Lois Anne Leal en Chaitree Sham Baradkar namen deel aan het innovatieve project. iRAP Omdena 8 weken Challenge Eerder dit jaar zochten ze naar AI-gebaseerde oplossingen om het risico op ongevallen in kaart te brengen en attribuutgegevens voor een iRAP-sterrenclassificatie te genereren. Ze waren slechts twee van de vijftig AI- en machine learning-ingenieurs die via crowdsourcing wereldwijd waren geselecteerd om een oplossing te vinden voor het versneld en intelligent verzamelen en coderen van gegevens over wegkenmerken.AiRAP) om levens te redden.
Lois is een specialist in wetenschappelijk onderzoek, machine learning-ingenieur en gecertificeerd TensorFlow-ontwikkelaar uit de Filipijnen, en Chaitree is data scientist bij PharmaACE en machine learning-ingenieur bij Omdena uit Pune, India.
De iRAP Omdena Challenge had 3 hoofddoelen:
- Verzamel geolocatiegegevens van ongevallen en produceer iRAP-risicokaarten van het aantal historische ongevallen per kilometer en het aantal ongevallen per afgelegde kilometer voor elke weggebruiker.
- Verzamel gegevens over wegkenmerken, verkeersstromen en snelheden volgens de wereldwijde iRAP-standaard en breng de veiligheidsprestaties en sterrenclassificatie in kaart van meer dan 100 miljoen kilometer aan wegen wereldwijd.
- Ontwikkel herhaalbare prestatie-indicatoren voor de wegeninfrastructuur die als basis kunnen dienen voor jaarlijkse prestatiemonitoring.
Lois en Chaitree droegen bij aan het tweede doel door met behulp van kunstmatige intelligentie automatisch het cruciale onderdeel 'aantal voertuigen' te achterhalen onder het attribuut 'verkeer' of 'voertuigstroom', door satellietbeelden te gebruiken.
Lees hun gepubliceerde blog: “Het gebruik van convolutionele neurale netwerken om de verkeersveiligheid te verbeteren en levens te redden.“.
Onze dank gaat uit naar Lois en Chaitree, en alle vrijwilligers van de Challenge voor hun waardevolle bijdrage!