Lois Anne Leal en Chaitree Sham Baradkar namen deel aan de innovatieve iRAP Omdena 8 weken Uitdaging eerder dit jaar om AI-gebaseerde oplossingen te vinden voor het in kaart brengen van het risico op ongevallen en het genereren van iRAP-sterbeoordelingsattributengegevens. Zij waren slechts 2 van de 50 AI- en machine learning-ingenieurs, afkomstig uit de hele wereld via crowdsourcing, gericht op het vinden van een oplossing voor de versnelde en intelligente verzameling en codering van wegattributengegevens (AiRAP) om levens te redden.
Lois is een Wetenschappelijk Onderzoeker, Machine Learning Engineer en Gecertificeerd TensorFlow Developer uit de Filipijnen en Chaitree is een Data Scientist bij PharmaACE en Machine Learning Engineer bij Omdena uit Pune, India.
De iRAP Omdena Challenge had 3 hoofddoelen:
- Verzamel geo-gelokaliseerde ongevalsgegevens en produceer iRAP Risicokaarten van de historische ongevallen per kilometer en ongevallen per afgelegde kilometer voor elke weggebruiker
- Bron wegtatribute, verkeersstromen en snelheidsgegevens naar de mondiale iRAP-standaard en breng de veiligheidsprestaties en sterbeoordeling in kaart van meer dan 100 miljoen km weg wereldwijd
- Vervaardig herhaalbare kernprestatie-indicatoren voor wegeninfrastructuur die de basis kunnen vormen voor jaarlijkse prestatiebewaking
Lois en Chaitree hebben bijgedragen aan het tweede doel door automatisch de cruciale component van het voertuigenaantal onder het attribuut verkeer of voertuigstromen te sourcen met behulp van satellietbeelden met behulp van kunstmatige intelligentie.
Lees hun gepubliceerde blog: “Het Verbeteren van Verkeersveiligheid en het Redden van Levens met Convolutional Neural Networks“.
Onze dank aan Lois en Chaitree, en alle vrijwilligers van Challenge voor hun waardevolle bijdrage!