جوليان ريبتيز، مهندس رئيسي في مجال التعلم الآلي في Picterra – سلسلة المقابلات

جوليان ريبتيز هو مهندس رئيسي في مجال البرمجيات والتعلم الآلي في Picterra. توفر Picterra منصة سحابية لتحليل الصور الجوية والفضائية، مصممة خصيصا لتدريب الكشف عن الكائنات باستخدام التعلم الآلي بسرعة وأمان.

بدون كتابة خط واحد من الكود وباستخدام فقط بعض التعليقات التي كتبها الإنسان، يمكن لمستخدمي Picterra بناء ونشر نماذج تعلم آلي فريدة من نوعها وجاهزة للاستخدام.

تتيح منصة Picterra للمستخدمين تحليل الصور الجوية والفضائية بسهولة، مما يتيح لهم تحديد الكائنات والأنماط.

ما هو الشيء الذي جذبك إلى مجال التعلم الآلي والذكاء الاصطناعي؟

بدأت برمجة البرامج لأنني أردت صنع ألعاب فيديو وأصبحت مهتما بالرسومات الحاسوبية. هذا أدى بي إلى مجال الرؤية الحاسوبية، وهو عملية معاكسة حيث لا تُنشئ الحاسوب بيئة وهمية، بل تُدرك البيئة الحقيقية. خلال دراستي، درست بعض دورات التعلم الآلي وأصبحت مهتما بجانب الرؤية الحاسوبية. أعتقد أن ما يثير الاهتمام في مجال التعلم الآلي هو أنه يقع على تقاطع بين هندسة البرمجيات والخوارزميات والرياضيات، ويظل يبدو ساحرا عندما يعمل.

لقد عملت على استخدام التعلم الآلي لتحليل الصور الفضائية لسنوات عديدة. ما كان أول مشروع لك؟

كان أول تعرض لي للصور الفضائية هو مشروع Terra-i (لتحديد إزالة الغابات) وعملت عليه خلال دراستي. كنت مذهلاً من كمية البيانات الفضائية المتاحة مجانا التي تنتجها الوكالات الفضائية (ناسا، إيسا، إلخ…). يمكنك الحصول على صور منتظمة للكوكب كل يوم أو يومين، وهذا مورد رائع ل许多 التطبيقات العلمية.

يمكنك أن تشارك المزيد من التفاصيل حول مشروع “Terra-i”؟

كان مشروع Terra-i (http://terra-i.org/terra-i.html) قد بدأه البروفيسور أندريه بيريز-أوريب، من HEIG-VD (سويسرا) والآن يقوده لويس ريموندين، من CIAT (كولومبيا). الفكرة وراء المشروع هي الكشف عن إزالة الغابات باستخدام الصور الفضائية المتاحة مجانا. في ذلك الوقت، عملنا مع صور MODIS (بدقة 250 متر) لأنها قدمت تغطية موحدة ومتنبئة (بصورة مكانية وزمنية). كنا نحصل على قياس لكل بكسل كل بضعة أيام، ومن هذه السلاسل الزمنية من القياسات، يمكننا محاولة الكشف عن الشذوذ أو النزعات كما نسميها أحيانا في التعلم الآلي.

كان هذا المشروع مثيرا للاهتمام لأن كمية البيانات كانت تحديا في ذلك الوقت، وكان هناك أيضا بعض هندسة البرمجيات المطلوبة لجعلها تعمل على عدة حواسيب، إلخ… من جانب التعلم الآلي، استخدمنا شبكة عصبونية خفيضة (ليست عميقة في ذلك الوقت) للتنبؤ بما يجب أن تبدو عليه سلسلة البكسل. إذا لم يتطابق القياس مع التنبؤ،那么 لدينا شذوذ.

كجزء من هذا المشروع، عملت أيضا على إزالة الغيوم. اتخذنا نهج معالجة الإشارات التقليدية، حيث لديك سلسلة زمنية من القياسات وبعضها سيكون完全 خاطئ بسبب سحابة. استخدمنا نهج قائم على فورييه (HANTS) لتنظيف السلسلة الزمنية قبل الكشف عن الشذوذ فيها. واحدة من الصعوبات هي أنه إذا قمنا بتنظيفها بقوة، سوف نزيل أيضا الشذوذ، لذلك كان هناك بعض التجارب للقيام بها لتحديد المعلمات الصحيحة.

