“Uma mudança incrível acontece na sua vida quando você decide assumir o controle daquilo sobre o qual tem poder, em vez de ansiar por controlar o que não tem.”— Steve Maraboli
Rutuja Kawade, engenheira de aprendizado de máquina na Omdena | IA para o bem social, reflete sobre medium.com sobre sua experiência trabalhando em Desafio iRAP Omdena Nos últimos meses: da coleta de dados à análise exploratória de dados (EDA), da rotulagem à construção de modelos sofisticados de aprendizado de máquina para avaliar a segurança rodoviária (com alguns dos melhores cientistas de dados, engenheiros de dados e especialistas em aprendizado de máquina do mundo):
O inovador Desafio iRAP Omdena O projeto ocorreu ao longo de 8 semanas, a partir de novembro de 2020, e contou com a colaboração de mais de 50 engenheiros de IA e aprendizado de máquina para encontrar uma solução para a coleta e codificação acelerada e inteligente de dados de atributos de estradas (AiRAP) para salvar vidas.
Como estudante de graduação, conciliar os estudos com atividades extracurriculares sempre foi um desafio para mim. Sempre tentei aproveitar ao máximo meu tempo livre. Este período de confinamento não foi exceção. Desde aprender e explorar Machine Learning até ser selecionado como Engenheiro Júnior de ML em um projeto de Visão Computacional na Omdena, e finalmente ser promovido a Engenheiro de Machine Learning em apenas dois meses, tudo isso foi extremamente notável.
Salvando vidas juntos
Os últimos dois meses foram extremamente produtivos, colaborando em um projeto de segurança viária com o lema "#salvandovidasjuntos" e trabalhando com alguns dos melhores engenheiros de aprendizado de máquina do mundo. Estou muito feliz por ter concluído o projeto de IA para segurança viária. Omdena em colaboração com iRAP. O projeto teve início em meados de novembro de 2020 com 50 agentes de mudança de todo o mundo. 50 agentes de mudança do projeto #AI, de 24 países (331 mulheres do %), se uniram para dar início ao Desafio de Segurança Viária com o iRAP.
O problema proposto era prevenir acidentes rodoviários e salvar vidas. O desafio em si me fascinou bastante, então eu estava ansioso para começar.
Nosso desafio era mapear o risco de acidentes em todas as estradas do mundo para cada tipo de usuário; identificar os fatores de projeto da infraestrutura, velocidade e volume que influenciam esse risco; e produzir dados regularmente para gerar visibilidade, responsabilização, ação e monitoramento de desempenho.
Imagem LiDAR da estrada (Fonte: Conjunto de dados TomTom)
O projeto focou na análise de dados e suas possibilidades, extração de características de estradas a partir de dados existentes, produzindo Mapas de risco dos acidentes históricos, acidentes ocorridos para cada usuário da via, mapear o desempenho de segurança e lidar com Classificação por estrelas Conforme os padrões iRAP. Meu trabalho envolveu a construção de modelos de detecção de objetos com YOLO v3, OpenCV, ResNet e COCO.
Da coleta de dados à rotulagem
Tive que lidar com a precisão de cada uma delas e como poderíamos otimizá-las para que se ajustassem corretamente aos nossos dados. Também trabalhei com imagens panorâmicas do TomTom O conjunto de dados TomTom Historical Traffic Stats é um produto de autoatendimento que analisa dados históricos de localização e fornece informações sobre o tráfego, como velocidade, tempo de viagem e tamanho da amostra na rede viária. Basicamente, ele contém todas as imagens reais de estradas e tráfego.
Uma das imagens está adicionada aqui. Escolhemos este conjunto de dados porque ele continha imagens LiDAR (Detecção e Alcance por Luz), bem como imagens panorâmicas, o que nos ajudou a analisar as características da estrada e a nos familiarizarmos com os diversos aspectos da via que o padrão iRAP leva em consideração. O conjunto de dados da TomTom não estava rotulado e nossa equipe o rotulou de acordo com os padrões iRAP, com cerca de 3.964 imagens (10,9 GB). Ele incluía imagens panorâmicas para ESP (Imagens de Estradas da Espanha) e MEX (Imagens de Estradas do México).
