“Des changements incroyables se produisent dans votre vie lorsque vous décidez de prendre le contrôle de ce sur quoi vous avez du pouvoir, au lieu de désirer ardemment contrôler ce sur quoi vous n'en avez pas.”— Steve Maraboli
Rutuja Kawade, ingénieure en apprentissage automatique chez Omdena | AI for Social Good, réfléchit à medium.com sur son expérience de travail sur le Défi iRAP Omdena Ces derniers mois : de la collecte de données à l’analyse exploratoire des données, en passant par l’étiquetage et la construction de modèles d’apprentissage automatique sophistiqués pour évaluer la sécurité routière (avec certains des meilleurs scientifiques des données, ingénieurs de données et experts en apprentissage automatique au monde) :
L'innovant Défi iRAP Omdena Ce projet s'est déroulé sur 8 semaines à partir de novembre 2020 et a mobilisé plus de 50 ingénieurs en IA et en apprentissage automatique pour trouver une solution permettant la collecte et le codage accélérés et intelligents des données d'attributs routiers (AiRAP) pour sauver des vies.
En tant qu'étudiant de premier cycle, concilier études et activités parascolaires a toujours été un défi. J'ai toujours cherché à profiter au maximum de mon temps libre. Ce confinement n'a pas fait exception. De l'apprentissage et de l'exploration du Machine Learning à ma sélection comme ingénieur junior en apprentissage automatique sur un projet de vision par ordinateur chez Omdena, puis à ma promotion au poste d'ingénieur en apprentissage automatique en seulement deux mois, ce fut une expérience extrêmement enrichissante.
Sauver des vies ensemble
Ces deux derniers mois ont été extrêmement productifs, grâce à ma collaboration sur un projet de sécurité routière axé sur la devise « #sauverDesViesEnsemble » et au travail avec certains des meilleurs ingénieurs en apprentissage automatique du monde. Je suis ravi d'avoir mené à bien le projet d'IA pour la sécurité routière. Omdena en collaboration avec iRAP. Le projet a débuté mi-novembre 2020 avec 50 acteurs du changement du monde entier. 50 acteurs du changement #AI issus de 24 pays (dont 331 femmes) se sont unis pour lancer le Défi de la sécurité routière avec iRAP.
L’énoncé du problème était : prévenir les accidents de la route et sauver des vies. Le défi en lui-même me fascinait, et j’avais donc hâte de commencer.
Notre problème consistait à cartographier le risque d'accident sur chaque route du monde pour chaque type d'usager ; à identifier les caractéristiques de conception des infrastructures, de vitesse et de volume qui influencent ce risque ; et à produire régulièrement les données afin d'assurer la visibilité, la responsabilisation, l'action et le suivi des performances.
Image LiDAR de la route (Source : Données TomTom)
Le projet s'est concentré sur l'analyse des données et de leurs possibilités, l'extraction des caractéristiques routières à partir des données existantes, la production Cartes des risques des accidents historiques, des accidents survenus pour chaque usager de la route, cartographier les performances en matière de sécurité et traiter Évaluation par étoiles Conformément aux normes iRAP, mon travail a consisté à construire des modèles de détection d'objets avec YOLO v3, OpenCV, ResNet et COCO.
De la collecte des données à l'étiquetage
J'ai dû évaluer la précision de chacune d'elles et trouver comment l'optimiser pour qu'elle corresponde parfaitement à nos données. J'ai également travaillé avec des images panoramiques provenant de TomTom L'ensemble de données TomTom Historical Traffic Stats est un produit en libre-service qui analyse les données de géolocalisation historiques et fournit des informations sur le trafic (vitesse, temps de trajet et taille de l'échantillon) sur le réseau routier. Il contient essentiellement toutes les images réelles des routes et du trafic.
