Aleksandr Timasjov is een ML Engineer met meer dan tien jaar ervaring in AI en Machine Learning. Hij heeft een graad in Wiskunde van de Indiana University en een certificaat in Kunstmatige Intelligentie van de Stanford University. Aleksandr’s carrière beslaat meerdere sectoren, waaronder e-commerce, olie & gas en fintech. In dit interview deelt Aleksandr zijn unieke ervaringen met het leiden van baanbrekende projecten in Computer Vision en Data Science bij de Petronas Global Energy Group (Maleisië).
Hallo Aleksandr. Vertel onze lezers over je achtergrond en hoe je in Data Science en Machine Learning terecht bent gekomen?
Mijn passie voor wiskunde begon al vroeg op de middelbare school toen ik deelnam aan nationale olympiades. Deze liefde voor getallen en probleemoplossing zette zich voort op de universiteit, waar ik werd aangetrokken door vakken als lineaire algebra en kansrekening. De overgang naar Machine Learning voelde natuurlijk aan gezien mijn wiskundige achtergrond. Het is een spannend vakgebied waarmee ik abstracte concepten kan toepassen om echte problemen op te lossen.
Toen mij een Machine Learning-functie werd aangeboden bij Petronas, een groot Maleisisch bedrijf, zag ik dat als een ongelooflijke kans. De omvang van het bedrijf en het potentieel om een significante impact te maken, waren belangrijke factoren in mijn beslissing. Werken bij Petronas stelde mij niet alleen in staat om bedrijfsprocessen te verbeteren, maar ook om de levens van miljoenen Maleisiërs positief te beïnvloeden. Het is een functie die mijn technische vaardigheden combineert met zinvolle, grootschalige impact.
Kunt u ons iets vertellen over Petronas, wat voor bedrijf is dat? En wat bracht u naar Petronas, wat waren uw doelen toen u daar begon?
Petronas is een groot staatsbedrijf in Maleisië en hoewel ze voornamelijk actief zijn in de olie- en gasindustrie, doen ze veel meer dan dat. De Petronas-groep van bedrijven omvat een aantal andere bedrijven die geassocieerd worden met Kuala Lumpur en Maleisië. Laten we bijvoorbeeld zeggen dat KLCC property holding direct gerelateerd is aan Petronas. Het bedrijf is verantwoordelijk voor de beveiliging en het beheer van Kuala Lumpur City Center Twin Towers – de prachtige twin towers in de hoofdstad van Maleisië. En de invloed van het bedrijf is niet beperkt tot Maleisië – het is aanwezig in meer dan 100 landen over de hele wereld.
Petronas is betrokken bij verschillende industrieën – van petrochemie tot logistiek tot engineering services. Het bedrijf is ook beroemd om het pionieren van verschillende digitale technologiegebieden, waaronder Cybersecurity, IoT en, wat mij specifiek aangaat – Artificial Intelligence.
Mijn belangrijkste doelen toen ik bij Petronas aan de slag ging als professional in Machine Learning en Data Science, waren om ervaring op te doen in een bedrijf met enorme verbetermogelijkheden en om mijn kennis te delen met zoveel mogelijk jonge talenten.
En heb je deze doelen bereikt?
Dit was zeker vruchtbare grond voor mijn ambities! Toen ik bij het bedrijf kwam, waren ze net bezig met het opzetten van een grote Data Science/Machine Learning-afdeling – op dat moment waren deze technologieën nog niet gescheiden binnen het bedrijf. Toen ik kwam, waren er al tientallen mensen op de afdeling, maar ze werkten nog steeds aan de strategische roadmap voor de afdeling. Tegelijkertijd was het grote voordeel van deze situatie dat er veel mogelijkheden waren om te verbeteren en veel richtingen om op te gaan. Ik koos Computer Vision als een van mijn favoriete gebieden van AI. Om verder te gaan over die tijd, zal ik je een voorbeeld geven: één Computer Vision-model dat het bedrijf gebruikte toen ik kwam, kon een gigabyte “wegen”. Op de allereerste dag, de dag dat ik er begon te werken, maakte ik on the fly een model dat 20 keer kleiner en veel nauwkeuriger was.
De manager van de afdeling die met dit model werkte, was verrast hoe snel en nauwkeurig mijn model werkte. Ze waren erg geïnteresseerd en vroegen me of ik het werk van andere modellen kon optimaliseren. Ik ging akkoord op voorwaarde dat als ik iets doe, ik er verantwoordelijk voor ben en dat ik de benodigde middelen krijg. En dus kreeg ik carte blanche om het Computer Vision-team op te bouwen, om er een efficiënte eenheid van te maken die Petronas zou helpen zijn doelen te bereiken. De mensen die ik heb opgeleid, vormen nog steeds een belangrijk onderdeel van het Computer Vision-team bij Petronas.
