Lois Anne Leal en Chaitree Sham Baradkar namen deel aan het innovatieve project iRAP Omdena 8 weken uitdaging eerder dit jaar om op AI gebaseerde oplossingen te vinden om het ongevalsrisico in kaart te brengen en attribuutgegevens met iRAP-sterrenwaarderingen te genereren. Ze waren slechts twee van de vijftig AI- en machine learning-ingenieurs van over de hele wereld die zich concentreerden op het vinden van een oplossing voor het versneld en intelligent verzamelen en coderen van wegattribuutgegevens (AiRAP) om levens te redden.

Lois is een Science Research Specialist, Machine Learning Engineer en Certified TensorFlow Developer uit de Filippijnen en Chaitree is een Data Scientist bij PharmaACE en Machine Learning Engineer bij Omdena uit Pune, India.

De iRAP Omdena Challenge had 3 hoofddoelstellingen:

1. Verzamel geolocatie-ongevallengegevens en produceer iRAP-risicokaarten van de historische ongevallen per kilometer en ongevallen per afgelegde kilometer voor elke weggebruiker
2. Bron wegkenmerken, verkeersstromen en snelheidsgegevens volgens de wereldwijde iRAP-standaard en breng de veiligheidsprestaties en sterrenwaardering van meer dan 100 miljoen km wegen wereldwijd in kaart
3. Produceer herhaalbare prestatie-indicatoren voor de weginfrastructuur die de basis kunnen vormen voor het jaarlijkse prestatieonderzoek

Lois en Chaitree hebben bijgedragen aan de tweede doelstelling door automatisch de cruciale component van het aantal voertuigen onder het attribuut verkeer of voertuigstroom te plaatsen met behulp van satellietbeelden met behulp van kunstmatige intelligentie.

Lees hun gepubliceerde blog: “Convolutionele neurale netwerken gebruiken om de verkeersveiligheid te verbeteren en levens te redden“.

Onze dank aan Lois en Chaitree, en alle Challenge-vrijwilligers voor hun waardevolle bijdrage!