För ett halvår sedan fick Hannes frågan av sin kompis Joel från datainstitutionen om Hannes ville hjälpa honom med sitt exjobb inom AI. Den tekniska delen av exjobbet skedde på det företaget Axis som Joel hade en deltidstjänst på.
Berätta kort om ert exjobb!
- Det vi har undersökt är AI-bildigenkänning på 3D-punktmoln som genererats av en radar. Kärnan av problemet är att man ska kunna titta på ett visst område inom en radar och avgöra om det är en eller flera personer i bild. Tillämpningen som vi försökt göra är att detektera något som kallas piggybacking. Vi testade det genom att låta två personer försöka simulera att de smiter igenom en säkerhetsdörr när det bara var en av dem som hade tillträde.
Hannes förklarar att de monterade upp en hårdvara som spelade in de så kallade punktmoln. Därefter satte de en etikett på varje inspelning som beskriver händelseförloppet.
- Med hjälp av detta, och ganska invecklad matematik, kan man träna nätverket att själv kunna gissa vad som försiggår inom de ramar som nätverket registrerar.
Vad fick dig att tacka ja till projektet?
- Min enda erfarenhet med AI var ungefär att jag visste att det var väldigt stort forskningsområde, och att en av de viktigaste delarna inom AI just nu är bildigenkänning och klassificering. Så det som fick mig att haka på projektet var att jag länge velat förstå mig på bättre hur bildigenkänning funkar, och att jag alltid har varit intresserad av datavetenskap. Sen tänkte jag att det skulle vara väldigt intressant att försöka tillämpa AI på Supply Chain Management i framtiden.
Det förvånade verkligen mig hur enkelt det var att gå från att ha noll förkunskaper, till att köra ett program.
Just den begränsade erfarenheten, och processen att sätta sig in i forskningsområdet, beskriver Hannes som en av de största utmaningarna.
- Jag läste på en del på egen hand innan projektet satte igång eftersom ett stort problem var att övertyga vår handledare och examinator att jag hade tillräckliga förkunskaper. Jag hade som sagt inga tidigare tekniska kunskaper inom området. Men det löste sig, och jag är glad att de hade förtroende för mig.
Processen att testa sig fram mellan olika alternativ som skulle ge bäst träffsäkerhet, beskriver Hannes som det roligaste under projektets gång.
- Det roligaste var definitivt att sitta och försöka testa sig fram och hitta en arkitektur som funkar. Särskilt när vi såg de stora ökningarna i träffsäkerhet kändes det väldigt bra. Det var en väldigt kul och utmanande väg för vi hade nästan obegränsat med alternativ av metoder vi kunde testa för att förbättra resultaten.
Det var en väldigt kul och utmanande väg.
Hur har du fått användning av din utbildning i projektet?
- Eftersom jag har läst mer matte och statistik än Joel, har jag försökt bidra med mina kunskaper inom dessa områden.när man pluggar till ingenjör lär man sig att försöka angripa problem på ett logiskt och strukturerat sätt, och det är kanske det mest värdefulla som jag har tagit med mig. Det hjälper också att vara lite datakunnig men det har jag fått genom att ha programmerat på fritiden.
AI-tips från Hannes
Som tips till andra studenter som funderar på att göra sitt examensarbete inom AI, men som är rädda för att inte ha tillräckliga förkunskaper inom området, understryker Hannes att det var enklare än väntat sätta sig in i ämnet.
- Rent kodmässigt är det väldigt enkelt att komma igång, särskilt med användarvänliga bibliotek som “TensorFlow”, och “Keras” som vi använde för att skapa vårt program. Det förvånade verkligen mig hur enkelt det var att gå från att ha noll förkunskaper, till att köra ett program.
- Andra tips är att vara väldigt noggrann med att skriva upp allt ni testar och alla era resultat för att slippa göra om testerna, samt att börja i god tid. Och skriv gärna med någon annan. Jag tror en väldigt viktig aspekt av att lyckas med ett projekt är att kunna ha det trevligt med sin partner.
