Empleado destacado: Alexander Kimiavi

Hola Alexander, como uno de los preciados ingenieros de software de Dedrone, ¿puedes contarnos algo más sobre tus actividades diarias?

Mi día a día en Dedrone puede variar e implica muchas cosas, pero empiezo el día con el scrum diario de visión por ordenador. Esto da a nuestro equipo tiempo para sincronizarse en nuestros proyectos, lo que nos permite hacer frente a los bloqueos y hacer preguntas, asegurándonos de que estamos operando de la manera más eficiente posible.  

A continuación, paso parte del día planificando futuros proyectos y planes de investigación para el equipo de visión por ordenador. Los problemas a los que nos enfrentamos evolucionan a diario, por lo que es importante planificar eficazmente qué investigación realizaremos como equipo para abordar estos problemas. Luego paso el resto del día investigando nuestros modelos o desarrollando código para permitir la investigación de los modelos. Esto implica desarrollar e investigar nuestras arquitecturas de redes neuronales, tomar decisiones basadas en datos sobre qué muestrear de nuestro conjunto de datos y qué datos conservar, añadir funciones a nuestro software de vídeo y aumentar la eficiencia de nuestra inferencia de vídeo.  

¿Qué es lo que más le gusta de trabajar en Dedrone?

Lo mejor de trabajar en Dedrone es la gente con la que me relaciono a diario. Todo el mundo en Dedrone tiene su propia área de especialización, y es emocionante aprender de ellos y de sus respectivos campos. Además, los problemas que tenemos que resolver en Dedrone son desafiantes, lo que hace que el trabajo sea rápido y emocionante.  

Cuéntenos cuál ha sido la mejor misión que ha tenido trabajando en Dedrone y por qué fue tan increíble.  

La mejor tarea que he tenido en Dedrone ha sido encabezar la investigación y el desarrollo de Pythagoras 1. Esto requirió una revisión completa de cómo hacemos la visión por ordenador en Dedrone. Esta revisión implicó mejorar la forma en que obtenemos nuestros datos, diseñar nuevos y eficientes conductos para manejar millones de imágenes para el entrenamiento, investigar una nueva arquitectura de red neuronal interna y, por último, aprovechar la tecnología de vanguardia para acelerar nuestra inferencia en el borde.  

La investigación y el desarrollo fueron rápidos y nos obligaron a aprovechar la vanguardia para desarrollar este modelo. Ver cómo este modelo cobraba vida y las mejoras que aportaba al producto fue muy gratificante y emocionante. Estoy muy orgulloso de lo que hemos conseguido en un periodo de tiempo relativamente corto.

¿Cuál cree que es el elemento más importante de la seguridad del espacio aéreo que quizá la gente no entienda?  

Creo que la gente no se da cuenta del verdadero alcance del problema. El aire está lleno de muchos más objetivos de los que cabría esperar. Para detectarlos, utilizamos una gran variedad de sensores que tienen asociados sus propios errores. Además, diferentes sensores pueden detectar el mismo objetivo, por lo que hay que fusionarlos mediante algoritmos para obtener una imagen clara del espacio aéreo. En cuanto a la visión por ordenador, existe una gran variedad de objetivos y escenas aéreas a los que su detector debe ser resistente. Para hacer frente a estos retos, se necesita un potente motor de fusión y un gran equipo de aprendizaje automático que, por suerte, Dedrone posee. El problema no es sencillo y está en constante evolución.

Aparte de su trabajo con Dedrone, ¿qué le gusta hacer en su tiempo libre?

Me encanta el trabajo que hago, así que en mi tiempo libre disfruto manteniéndome al día de las últimas investigaciones en aprendizaje profundo. También me gusta trabajar en proyectos paralelos, dar largos paseos, hacer ejercicio y relacionarme con los amigos. Cuando puedo, me encanta ayudar a mis padres a cuidar de su dulce perra Ivy.

‍