Реальные вызовы в геопространственном машинном обучении

Присоединяйтесь к нам в офисе TomTom в Амстердаме в четверг, 9 июля, на вечере, посвященном практическим проблемам создания геопространственных систем машинного обучения.Машинное обучение — это мощный инструмент, но его применение к реальным геопространственным данным представляет собой уникальный набор вызовов. На этой встрече мы соберем исследования и инженерные перспективы, чтобы обсудить, как преодолеть эти препятствия, разработать надежные конвейеры и поддерживать качество данных в быстроменяющемся мире.Повестка дня1. Доклад: Проектирование ML-систем для постоянно меняющегося мира, или как работает автоматизированное вождение, Ахмед БудиссаСоздание систем машинного обучения — это одно. Создание систем, которые остаются точными, актуальными и масштабируемыми, в то время как реальный мир меняется каждый день — это совершенно другая проблема.В этом докладе мы исследуем, как TomTom превращает миллиарды необработанных наблюдений со спутников, транспортных средств для опросов, подключенных устройств и бортовых датчиков в продукты картирования на уровне полос, используемые системами автоматизированного вождения. Вместо того чтобы сосредоточиться на одной модели, мы рассмотрим более широкие проблемы проектирования системы, связанные с комбинированием нескольких источников данных, поддержанием качества данных и обеспечением работы конвейеров машинного обучения на глобальном уровне.Вы увидите, как базовые модели помогают автоматизировать производство карт, как многодатные конвейеры постоянно обновляют содержание карт и что нужно для преобразования фрагментированных реальных данных в надежный продукт, которому могут доверять как водители, так и автоматизированные системы.Что вы узнаете:• Почему крупномасштабные, реальные системы машинного обучения принципиально отличаются от контролируемых эталонов• Как несколько источников данных могут быть объединены в один рабочий процесс производства• Как машинное обучение и компьютерное зрение автоматизируют сложные задачи картографирования• Проблемы поддержания актуальности и качества на глобальном уровне• Почему проектирование производственной системы так же важно, как и производительность модели2. Доклад: 85 миллионов соответствий, тысячи уловов: активное обучение на производственном уровне, Харис ИкбалМногие проблемы машинного обучения кажутся прямолинейными, пока вы не столкнетесь с крайними обстоятельствами. Первые 80% точности часто достигаются легко. Остальные проценты — это место, где начинаются самые интересные инженерные решения.В этом докладе мы исследуем проблему сопоставления в крупном масштабе из цифрового картографирования: связывание дорожных знаков с правильными дорожными сегментами. Хотя простые подходы ближайшего соседа решают большинство случаев, реальные данные вводят неоднозначность, несоответствия и крайние случаи, которые быстро обнаруживают ограничения наивных решений.Используя эту проблему в качестве примера, мы рассмотрим, как выбор модели, проектирование признаков и активное обучение могут быть объединены для создания масштабируемых систем, которые надежно работают в производстве. Вы увидите, почему мы выбрали модели на основе деревьев вместо более сложных альтернатив, как активное обучение помогло сократить усилия по маркировке для 85 миллионов кандидатов на соответствие и как неудачи модели стали одним из наших самых ценных источников улучшения.Что вы узнаете:• Почему, казалось бы, простые проблемы машинного обучения становятся сложными в масштабе• Когда классическое машинное обучение может превзойти более сложные подходы• Как проектировать признаки и выбирать модели в условиях реальной масштабируемости• Как активное обучение может значительно сократить усилия по маркировке• Практические техники отладки и улучшения производственных систем машинного обучения3. Доклад: TBD, Иоанна Мика & Натали ДисTBDНаправления:📍 De Ruijterkade 154, 1011 AC - АмстердамОфис TomTom находится всего в 10-15 минутах ходьбы (или быстрой автобусной поездкой) от центрального вокзала Амстердама.