, en wat er nodig is om gefragmenteerde real-world data om te zetten in een betrouwbaar product dat zowel door chauffeurs als door geautomatiseerde systemen kan worden vertrouwd. Wat je zult leren: • Waarom grootschalige, real-world ML-systemen fundamenteel anders zijn dan gecontroleerde benchmarks • Hoe meerdere gegevensbronnen kunnen worden gecombineerd in een enkele productieworkflow • Hoe machine learning en computer vision complexe kaarttaken automatiseren • De uitdagingen van het handhaven van versheid en kwaliteit op wereldwijde schaal • Waarom het ontwerp van productiesystemen net zo belangrijk is als de modelprestatie Lezing 2: 85 miljoen overeenkomsten, duizenden vangsten: actieve learning op productieschaal, door Haris Iqbal Veel machine learning-problemen lijken eenvoudig totdat je de randgevallen tegenkomt. De eerste 80% nauwkeurigheid komt vaak gemakkelijk. Het resterende percentage is waar de meest interessante engineeringbeslissingen beginnen. In deze lezing onderzoeken we een grootschalig matchingprobleem uit het maken van digitale kaarten: het verbinden van verkeersborden met de juiste wegsegmenten. Terwijl eenvoudige nearest-neighbour benaderingen de meeste gevallen oplossen, introduceert real-world data ambiguïteit, inconsistenties en randgevallen die snel de beperkingen van naïeve oplossingen blootleggen. Met dit probleem als casestudy onderzoeken we hoe modelselectie, feature engineering en actieve learning kunnen worden gecombineerd om schaalbare systemen te bouwen die betrouwbaar presteren in productie. Je zult zien waarom we boomgebaseerde modellen boven meer complexe alternatieven kozen, hoe actieve learning hielp de labelinspanningen over 85 miljoen kandidaat-matchen te verminderen, en hoe modeluitval een van onze meest waardevolle bronnen van verbetering werd. Wat je zult leren: • Waarom ogenschijnlijk eenvoudige ML-problemen uitdagend worden op schaal • Wanneer klassieke machine learning beter kan presteren dan meer complexe benaderingen • Hoe je features ontwerpt en modellen selecteert onder real-world schaalbaarheidseisen • Hoe actieve learning de labelinspanningen drastisch kan verminderen • Praktische technieken voor het debuggen en verbeteren van productie-ML-systemen Lezing 3: TBD, door Ioanna Micha & Nathalie Dees TBD Routebeschrijving: 📍 De Ruijterkade 154, 1011 AC - Amsterdam Het kantoor van TomTom is slechts 10 tot 15 minuten lopen (of een snelle busrit) van Amsterdam Centraal Station.