Летом я проходил стажировку в команде Advanced Driver-Assistance System (ADAS) в грузовиках Volvo. Я работал над созданием прототипа системы автоматической проверки их интеллектуальной функции помощи при ускорении. Другими словами, я работал над обнаружением и распознаванием дорожных знаков с очень небольшим количеством помеченных данных для поставленной задачи. Вызов да! Также очень весело. Вот основные уроки, которые я беру с собой.
Большая компания = множество сложных процессов
Volvo Group — международная компания, и только на предприятии в Гётеборге, где я работал, работает несколько тысяч сотрудников. Что мне показалось самым замечательным в работе в такой крупной компании, так это общее видение и чувство семьи среди людей. На корпоративных встречах лидеры давали ощущение цели и направления и заставляли всех чувствовать себя нужными. Однако шкала имеет некоторые недостатки. Работая с программированием, я вскоре понял, что ничто не было приспособлено к индивидуальным потребностям команд, а не для удовлетворения потребностей каждого, системы были подлатаны и объединены для выполнения иногда относительно простых запросов. И если нужно было внести небольшое изменение, по моему опыту, его обычно должен был передать какой-то занятой человек из другой команды, что иногда вызывало некоторое разочарование. Тем не менее, как летний работник, я также был удивлен тем, насколько все были любезны, когда возникала проблема, и что всегда был кто-то, кто поможет вам во всем, что вам нужно.
Гибкое мышление
За четыре года изучения математики и информатики я сделал много проектов, заданий и эссе. Обычно процесс довольно линейный от начала до конца с коротким спринтом к крайнему сроку. Однако, если вы работали в какой-либо компании по разработке программного обеспечения, вы понимаете, что большинство продуктов сегодня разрабатываются не так. Два принципа, которые я хотел бы взять с собой из agile-способа работы в другие сферы своей жизни:
- Повторите это
Лучше иметь что-то работающее, что далеко от того, что вы хотите, чем несколько идеальных деталей, которые в сумме ни к чему не приводят. Как только у вас есть что-то, что работает, минимально жизнеспособный продукт, вы можете повторять его. Я беру это с собой, когда пишу, учусь, убираюсь, да вообще куда угодно.
- Разработайте критерии приемки
Когда вы закончили? Я прожил свою жизнь, позволяя дедлайнам говорить, когда я закончу, и иногда откладывая школьные задания, чтобы знать, что не смогу тратить на них слишком много времени. Что, если вместо этого вы примете сознательное решение решать, когда вы закончите с проектами, заданиями и т. д.? В Volvo это делается с кратким описанием задач, которые необходимо выполнить, или результатов, которые должны быть достигнуты, чтобы иметь возможность перемещать задачу из состояния «Выполняется» > «Выполнено». Конкретным примером является то, что для этой статьи я написал краткий план, я напишу черновик за один сеанс, затем отредактирую во время второго сеанса, и тогда я ГОТОВ.
KPI — что измеряется, тем можно управлять
До того, как я начал работать в Volvo, в моем лексиконе не было слова KPI. Итак, я определю это для вас: KPI = ключевой показатель эффективности. Другими словами, это метрика, которую вы хотите измерить для определенной функции, которую вы разрабатываете. Одной из обязанностей команды, с которой я работал летом, была поддержка других команд в разработке ключевых показателей эффективности для измерения эффективности их функций. В машинном обучении я всегда знал, что метрика важна, однако мой опыт в автомобильной промышленности научил меня тому, что метрики, для которых они оптимизируются, часто основаны на стандартах и правилах, которые необходимо соблюдать, а не на стандартных метриках для оценки глубокого обучения. модель. Таким образом, одной из задач проекта, над которым я работал, было внедрение расчетной метрики на основе нормативного документа для интеллектуальных систем помощи при ускорении в Европе.
Работа с реальными данными
Всякий раз, когда я разговариваю с кем-то, кто занимается наукой о данных в отрасли, это становится одной из проблем при переходе от учебы к работе. Будучи студентами, мы привыкли к относительно чистому и размеченному набору данных разумного размера. То, с чем я столкнулся в Volvo, было гигантским и немаркированным набором данных для задачи, требующей контролируемого обучения. Решение, которое мы придумали, использовало внешние источники данных с открытым исходным кодом, некоторые смоделированные данные и реальные данные для тестирования. Имея больше времени и ресурсов, подход с самоконтролем был бы действительно интересным путем. Я также оказался на другой стороне проблемы машинного обучения, создания данных, тратя всю рабочую неделю на маркировку данных, чтобы даже иметь тестовый набор.
В целом я понимаю, что работа в отрасли гораздо больше связана с эффективным использованием данных, чем с проектированием конвейеров сложных моделей. Ключевой урок: если вы собираетесь стать аналитиком/ученым данных в отрасли, будьте готовы поменять ожидаемые проценты времени, проведенного в Pandas, на PyTorch! Сейчас мы действительно создаем большие данные, и многие компании, я полагаю, имеют гораздо больше данных, чем они могут продуктивно использовать сегодня.
Заворачивать
Пункты, упомянутые выше, никоим образом не составляют полный список того, чему я научился во время стажировки. Скорее, я получил много информации и улучшил свои технические навыки только благодаря опыту интенсивной работы в течение двух месяцев над реальной проблемой компьютерного зрения. Однако этого бы не произошло, если бы команда, с которой я работал, не была так приветлива и не делилась своими знаниями. И, наконец, я хотел бы выразить большую благодарность этим людям, которые сделали мою летнюю стажировку интересной и полезной!
