AI-talangerna arbetar med data till Volvos självkörande bilar: ”Nöjda med resultatet”

AI Swedens Young Talent-program pågår under ett år, där talangerna under hösten är placerade vid AI Swedens noder runt om i landet. Under våren är sedan tanken att talangerna ska ut och arbeta hos någon av AI Swedens partners.

Joel Karlsson, Arvid Nordström, Valter Jakobsson och Gustav Wreth tog studenten från Tullängens gymnasium i somras och har under hösten deltagit i talangprogrammet och haft sin arbetsplats vid AI Impact Lab på Örebro universitet.

Arbetar med data från Zenseact

Ett av projekten de arbetat med var tillsammans med Zenseact. Företaget utvecklar mjukvaran för Volvos självkörande bilar och använder en teknik som kallas federerad inlärning, eller ”fleet learning”. För att träna AI-modellen använder Zenseact ett stort dataset som kallas ZOD, Zenseact open dataset.

Joel, Arvid, Valter och Gustavs uppgift var att arbeta med en del av ZOD; ett dataset på 100 000 bilder.

– Vår uppgift var att hitta strategier för att dela upp bilderna så att de kan representera olika bilar eller ”klienter”. Vi har också arbetat med att visualisera ZOD, samt att hitta obalanser i datasetet, säger Valter Jakobsson och fortsätter:

– Den största utmaningen var nog i början när vi behövde sätta oss in i den kod som vår handledare på Zenseact gav oss. Eftersom den bestod av flera olika koder och bibliotek var det svårt att få en överblick över koden. Men vi lyckades till slut.

"Vi hittade en obalans som påverkade träningen negativt"

Strax före jul fick talangerna presentera resultatet av projektet för representanter från AI Sweden, Zenseact och Volvo.

– De var väldigt nöjda med både vår presentation och de resultat vi kommit fram till. Vi har bland annat tagit fram olika strategier för att dela upp datan, men också visualiserat datan på ett snyggt sätt. Vi hittade även en obalans med data från Storbritannien som påverkade träningen av AI-modellen negativt, eftersom de kör på andra sidan vägen. 

Hur tror ni att ert resultat kan komma till nytta i framtiden?

– Det kan användas för att få en överblick över ZOD och förstå vad fleet learning innebär. Men också att förstå vilka tillvägagångssätt som är bäst och vad man ska tänka på när man tränar upp en sådan här modell på det här sättet.