"Un cambio increíble ocurre en tu vida cuando decides tomar el control de aquello sobre lo que tienes poder en lugar de ansiar controlar lo que no tienes.”- Steve Maraboli

Rutuja Kawade, ingeniera de ML en Omdena | AI for Social Good se refleja en medium.com en su experiencia trabajando en el iRAP Omdena Challenge en los últimos meses: desde la recopilación de datos hasta la EDA, el etiquetado y la creación de modelos de aprendizaje automático sofisticados para evaluar la seguridad vial (con algunos de los mejores científicos de datos, ingenieros de datos y expertos en aprendizaje automático del mundo):

El innovador iRAP Omdena Challenge ocurrió durante 8 semanas a partir de noviembre de 2020 y se contrató a más de 50 ingenieros de inteligencia artificial y aprendizaje automático para encontrar una solución para la recopilación y codificación acelerada e inteligente de datos de atributos de carreteras (AiRAP) para salvar vidas.

Como estudiante de pregrado, la gestión académica con algunas actividades extracurriculares siempre ha sido un desafío para mí. Siempre había tratado de aprovechar al máximo mi tiempo libre. Este encierro no fue una excepción. Desde aprender y explorar el aprendizaje automático hasta ser seleccionado como ingeniero de aprendizaje automático junior en un proyecto de visión por computadora en Omdena y ascender a ingeniero de aprendizaje automático al final de dos meses, fue muy digno de mención.

Salvar vidas juntos
Los últimos dos meses no podrían haber sido más productivos que colaborar en un proyecto de seguridad vial con un lema de # salvando vidas juntos y trabajando con algunos de los mejores ingenieros de ML de todo el mundo. Estoy encantado de haber completado el proyecto de IA para la seguridad vial de Omdena en colaboración con iRAP. El proyecto comenzó a mediados de noviembre de 2020 con 50 agentes de cambio en todo el mundo. 50 agentes de cambio #AI de 24 países (33% mujeres) se unen para lanzar el RoadSafety Challenge con iRAP.

El enunciado del problema era Prevenir accidentes de tráfico y salvar vidas. El desafío en sí me fascinaba mucho, así que estaba ansioso por comenzar.

Nuestro problema era trazar un mapa del riesgo de accidentes en todas las carreteras de la tierra para cada tipo de usuario de la carretera; identificar el diseño de la infraestructura, la velocidad y las características de volumen que influyen en ese riesgo, y producir los datos con regularidad para impulsar la visibilidad, la responsabilidad, la acción y el seguimiento del rendimiento.

Imagen LiDAR de la carretera (Fuente: TomTom Dataset)

El proyecto se centró en el análisis de datos y sus posibilidades, la extracción de características viales a partir de datos existentes, produciendo Mapas de riesgo de los choques históricos, choques recorridos por cada usuario de la carretera, mapear el desempeño de seguridad y abordar Calificación de estrellas según los estándares iRAP. Mi trabajo consistió en construir modelos de detección de objetos con YOLO v3, CV abierto, Resnet y COCO.

Desde la recopilación de datos hasta el etiquetado
Tuve que lidiar con la precisión de cada uno de ellos y cómo podemos optimizarlo para que se ajuste correctamente a nuestros datos. También trabajé con imágenes panorámicas del TomTom conjunto de datos. TomTom Historical Traffic Stats es un producto de autoservicio que analiza los datos históricos de ubicación y proporciona información sobre el tráfico sobre la velocidad, el tiempo de viaje y el tamaño de la muestra en la red de carreteras. Básicamente, contenía todas las imágenes del mundo real de la carretera y el tráfico.

Una de las imágenes se agrega aquí. Elegimos este conjunto de datos porque tenía LiDAR (detección de luz y rango), así como imágenes panorámicas que nos ayudaron a analizar las características de la carretera y a sentirnos cómodos con varios aspectos de la carretera que iRAP tiene en cuenta. El conjunto de datos de TomTom no estaba etiquetado y nuestro equipo lo etiquetó de acuerdo con los estándares iRAP con alrededor de 3.964 imágenes (10,9 GB). Incluía imágenes panorámicas para ESP (Spain Road Images) y MEX (Mexico Road Images).

Imagen panorámica (Fuente: TomTom Dataset)

Para mí, el primer y principal desafío con los datos de TomTom fue lidiar y manejar el big data con Amazon S3, algo que no había hecho antes. Recibí un buen apoyo de la comunidad cuando me atasqué con cualquier problema como este. Lo mejor fue que algunos de los otros colaboradores estaban activos en holgura en cualquier momento del día con los que podía contactar.

Yo, junto con el equipo, anotamos las imágenes manualmente y usamos una herramienta de etiquetado (labelImg). Completamos la anotación de casi 2K imágenes capturadas por TomTom. Además, tuve la oportunidad de trabajar en la tubería del proyecto usando Spell ML.

Spell ML es una plataforma para crear y gestionar proyectos de aprendizaje automático. Generalmente se utiliza para canalizar proyectos de aprendizaje automático. Nuestro equipo usó este software para canalizar el trabajo de cada individuo o grupo pequeño para llegar a la pieza final completa.

Etiquetado de imágenes panorámicas con el software LabelImg

La comunidad, la ayuda y las llamadas de Sprint
También tuvimos algunos sprints de código y sprints de datos en los que todos los colaboradores que trabajaban en la misma parte tenían una sesión interactiva para resolver dudas, ayudarse entre sí y, de hecho, construir una comunidad.

Me gustaría mencionar especialmente el sprint de anotaciones, donde todos los colaboradores involucrados en esta tarea se unieron y discutieron el etiquetado, el software utilizado para anotar imágenes. Dividimos las imágenes entre nosotros y seguimos anotándolas. Este sprint duró casi de 8 a 10 horas, donde todos fueron libres de unirse y salir según su zona horaria. También tuvimos varias otras reuniones en las que todos compartieron su estado de trabajo, sus dudas y dificultades que enfrentaron en cualquier momento, y se ayudaron mutuamente con todo su conocimiento.

Helen Keller dice con razón: “Solos, podemos hacer tan poco; juntos, podemos hacer mucho ".

Tuve una gran experiencia de aprendizaje y trabajo con todos los increíbles agentes de cambio que pusieron todo su esfuerzo para lograrlo. Aparte de mis habilidades técnicas, mejoré enormemente mis habilidades comunicativas. Pude conocer a muchos científicos de datos nuevos y extraordinarios en todo el mundo, y realmente creo que hacer amigos trabajando juntos es un logro para mí.

La comunidad de Omdena fue lo mejor que pude haber pedido. Pude comunicarme con muchos agentes de cambio, donde aprendí y exploré diferentes cosas que no podrían haber sido posibles sin el apoyo de la comunidad. Aprender de la experiencia y el conocimiento de los demás es el factor más crucial cuando se trata de la formación de equipos. Lo mejor fue que todos los colaboradores compartieron su experiencia y conocimiento, de manera muy firme y positiva sobre cualquier tarea en particular. El proyecto contó con personas tan diversas de diferentes regiones del mundo, pero todos estaban unidos como un equipo.

Para concluir, diría que realmente disfruté ser parte de este equipo y entendí que la construcción de una comunidad es tan importante como aprender cosas técnicas, ¡para que el trabajo en equipo sea exitoso!

#comunidad #aiforbuena #roadsafety #computadoravision #savinglivestogether #3starsorbetter

¡Nuestro más sincero agradecimiento a Rutuja y al equipo del iRAP Omdena Challenge! Únase a futuros proyectos de Omdena aquí.