Aquí no hay días aburridos: ingeniería de ML en LightMetrics

Para alguien a quien le apasionan los retos, trabajar en aprendizaje automático (ML) es un desafío nuevo cada día; no hay dos días iguales.

‍

Al comenzar un nuevo proyecto, hay mucha emoción al entender los requisitos y ponerse manos a la obra para descubrir qué podría funcionar mejor. La fase de recopilación de datos es un poco desafiante y, a veces, tediosa, especialmente si no hay datos anotados disponibles comercialmente, pero la emoción de lo que viene después te mantiene motivado. Por no mencionar que el reto de entrenar un buen modelo que sea robusto y que generalice bien incluso con datos limitados es algo que cualquier buen ingeniero de ML estará deseando asumir.

‍

Una vez que tienes un enfoque en mente, realizas algunos experimentos rápidos para ver cómo funcionan las cosas; te acercas a un colega con el que te encanta debatir e intercambias impresiones. Luego, llega el momento de presentar los hallazgos obtenidos hasta el momento al resto del equipo.

‍

Ahora comienza la fase en la que entrenas la red neuronal para la tarea elegida con una gran cantidad de datos para obtener un resultado base. Aquí empieza mi fase favorita, en la que buscas constantemente mejorar el rendimiento: ajustar las funciones de pérdida y diseñar otras nuevas es uno de mis trucos preferidos, junto con una ingeniosa aumentación de datos.

‍

Una vez que la red neuronal funciona bien, el siguiente reto es la complejidad computacional. Habrá un presupuesto de MFLOPS, así que tienes dos opciones: ajustar la arquitectura de la red neuronal para reducir la complejidad sin sacrificar demasiado el rendimiento, o recurrir a otras técnicas como la cuantización y la poda.

‍

A veces funciona a la primera, otras veces no. Habrá un ciclo que implica mejoras en el entrenamiento, reducción de la complejidad y evaluación del rendimiento hasta alcanzar la precisión requerida. 

‍

El modelo se convierte ahora a un formato adecuado para IA en el borde , de modo que las GPU y los DSP de la plataforma de destino se aprovechen de la mejor manera posible. Los proveedores de SOC imponen restricciones que añaden otra dimensión al conjunto de desafíos.

‍

Por fin tienes un modelo que cumple con los requisitos de precisión y latencia en la plataforma de destino y está listo para las pruebas de campo. Por lo general, surgirán problemas durante estas pruebas que deberán resolverse y, ahora sí, el modelo estará listo para una versión beta para los clientes.

‍

Puedes hacer todas las pruebas que quieras, pero usar un modelo en el campo a gran escala es otra historia. Responder a los problemas que surgen en el terreno y resolverlos de manera oportuna es uno de los rasgos que mejor definen a un ingeniero de ML; es lo que separa a los buenos de los excelentes.

‍

Repetir el proceso: esa es la vida de un ingeniero de ML según mi experiencia, y me encanta. Contar con un buen equipo en un entorno de apoyo marca una gran diferencia, ya que permite que tu mente esté libre para pensar en el aprendizaje automático.

‍

El ML en LightMetrics implica el uso de redes neuronales en datos de video e imagen; el video de múltiples cámaras en un vehículo se procesa en tiempo real, en el borde (edge). Si el ML ya es un desafío, hacerlo en el borde está a otro nivel. Trabajamos en algunos de los temas más vanguardistas: aprendizaje con menos datos, aprendizaje auto/semisupervisado, búsqueda de arquitectura neuronal con enfoque en redes eficientes, poda de redes neuronales e IA explicable, entre otros. Estamos estableciendo colaboraciones sólidas con instituciones académicas afines.

‍

El ML en LightMetrics es único; te ayuda a desarrollar experiencia y conocimientos trabajando en todo el ciclo de vida del ML en una empresa de productos de vanguardia. Esto no tiene precio: no hay muchas oportunidades que puedan afirmar que ofrecen algo así.

‍

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

• Sólida comprensión de los fundamentos del aprendizaje automático y las redes neuronales
• Es imprescindible contar con experiencia previa trabajando en el ámbito de imagen/video
• Alto nivel de competencia en la escritura de código de nivel de producción en C++
• Experiencia en el uso de OpenCV para desarrollar aplicaciones de visión artificial
• Se requiere competencia en el uso de Python; utilizamos Python para desarrollar algoritmos y C++ en el borde
• Experiencia con marcos de aprendizaje comunes como TensorFlow o PyTorch
• Sólida base en algoritmos y estructuras de datos
• Se valorará la experiencia en la optimización de código para mejorar la memoria y el rendimiento mediante herramientas de perfilado.
• Preferiblemente con más de 1 año de experiencia, aunque estamos abiertos a contratar perfiles junior con experiencia demostrable en ML a través de proyectos o similares.

‍

Si eres un ingeniero de ML que desea trabajar en todo el ciclo de vida de un proyecto de aprendizaje automático y experimentar la emoción y satisfacción de ver cómo un modelo que has entrenado aporta valor a los clientes, escribe a careers@lightmetrics.co adjuntando tu currículum y una carta de presentación o un párrafo explicando por qué crees que encajas en este puesto.