كما صممت وطبقت نظام تعلم آلي عميق لتصنيف المحاصيل تلقائيا من صور جوية (طائرات بدون طيار) لحقول الزراعة. ما كانت التحديات الرئيسية في ذلك الوقت؟

كان هذا أول تعرض لي للتعلم العميق. في ذلك الوقت، أعتقد أن التحديات الرئيسية كانت أكثر على جعل الإطار يعمل ويعمل بشكل صحيح مع وحدة معالجة الرسومات أكثر من التعلم الآلي نفسه. استخدمنا Theano، الذي كان أحد أسلاف Tensorflow.

كان الهدف من المشروع هو تصنيف نوع المحصول في حقل، من صور طائرة بدون طيار. حاولنا نهج حيث يستخدم نموذج التعلم العميق توزيعات اللون كمدخلات بدلا من الصورة الخام. لجعل هذا يعمل بسرعة معقولة، تذكر أنني كان علي تنفيذ طبقة مخصصة في Theano، كل الطريق إلى بعض أكواد CUDA. كان ذلك تجربة رائعة في ذلك الوقت وطريقة جيدة للغوص قليلا في التفاصيل الفنية للتعلم العميق.

أنت الآن مهندس رئيسي في مجال البرمجيات والتعلم الآلي في Picterra. كيف يمكنك وصف أنشطتك اليومية؟

تختلف بشكل كبير، ولكن الكثير منها يتعلق بالاهتمام بالهيكل العام للنظام والمنتج بشكل عام والتواصل مع مختلف أصحاب المصلحة. على الرغم من أن التعلم الآلي هو قلب أعمالنا، سوف تدرك بسرعة أن معظم الوقت لا يتم قضاءه على التعلم الآلي نفسه، ولكن على كل الأشياء المحيطة به: إدارة البيانات، البنية التحتية، واجهة المستخدم، البروتوتايب، فهم المستخدمين، إلخ… هذا تغيير كبير عن الأكاديمية أو الخبرة السابقة في الشركات الكبيرة حيث تكون أكثر تركيزا على مشكلة محددة.

ما يثير الاهتمام في Picterra هو أننا لا ننفذ فقط نماذج التعلم العميق للمستخدمين، ولكننا نسمح لهم بتدريب نماذجهم الخاصة. هذا يختلف عن العديد من سلاسل عمل التعلم الآلي التقليدية حيث يكون لديك فريق التعلم الآلي يتدرب على نموذج ثم ينشره إلى الإنتاج. ما يعنيه هذا هو أننا لا نستطيع اللعب يدويًا مع معلمات التدريب كما تفعل عادة. يجب علينا أن نجد طريقة تدريب تعمل لجميع مستخدمينا. هذا أدى بنا إلى إنشاء ما نسميه “إطار التجارب”، وهو مستودع كبير من مجموعات البيانات التي تمثل بيانات التدريب التي سوف يبنيها مستخدمونا على المنصة. يمكننا بعد ذلك اختبار التغييرات في منهجية التدريب ضد هذه المجموعات من البيانات وتقييم ما إذا كانت تساعد أو لا. بدلا من تقييم نموذج واحد، نحن أكثر تقييم هيكل + منهجية التدريب.

التحدي الآخر هو أن مستخدمينا ليسوا من ممارسي التعلم الآلي، لذلك لا يعرفون بالضرورة ما هو مجموعة التدريب، ما هو التسمية، إلخ… بناء واجهة مستخدم تسمح للمستخدمين غير ممارسي التعلم الآلي ببناء مجموعات البيانات وتنفيذ نماذج التعلم الآلي هو تحد دائم وهناك الكثير من التفاعل بين فريق التصميم و فريق التعلم الآلي لضمان توجيه المستخدمين في الاتجاه الصحيح.