Hoe bent u de uitdaging van het vanaf nul samenstellen van een krachtig Computer Vision-team aangegaan?
Dat was eigenlijk niet één, maar meerdere uitdagingen. In tegenstelling tot kleinere bedrijven en startups, zijn grote bedrijven met gevestigde structuren en bedrijfsprocessen vaak terughoudend om te veranderen. Toen ik bij Petronas kwam, had het al werkende processen en was het niet altijd vanzelfsprekend hoe Computer Vision die processen nog efficiënter kon maken. Dus moesten we enerzijds verschillende afdelingen binnen het bedrijf overtuigen om een nieuwe technologie te accepteren en anderzijds de technologie voor hen laten werken.
En dit brengt ons bij de tweede uitdaging: een team samenstellen dat al deze veranderingen zou doorvoeren. De afdeling draaide al toen ik erbij kwam, en ik kon niet beginnen met het opblazen van het personeel – ik moest mensen kiezen en trainen die er al waren. En ik was enthousiast om te zien hoe getalenteerd mensen konden zijn, zelfs als ze nog nooit met Computer Vision hadden gewerkt! Ik kon mensen in het bedrijf en op de afdeling vinden die geïnteresseerd waren in het veranderen van de manier waarop dingen werden gedaan, mensen die kritisch konden denken en een liefde hadden voor het oplossen van complexe wiskundige problemen – en dat is niet altijd een gemakkelijke taak! Het kostte dus veel tijd en al mijn communicatievaardigheden, maar ik slaagde erin om mensen in het bedrijf te bewegen om doordrongen te raken van Computer Vision.
Kunt u ons iets vertellen over uw werk met Computer Vision bij Petronas?
Ik heb leiding gegeven aan verschillende projecten die de technologische mogelijkheden van het bedrijf aanzienlijk hebben verbeterd:
Realtime videoanalyse voor beveiliging:
We hebben een geavanceerd systeem ontwikkeld dat deep learning-algoritmen integreert met bestaande CCTV-infrastructuur. Dit project overwon uitdagingen bij het verwerken van grote hoeveelheden visuele data in realtime en het aanpassen aan verschillende omgevingsomstandigheden. Het resulterende systeem detecteerde beveiligingsbedreigingen nauwkeurig, optimaliseerde beveiligingsoperaties en positioneerde Petronas als leider in AI-gestuurde beveiliging in de energiesector van Maleisië.
Geautomatiseerde inspecties van industriële installaties:
We combineerden dronetechnologie met geavanceerde algoritmen voor beeldherkenning om inspecties van fabrieken te automatiseren. Dit ongekende project in Maleisië vereiste het creëren van robuuste modellen om defecten in diverse industriële apparatuur onder verschillende omstandigheden te identificeren. We ontwikkelden een aangepaste datapijplijn om de immense hoeveelheid visuele data te verwerken, wat resulteerde in aanzienlijke kostenbesparingen en verminderde blootstelling van mensen aan gevaarlijke omgevingen.
Digitalisering van technische tekeningen:
We pakten de digitalisering van Petronas’ uitgebreide technische tekeningencollectie aan met behulp van een combinatie van OCR en algoritmen voor tekendetectie. Een belangrijke uitdaging was het in kaart brengen van drone-inspectiedetecties naar echte kaarten. Dit project verbeterde de toegankelijkheid en het gebruik van kritieke technische informatie aanzienlijk, wat de operationele efficiëntie en besluitvormingsprocessen verbeterde.
Bij deze projecten heb ik talloze ML-engineers begeleid, wat een cultuur van innovatie binnen Petronas bevorderde. Mijn werk toonde brede expertise in computer vision, deep learning en industriële IoT, wat het vermogen aantoonde om geavanceerde technologieën aan te passen aan de specifieke behoeften van de olie- en gasindustrie en ongekende uitdagingen in de Maleisische context aan te pakken.
Je vertelde ons dat je deze projecten in 2020-2022 uitvoerde, dus het begon allemaal in de Covid-19-tijd. Hebben de pandemie en isolatie je werk gecompliceerd?
Nou ja, natuurlijk had de pandemie invloed op onze activiteiten, net als overal ter wereld. In wezen werden de prioriteiten die mijn team had gesteld, gewijzigd en begonnen we ons te richten op taken als crowd management, gezichtsmaskerdetectie, etc. Kijk, als een gigantisch staatsbedrijf is Petronas verantwoordelijk voor veel openbare plekken, waaronder KLCC Park, en het is echt cool dat ons werk destijds veel levens heeft gered tijdens COVID.
