“Mudanças incríveis acontecem em sua vida quando você decide assumir o controle sobre o que tem poder, em vez de desejar controlar o que não tem.”- Steve Maraboli

Rutuja Kawade, engenheira de ML na Omdena | AI para o Bem Social reflete para medium.com em sua experiência trabalhando no iRAP Omdena Challenge nos últimos meses: da coleta de dados à EDA, à rotulagem e à construção de modelos sofisticados de ML para avaliar a segurança no trânsito (com alguns dos melhores cientistas de dados, engenheiros de dados e especialistas em ML do mundo):

O inovador iRAP Omdena Challenge ocorreu ao longo de 8 semanas a partir de novembro de 2020 e reuniu 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.

Sendo um estudante de graduação, administrar acadêmicos com algumas atividades extracurriculares sempre foi um desafio para mim. Sempre tentei aproveitar ao máximo meu tempo de lazer. Esse bloqueio não foi exceção. De Aprender e Explorar o Aprendizado de Máquina até ser selecionado como Engenheiro de ML Júnior em um Projeto de Visão Computacional na Omdena e chegar a Engenheiro de Aprendizado de Máquina ao final de dois meses foi super notável.

Salvando Vidas Juntos
Os últimos dois meses não poderiam ter sido mais produtivos do que colaborar em um projeto de segurança no trânsito com uma moto de #savinglivestogether e trabalhar com alguns dos melhores engenheiros de ML em todo o mundo. Estou muito satisfeito por ter concluído o projeto de IA para segurança no trânsito em Omdena em colaboração com iRAP. O projeto começou em meados de novembro de 2020 com 50 agentes de mudança em todo o mundo. 50 agentes de mudança #AI de 24 países (mulheres 33%) se unem para lançar o RoadSafety Challenge com iRAP.

A declaração do problema era Preventing Road Crashes and Saving Lives. O desafio em si me fascinou muito, então eu estava ansioso para começar.

Nosso problema era mapear o risco de colisão em todas as estradas do planeta para cada tipo de usuário; identifique os recursos de design, velocidade e volume da infraestrutura que influenciam esse risco e produza os dados regularmente para direcionar visibilidade, responsabilidade, ação e rastreamento de desempenho.

Imagem LiDAR da estrada (fonte: conjunto de dados TomTom)

O projeto se concentrou na análise de dados e suas possibilidades, extração de características viárias a partir de dados existentes, produzindo Mapas de Risco dos acidentes históricos, acidentes percorridos para cada usuário da estrada, mapear o desempenho de segurança e lidar com Classificação por estrelas de acordo com os padrões iRAP. Meu trabalho envolveu a construção de modelos de detecção de objetos com YOLO v3, CV aberto, Resnet e COCO.

Da coleta de dados à rotulagem
Tive que lidar com a precisão de cada um deles e como podemos otimizá-los para que se encaixem em nossos dados adequadamente. Também trabalhei com imagens panorâmicas da TomTom conjunto de dados. O TomTom Historical Traffic Stats é um produto de autoatendimento que analisa dados históricos de localização e fornece informações de tráfego sobre velocidade, tempo de viagem e tamanho da amostra na rede rodoviária. Ele basicamente continha todas as imagens do mundo real de estradas e tráfego.

Uma das imagens é adicionada aqui. Escolhemos este conjunto de dados porque ele tinha LiDAR (Light Detection and Ranging), bem como imagens panorâmicas que nos ajudaram a analisar as características da estrada e a ficar confortável com vários aspectos da estrada que iRAP leva em consideração. O conjunto de dados TomTom não estava rotulado e nossa equipe o rotulou de acordo com os padrões iRAP com cerca de 3.964 imagens (10,9 GB). Incluía imagens panorâmicas para ESP (Spain Road Images) e MEX (Mexico Road Images).

Imagem panorâmica (fonte: conjunto de dados TomTom)

O primeiro e mais importante desafio com os dados da TomTom para mim foi lidar e lidar com big data usando o Amazon S3, o que eu não tinha feito antes. Recebi um bom suporte da comunidade quando me deparei com qualquer problema como esse. A melhor coisa é que alguns dos outros colaboradores estavam ativos em qualquer momento do dia, a quem eu podia entrar em contato.

Eu, junto com a equipe, anotei as imagens manualmente e usamos uma ferramenta de etiquetagem (labelImg). Concluímos anotando quase 2 mil imagens capturadas pela TomTom. Além disso, tive a oportunidade de trabalhar no pipeline do projeto usando Spell ML.

Spell ML é uma plataforma para criar e gerenciar projetos de aprendizado de máquina. Geralmente é usado para pipelining projetos de machine learning. Nossa equipe usou este software para canalizar o trabalho de cada indivíduo ou pequeno grupo para torná-lo na peça final inteira.

Rotulando as imagens panorâmicas usando o software LabelImg

A Comunidade, a Ajuda e as Chamadas Sprint
Também tivemos alguns code sprints e data sprints onde todos os colaboradores trabalhando na mesma parte estavam tendo uma sessão interativa para solucionar dúvidas, ajudar uns aos outros e, de fato, construir uma comunidade.

Em especial, gostaria de mencionar o sprint de anotação, onde todos os colaboradores envolvidos nesta tarefa se juntaram e discutiram a rotulagem, o software utilizado para anotar imagens. Dividimos as imagens entre nós e continuamos anotando-as. Este sprint durou quase 8–10 horas, onde todos estavam livres para entrar e sair de acordo com seu fuso horário. Também tivemos vários outros encontros onde todos compartilharam seu estado de trabalho, suas dúvidas e dificuldades enfrentadas em qualquer momento, e se ajudaram com o seu pleno conhecimento.

É dito com razão por 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 colocaram todos os seus esforços para fazer isso. Além de minhas habilidades técnicas, eu aprimorei muito minhas habilidades de comunicação. Conheci muitos cientistas de dados novos e extraordinários em todo o mundo e realmente acho que fazer amigos trabalhando juntos é uma conquista para mim.

A comunidade Omdena foi a melhor coisa que eu poderia ter pedido. Consegui me comunicar com muitos agentes de mudança, onde aprendi e explorei coisas diferentes que não seriam possíveis sem o apoio da comunidade. Aprender com a experiência de cada um e o conhecimento é o fator mais importante quando se trata de construção de equipes. O melhor é que todos os colaboradores compartilharam sua experiência e conhecimento, de forma muito firme e positiva sobre qualquer tarefa em particular. O projeto teve diversas pessoas de diferentes regiões do mundo, mas todos estavam unidos como uma equipe.

Concluindo, diria que gostei muito de fazer parte desse time e entendi que construir uma comunidade é tão importante quanto aprender coisas técnicas, para que o trabalho em equipe seja um sucesso!

#community #aiforgood #roadsafety #computervision #savinglivestogether #3starsorbetter

Nossos sinceros agradecimentos a Rutuja e à equipe do iRAP Omdena Challenge! Junte-se a projetos Omdena futuros aqui.