ما هي بعض المشاريع المثيرة للاهتمام التي عملت عليها؟

أعتقد أن الأكثر إثارة للاهتمام في Picterra كان نموذج الكاشف المخصص. قبل عام ونصف، كان لدينا كاشفات مدمجة على المنصة: كانت هذه الكاشفات التي دربناها أنفسنا وجعلناها متاحة للمستخدمين. على سبيل المثال، كان لدينا كاشف للمباني، كاشف للسيارات، إلخ…

هذا هو سلاسل العمل التقليدية للتعلم الآلي: لديك مهندس التعلم الآلي يطور نموذجًا لケース محدد ثم يخدمه للعملاء.

لكننا أردنا أن نفعل شيئا مختلفا ودفع الحدود قليلا. قلنا: “ماذا لو سمحنا للمستخدمين بتدريب نماذجهم الخاصة مباشرة على المنصة”؟ كانت هناك بعض التحديات لجعل هذا يعمل: أولا، لم نرغب في أن يستغرق هذا الأمر ساعات عديدة. إذا كنا نريد الحفاظ على هذا الشعور بالتفاعل، يجب أن يستغرق التدريب بضعة دقائق على الأكثر. ثانيا، لم نرغب في الحاجة إلى آلاف التعليقات، والتي هي عادة ما تحتاجها نماذج التعلم العميق الكبيرة.

لذلك بدأنا بنموذج بسيط جدا، قمنا ببعض الاختبارات في Jupyter وحاولنا دمجها في منصتنا واختبار سلاسل العمل بأكملها، مع واجهة مستخدم أساسية، إلخ… في البداية، لم يكن يعمل جيدا في معظم الحالات، ولكن هناك بعض الحالات التي كان يعمل فيها. هذا أعطانا الأمل وبدأنا التكرار على منهجية التدريب ونموذج. بعد بضعة أشهر، تمكنا من الوصول إلى نقطة حيث يعمل جيدا، والآن لدينا مستخدمينا يستخدمونه دائما.

ما كان مثيرا للاهتمام في هذا هو التحدي المزدوج للحفاظ على سرعة التدريب (حاليًا بضعة دقائق) وبالتالي عدم تعقيد النموذج، ولكن في نفس الوقت جعل النموذج معقدا بما يكفي ليعمل ويلبي مشاكل المستخدمين. بالإضافة إلى ذلك، يعمل مع عدد قليل من التسميات (<100) في nhiều الحالات.

تطبيقنا العديد من “قواعد التعلم الآلي” من جوجل، خاصة تلك المتعلقة بتنفيذ سلاسل العمل كاملة والمتغيرات قبل البدء في تحسين النموذج. هذا يضعك في وضع التفكير النظمي حيث تدرك أن ليس جميع مشاكلك يجب أن تتم معالجتها بواسطة التعلم الآلي الأساسي، ولكن بعضها يمكن دفعها إلى واجهة المستخدم، بعضها يمكن معالجته مسبقا أو لاحقا، إلخ…

ما هي بعض تقنيات التعلم الآلي المستخدمة في Picterra؟

في الإنتاج، نحن حاليا نستخدم Pytorch لتدريب ونفذ نماذجنا. نحن أيضا نستخدم Tensorflow من وقت لآخر لبعض النماذج المحددة التي تم تطويرها للعملاء. بخلاف ذلك، إنه حزمة علمية بايثون قياسية (numpy، scipy) مع بعض مكتبات الجغرافيا المكانية (gdal) المضاف إليها.

يمكنك مناقشة كيف تعمل Picterra في الخلفية عندما يرفع شخص صور وي้องการ تدريب الشبكة العصبية لتحديد الكائنات بشكل صحيح؟

بالتأكيد، عندما يرفع شخص صورة، نقوم بمعالجتها وتخزينها في صيغة “Cloud-Optimized-Geotiff” (COG) على مخزن البlobs (تخزين سحابي من جوجل)، مما يسمح لنا بالوصول بسرعة إلى كتلة من الصورة دون الحاجة إلى تنزيل الصورة كاملة لاحقا. هذا هو نقطة حاسمة لأن الصور الجغرافية المكانية يمكن أن تكون ضخمة: لدينا مستخدمون يعملون بانتظام مع صور بحجم 50000×50000 بكسل.

