Nunca es un día aburrido - Ingeniería ML @ LightMetrics

Para alguien a quien le encantan los retos, trabajar en ML es un nuevo desafío cada día: ningún día es igual a otro.

‍

Al comienzo de un nuevo proyecto, es muy emocionante comprender los requisitos y ponerse manos a la obra para averiguar qué puede funcionar mejor. La fase de recopilación de datos es un poco difícil, a veces tediosa, sobre todo si no se dispone de datos anotados en el mercado, pero la emoción de las secuelas hace que uno siga adelante. Por no hablar del reto de aprender un buen modelo que sea sólido y generalice bien incluso con datos limitados, un reto que cualquier buen ingeniero de ML estará deseando asumir.

‍

Una vez que tengas un enfoque en mente, realiza algunos experimentos rápidos para ver cómo funcionan las cosas: acércate a un colega con el que te guste discutir e intercambiad notas. A continuación, llega el momento de presentar los resultados al resto del equipo.

‍

Ahora empieza la fase en la que se entrena la red neuronal para la tarea elegida con muchos datos, para obtener un resultado de referencia. Esto da comienzo a mi fase favorita, en la que se busca constantemente mejorar el rendimiento: ajustar las funciones de pérdida, diseñar nuevas funciones de pérdida es uno de mis trucos favoritos, junto con el aumento inteligente de datos.

‍

Una vez que la red neuronal funciona bien, la complejidad computacional es el siguiente reto: habrá un presupuesto de MFLOPS, así que hay dos opciones: o bien se ajusta la arquitectura de la red neuronal de forma que se pueda reducir la complejidad sin sacrificar mucho rendimiento, o bien se buscan otras técnicas como la cuantización y la poda.

‍

A veces, esto funciona, otras veces, no. Habrá un ciclo que implicará mejoras en la formación, reducción de la complejidad y evaluación del rendimiento hasta que se alcance la precisión necesaria. 

‍

A continuación, el modelo se convierte a un formato adecuado para la inteligencia artificial de vanguardia, de modo que las GPU y los DSP de la plataforma de destino se aprovechen de la mejor manera posible. Las limitaciones impuestas por los proveedores de SOC añaden otra dimensión al conjunto de retos.

‍

Por último, se dispone de un modelo que cumple los requisitos de precisión y latencia en la plataforma de destino y está listo para las pruebas de campo. Normalmente, las pruebas de campo plantearán problemas que habrá que resolver y, por último, el modelo estará listo para la versión beta para los clientes.

‍

Puedes hacer todas las pruebas que quieras, pero utilizar un modelo sobre el terreno a gran escala es otra cosa. Responder a los problemas sobre el terreno y resolverlos a tiempo es uno de los rasgos más definitorios de un ingeniero de ML, uno de los que separan a los buenos de los grandes.

‍

Aclarar y repetir: esta es la vida de un ingeniero de ML según mi experiencia, y me encanta. Tener un buen equipo en un entorno de apoyo marca una gran diferencia para que tu mente esté libre para pensar en ML.

‍

El ML en LightMetrics implica el uso de redes neuronales en datos de vídeo e imagen: el vídeo de varias cámaras de un vehículo se procesa en tiempo real, en el borde. Si el ML es un reto, hacerlo en la periferia está a otro nivel. Trabajamos en algunos de los temas más punteros: aprendizaje a partir de menos datos, aprendizaje auto/semisupervisado, búsqueda de arquitecturas neuronales centrada en redes eficientes, poda de redes neuronales, IA explicable, entre otros. Estamos estableciendo sólidas colaboraciones con instituciones académicas afines.

‍

ML en LightMetrics es diferente a cualquier otro, te ayuda a desarrollar conocimientos y experiencia trabajando en todo el ciclo de vida de ML en una empresa de productos de vanguardia. Esto no tiene precio - no hay muchas oportunidades que pueden presumir de ofrecer esto.

‍

Y sí, estamos contratando. He enumerado los requisitos a continuación:

• Conocimientos sólidos de los fundamentos del aprendizaje automático y las redes neuronales.
• Imprescindible experiencia previa en el ámbito de la imagen y el vídeo.
• Alto nivel de competencia en la escritura de código a nivel de producción en C++.
• Experiencia en el uso de OpenCV para desarrollar aplicaciones de visión por ordenador
• Se requiere competencia en el uso de Python - utilizamos Python para el desarrollo de algoritmos y C ++ en el borde
• Experiencia con marcos de aprendizaje comunes como TensorFlow o PyTorch
• Bases sólidas en algoritmos y estructuras de datos
• Se valorará la experiencia en optimización de código para memoria y rendimiento utilizando herramientas de perfilado.
• Preferiblemente 1+ años de experiencia pero estamos abiertos a contratar freshers con experiencia demostrable en ML a través de proyectos, etc.

‍

Si eres un ingeniero de ML que quiere trabajar en todo el ciclo de vida de un proyecto de ML, experimentar la emoción y la satisfacción de ver cómo un modelo que has entrenado aporta valor a los clientes, ponte en contacto con careers@lightmetrics.co con tu currículum y una carta de presentación o un párrafo sobre lo que crees que te hace un buen candidato para este puesto.