Overigens was het niet alleen COVID dat ons werk ingewikkelder maakte en het uitdagender en interessanter. Maleisië is een overwegend islamitisch land, en dit betekent dat mensen zich anders kunnen gedragen en zelfs anders kunnen kleden dan mensen in de landen waar de meeste ML- en Computer Vision-modellen doorgaans worden opgeleid. Er was een bepaalde vooringenomenheid die we moesten overwinnen om dezelfde modellen in een aanzienlijk andere omgeving te laten werken.
Klinkt interessant! Kun je ons er meer over vertellen?
Bijvoorbeeld, vooraf getrainde modellen komen voornamelijk uit westerse landen, waar er niet veel dames zijn met hoofddeksels die hun hoofd in verschillende mate bedekken. Het was behoorlijk problematisch om vrouwen te detecteren die hoofddeksels droegen! We moesten de dataset opnieuw samenstellen, de modellen opnieuw trainen, etc. Dit probleem is uniek voor Maleisië.
En ten tweede, zoals ik al zei, is er de cultuur zelf. Mensen in Maleisië zijn minder geneigd om hun mening openlijk te uiten. In dit opzicht moest ik mijn teamgenoten laten zien – expres – dat ik het ook mis kon hebben. En toen ze geleidelijk mijn fouten aanwezen, moedigde dat hen aan. Op deze ietwat omslachtige manier bouwde ik geleidelijk een meer collaboratieve omgeving op die zo vertrouwd was voor westerse bedrijven, maar helemaal nieuw voor Maleisië.
Welk advies zou je geven aan ambitieuze Data Science- en Machine Learning-specialisten die een significante impact willen maken in hun carrière? Je hebt zelf een team samengesteld dat op de meest geavanceerde technologieën werkt.
Voor beginnende Data Science- en Machine Learning-specialisten heb ik drie belangrijke adviezen:
Beoordeel kritisch of dit veld echt aansluit bij uw passies. DS en ML zijn complex en zeer competitief, en vereisen niet alleen vaardigheden, maar ook oprecht enthousiasme om te slagen.
Als je zeker weet dat dit jouw pad is, ga dan voor intensief, continu leren. Zoals Andrej Karpathy opmerkte, kost het ongeveer 10.000 uur toegewijd werk om een echte professional in dit vakgebied te worden.
Richt u op het aansluiten bij topbedrijven of onderzoekslaboratoria waar u kunt samenwerken met toonaangevende geesten in het veld. U omringen met briljante collega’s zal uw groei exponentieel versnellen. U wordt blootgesteld aan baanbrekende problemen, innovatieve oplossingen en een niveau van expertise dat u dagelijks uitdaagt en inspireert.
Onthoud, als DS en ML echt jouw passie zijn, dan zullen deze uitdagingen spannend zijn. Dit enthousiasme, gekoppeld aan blootstelling aan toptalent, zal de sleutel zijn om een significante impact te maken op jouw carrière.
Welke huidige trends en ontwikkelingen op het gebied van computer vision vindt u het meest interessant en veelbelovend?
Hoewel Natural Language Processing recentelijk aanzienlijke vooruitgang heeft geboekt, geloof ik dat Computer Vision nog steeds zwaar wordt onderschat en een immens onbenut potentieel heeft. We zijn nog ver verwijderd van het bereiken van menselijke capaciteiten in visuele perceptie en begrip.
Een van de meest veelbelovende trends in Computer Vision is Self-Supervised Learning. Deze aanpak, die vergeleken kan worden met hoe kinderen leren door de wereld om hen heen te observeren, heeft een groot potentieel getoond in het verminderen van de behoefte aan grote gelabelde datasets. Ik geloof echter dat er nog steeds een cruciaal element ontbreekt in het volledig repliceren van menselijk visueel leren en begrijpen.
Ik ben vooral enthousiast over de evolutie van Generative AI in CV, met name diffusiemodellen en consistentiemodellen. Deze technologieën revolutioneren het genereren, manipuleren en begrijpen van afbeeldingen. Diffusiemodellen excelleren in het creëren van diverse, hoogwaardige afbeeldingen, terwijl consistentiemodellen ons vermogen om samenhang te behouden over verschillende visuele perspectieven heen verbeteren.
Ondanks deze vooruitgang bevinden we ons nog in de beginfase van het ontsluiten van het volledige potentieel van CV. Het veld is rijp voor innovatie, met name in het ontwikkelen van robuustere, generaliseerbare modellen die het visuele begrip op menselijk niveau in verschillende contexten kunnen benaderen. Dit maakt het een ongelooflijk opwindende tijd om te werken in Computer Vision, met ruime mogelijkheden voor baanbrekend onderzoek en toepassingen.”
Deze beknopte versie bevat de belangrijkste punten over de huidige stand van zaken van CV’s, uw visie op de mogelijkheden ervan en de interessante ontwikkelingen in het vakgebied, maar is tegelijkertijd gerichter en to-the-point.
Credits voor de hoofdafbeelding: rawpixel.com/Freepik