Imagem panorâmica (Fonte: Conjunto de dados TomTom)
O primeiro e principal desafio com os dados da TomTom para mim foi lidar com o grande volume de dados usando o Amazon S3, algo que eu nunca tinha feito antes. Recebi um bom suporte da comunidade sempre que me deparava com algum problema desse tipo. O melhor de tudo foi que alguns dos outros colaboradores estavam ativos no Slack a qualquer hora do dia e eu podia entrar em contato com eles.
Eu e a equipe anotamos as imagens manualmente, utilizando uma ferramenta de rotulagem (labelImg). Concluímos a anotação de quase 2 mil imagens capturadas pelo TomTom. Além disso, tive a oportunidade de trabalhar no pipeline do projeto usando o Spell ML.
O Spell ML é uma plataforma para construir e gerenciar projetos de aprendizado de máquina. Geralmente, é usado para o processamento em pipeline de projetos de aprendizado de máquina. Nossa equipe utilizou esse software para integrar o trabalho de cada indivíduo ou pequeno grupo ao produto final.
Rotulagem de imagens panorâmicas usando o software LabelImg
A comunidade, a ajuda e as chamadas da Sprint
Também realizamos alguns sprints de código e sprints de dados, nos quais todos os colaboradores que trabalhavam na mesma parte participavam de uma sessão interativa para tirar dúvidas, ajudar uns aos outros e, de fato, construir uma comunidade.
Gostaria de mencionar especialmente o sprint de anotação, onde todos os colaboradores envolvidos nesta tarefa se reuniram e discutiram a rotulagem e o software utilizado para anotar as imagens. Dividimos as imagens entre nós e continuamos a anotá-las. Este sprint durou cerca de 8 a 10 horas, com todos podendo entrar e sair conforme seu fuso horário. Também tivemos várias outras reuniões onde todos compartilharam o andamento do trabalho, suas dúvidas e dificuldades encontradas em algum momento, e se ajudaram mutuamente com todo o conhecimento que possuíam.
Como bem disse Helen Keller: “Sozinhos, podemos fazer tão pouco; juntos, podemos fazer muito.”
Tive uma ótima experiência de aprendizado e trabalho com todos os incríveis agentes de mudança que se empenharam ao máximo para que isso acontecesse. Além das minhas habilidades técnicas, aprimorei muito minhas habilidades de comunicação. Conheci muitos cientistas de dados novos e extraordinários ao redor do mundo, e acredito sinceramente que fazer amigos trabalhando juntos é uma grande conquista para mim.
A comunidade Omdena foi a melhor coisa que eu poderia ter desejado. Pude me comunicar com muitos agentes de mudança, onde aprendi e explorei diferentes coisas que não teriam sido possíveis sem o apoio da comunidade. Aprender com a experiência e o conhecimento uns dos outros é o fator mais crucial na construção de uma equipe. O melhor de tudo foi que todos os colaboradores compartilharam suas experiências e conhecimentos de forma muito firme e positiva sobre qualquer tarefa específica. O projeto reuniu pessoas muito diversas de diferentes regiões do mundo, mas todas unidas como uma equipe.
Concluindo, eu diria que gostei muito de fazer parte desta equipe e entendi que a construção de comunidade é tão importante quanto o aprendizado técnico para que o trabalho em equipe seja bem-sucedido!
#comunidade #aiforgood #Roadsafety #computervision #savinglivestogether #3starsorbetter
Nossos sinceros agradecimentos a Rutuja e à equipe do Desafio iRAP Omdena! Junte-se a nós em futuros projetos Omdena! aqui.