L'une des images est ajoutée ici. Nous avons choisi ce jeu de données car il comprenait des images LiDAR (Light Detection and Ranging) ainsi que des images panoramiques, ce qui nous a permis d'analyser les caractéristiques de la route et de nous familiariser avec les différents aspects pris en compte par la norme iRAP. Le jeu de données TomTom était non étiqueté ; notre équipe l'a étiqueté conformément aux normes iRAP. Il contenait environ 3 964 images (10,9 Go) et incluait des images panoramiques pour l'Espagne (ESP) et le Mexique (MEX).
Image panoramique (Source : Base de données TomTom)
Le premier défi que j'ai rencontré avec les données TomTom a été de gérer le volume important de données sur Amazon S3, ce que je n'avais jamais fait auparavant. J'ai bénéficié d'un excellent soutien de la communauté à chaque fois que j'ai rencontré un problème. L'avantage principal était que certains collaborateurs étaient disponibles sur Slack à tout moment de la journée et que je pouvais les contacter.
Avec l'équipe, j'ai annoté les images manuellement et à l'aide de l'outil d'étiquetage LabelImg. Nous avons ainsi annoté près de 2 000 images capturées par TomTom. J'ai également eu l'opportunité de travailler sur le pipeline du projet avec Spell ML.
Spell ML est une plateforme de création et de gestion de projets d'apprentissage automatique. Elle est généralement utilisée pour l'organisation en pipeline de projets d'apprentissage automatique. Notre équipe a utilisé ce logiciel pour coordonner le travail de chaque individu ou petit groupe afin de parvenir au produit final.
Étiquetage des images panoramiques à l'aide du logiciel LabelImg
La communauté, l'aide et les appels Sprint
Nous avons également organisé quelques sprints de code et de données où tous les collaborateurs travaillant sur la même partie participaient à une session interactive pour résoudre leurs doutes, s'entraider et, de fait, construire une communauté.
Je tiens à mentionner tout particulièrement la session d'annotation intensive, durant laquelle tous les collaborateurs impliqués dans cette tâche se sont réunis pour discuter de l'étiquetage et du logiciel utilisé pour annoter les images. Nous nous sommes réparti les images et avons poursuivi leur annotation. Cette session a duré entre 8 et 10 heures, chacun étant libre de se connecter et de se déconnecter selon son fuseau horaire. Nous avons également tenu plusieurs autres réunions où chacun a partagé l'avancement de son travail, ses doutes et les difficultés rencontrées, et s'est entraidé au mieux de ses connaissances.
Helen Keller l'a dit à juste titre : “ Seuls, nous ne pouvons pas faire grand-chose ; ensemble, nous pouvons faire tellement de choses. ”
J'ai vécu une expérience d'apprentissage et de travail formidable aux côtés de tous ces acteurs du changement exceptionnels qui se sont investis pleinement dans ce projet. Outre mes compétences techniques, j'ai considérablement amélioré mes aptitudes en communication. J'ai eu l'occasion de rencontrer de nombreux data scientists brillants et talentueux du monde entier, et je considère sincèrement que nouer des amitiés tout en travaillant ensemble est une véritable réussite pour moi.
La communauté Omdena a été une expérience formidable. J'ai pu échanger avec de nombreux acteurs du changement et découvrir des choses que je n'aurais jamais pu faire sans son soutien. Apprendre des expériences et des connaissances des autres est essentiel à la cohésion d'équipe. Le plus gratifiant était que tous les collaborateurs partageaient leurs expériences et leurs connaissances avec conviction et enthousiasme sur chaque tâche. Le projet rassemblait des personnes très diverses, originaires de différentes régions du monde, mais toutes formaient une équipe soudée.
En conclusion, je dirais que j'ai vraiment apprécié faire partie de cette équipe et j'ai compris que la construction d'une communauté est aussi importante que l'apprentissage des aspects techniques pour assurer le succès du travail d'équipe !
#communauté #aiforgood #sécuritéRoutière #visionInformatisée #sauverDesViesEnsemble #3starsorbetter
Nos sincères remerciements à Rutuja et à l'équipe du défi iRAP Omdena ! Participez aux futurs projets Omdena ici.