ثم، لتدريب نموذجك، سوف تحتاج إلى إنشاء مجموعة بيانات التدريب من خلال واجهة المستخدم الويب. سوف تفعل ذلك عن طريق تحديد ثلاثة أنواع من المناطق:

1. مناطق التدريب، حيث سوف ترسم تسميات التدريب
2. مناطق الاختبار، حيث سوف يتنبأ النموذج لتيتمكن من رؤية بعض النتائج
3. منطقة الدقة، حيث سوف ترسم تسميات أيضا، ولكنها لا تستخدم للتدريب، بل فقط للتقييم

مرة واحدة بعد إنشاء هذه المجموعة من البيانات، يمكنك ببساطة النقر على “Train” وسوف نتدرب كاشفا لك. ما يحدث بعد ذلك هو أننا نضيف وظيفة التدريب، ونبدأ واحد من عمالنا GPU، ونتدرب نموذجك، ونحفظ أوزانه إلى مخزن البlobs، وأخيرا نتنبأ في “منطقة الاختبار” لعرضه على واجهة المستخدم. من هناك، يمكنك التكرار على نموذجك. عادة، سوف تلاحظ بعض الأخطاء في “مناطق الاختبار” وستضيف مناطق التدريب لمساعدة النموذج على التحسين.

مرة واحدة بعد أن تكون راضيا عن درجة نموذجك، يمكنك تشغيله على نطاق واسع. من وجهة نظر المستخدم، هذا بسيط جدا: ببساطة انقر على “Detect” بجانب الصورة التي تريد تشغيله عليها. ولكنها أكثر تعقيدا تحت الغطاء إذا كانت الصورة كبيرة. لتسريع الأمور، ومعالجة الفشل، وتجنب جعل الكشف يستغرق ساعات عديدة، نقسم الكشف الكبير إلى خلايا شبكية ونشغل وظيفة كشف مستقلة لكل خلية. هذا يسمح لنا بتشغيل كشوف على نطاق واسع جدا. على سبيل المثال، كان لدينا عميلا يشغل الكشف على toàn بلد الدنمارك على صور 25 سم، وهو في نطاق التيرابايت من البيانات – لمشروع واحد فقط. لقد غطينا مشروعا مشابها في هذا المقال على ميديوم.

هل هناك شيء آخر تريد مشاركته حول Picterra؟

أعتقد أن ما يثير الاهتمام في Picterra هو أنه منتج فريد، عند تقاطع التعلم الآلي والجغرافيا المكانية. ما يميزنا عن الشركات الأخرى التي تعالج البيانات الجغرافية المكانية هو أننا نجهز مستخدمينا بمنصة ذاتية الخدمة. يمكنهم بسهولة العثور على المواقع، وتحليل الأنماط، والكشف عن الكائنات وعدها على صور المراقبة الأرضية. سيكون من المستحيل بدون التعلم الآلي، ولكن مستخدمونا لا يحتاجون حتى إلى مهارات برمجة أساسية – المنصة تقوم بالعمل بناء على بعض التعليقات التي كتبها الإنسان. لأولئك الذين يريدون أن يغوصوا أعمق ويتعلموا مفاهيم التعلم الآلي الأساسية في مجال الجغرافيا المكانية، قدنا دورة متكاملة على الإنترنت.

ما يُذكر أيضا هو أن التطبيقات المحتملة ل Picterra لا حصر لها – تم استخدام الكاشفات التي بنيت على المنصة في إدارة المدن، والزراعة الدقيقة، وإدارة الغابات، وإدارة الكوارث، والزراعة، وغيرها من التطبيقات الشائعة. نحن في الأساس مفاجئون كل يوم بما يحاول مستخدمونا فعله مع منصتنا. يمكنك تجربته و 告نا كيف عمل على وسائل التواصل الاجتماعي.

شكرا على المقابلة الرائعة ومشاركتك معنا كيف يمكن ل Picterra أن يكون قويا، القراء الذين يريدون معرفة المزيد يجب أن يزوروا موقع Picterra.