Wyzwania w świecie rzeczywistym w geospatialnym uczeniu maszynowym

Dołącz do nas w biurze TomTom w Amsterdamie w czwartek, 9 lipca, na wieczór poświęcony praktycznym wyzwaniom związanym z budowaniem systemów geospatialnego uczenia maszynowego. Uczenie maszynowe to potężne narzędzie, ale zastosowanie go do rzeczywistych danych geospatialnych stawia przed nami unikalny zestaw wyzwań. W tym spotkaniu łączymy perspektywy badań naukowych i inżynierii, aby omówić, jak pokonać te przeszkody, zaprojektować solidne procesy i utrzymać jakość danych w szybko zmieniającym się świecie. Agenda Wykład 1: Projektowanie systemów ML dla ciągle zmieniającego się świata, czyli jak naprawdę działa automatyczne prowadzenie, prowadzący Ahmed Boudissa Budowanie systemów uczenia maszynowego to jedno. Budowanie systemów, które pozostają dokładne, świeże i skalowalne, podczas gdy świat rzeczywisty zmienia się każdego dnia, to całkowicie inne wyzwanie. W tym wykładzie zbadamy, jak TomTom przekształca miliardy surowych obserwacji z satelitów, pojazdów badawczych, urządzeń połączonych i czujników pokładowych w produkty mapowe na poziomie pasa, które są używane przez systemy automatycznego prowadzenia. Zamiast koncentrować się na pojedynczym modelu, przyjrzymy się szerszym wyzwaniom projektowania systemów związanym z łączeniem wielu źródeł danych, utrzymywaniem jakości danych i utrzymywaniem działania procesów uczenia maszynowego na globalną skalę. Zobaczysz, jak modele bazowe pomagają automatyzować produkcję map, jak procesy wieloźródłowe nieprzerwanie aktualizują treści map, oraz co jest potrzebne, aby przekształcić fragmentaryczne dane z rzeczywistego świata w niezawodny produkt, któremu mogą zaufać zarówno kierowcy, jak i systemy automatyczne. Czego się nauczysz: • Dlaczego systemy ML w skali dużej różnią się zasadniczo od kontrolowanych benchmarków • Jak wiele źródeł danych można połączyć w jeden proces produkcji • Jak uczenie maszynowe i wizja komputerowa automatyzują złożone zadania mapowania • Wyzwania związane z utrzymywaniem świeżości i jakości na globalną skalę • Dlaczego projektowanie systemów produkcyjnych ma znaczenie równie duże jak wydajność modelu Wykład 2: 85 milionów dopasowań, tysiące złowionych: uczenie aktywne na skali produkcyjnej, prowadzący Haris Iqbal Wiele problemów z uczeniem maszynowym wydaje się proste, aż napotkasz przypadki brzegowe. Pierwsze 80% dokładności często przychodzi łatwo. Pozostałe procenty to miejsce, w którym zaczynają się najciekawsze decyzje inżynieryjne. W tym wykładzie zbadamy problem dopasowania na dużą skalę związanego z tworzeniem map cyfrowych: łączenie znaków drogowych z odpowiednimi segmentami dróg. Chociaż proste podejścia najbliższego sąsiada rozwiązują większość przypadków, rzeczywiste dane wprowadzają niejednoznaczność, niespójności i przypadki brzegowe, które szybko ujawniają ograniczenia naiwnego podejścia. Używając tego problemu jako studium przypadku, zbadamy, w jaki sposób wybór modelu, inżynieria cech i uczenie aktywne mogą być połączone w celu budowy skalowalnych systemów, które działają niezawodnie w produkcji. Zobaczysz, dlaczego wybraliśmy modele oparte na drzewach w porównaniu z bardziej złożonymi alternatywami, jak uczenie aktywne pomogło zredukować wysiłek etykietowania w przypadku 85 milionów potencjalnych dopasowań, oraz jak awarie modelu stały się jednym z naszych najcenniejszych źródeł wprowadzania ulepszeń. Czego się nauczysz: • Dlaczego pozornie proste problemy ML stają się trudne w skali • Kiedy klasyczne uczenie maszynowe może przewyższać bardziej złożone podejścia • Jak zaprojektować cechy i wybrać modele w kontekście rzeczywistych ograniczeń skalowalności • Jak uczenie aktywne może dramatycznie zredukować wysiłek etykietowania • Praktyczne techniki debugowania i poprawy produkcyjnych systemów ML Wykład 3: TBD, prowadzący Ioanna Micha & Nathalie Dees TBD Wskazówki: 📍 De Ruijterkade 154, 1011 AC - Amsterdam Biuro TomTom znajduje się zaledwie 10-15 minut spacerem (lub szybką jazdą autobusem) od dworca centralnego w Amsterdamie.