Fr

TECH

Machine Learning Engineer: what's in a name?

Woensdag 8 Maart 2023

Machine Learning Engineer: what's in a name?

De onstuitbare doorbraak van martech gaat gepaard met het ontstaan van een hele resem nieuwe functies, al dan niet met ronkende namen. Omdat niet iedereen altijd weet welke opleiding ze vereisen en wat ze precies om het lijf hebben, zetten we er graag geregeld eentje in de spotlights.

Vandaag legt de jonge Jules Talloen ons uit wat hij als machine learning engineer doet bij ML6 dat gespecialiseerd is in zelflerende computersystemen.
 
Wat heb je gestudeerd?
 
Ik ben burgerlijk ingenieur computerwetenschappen en studeerde aan de universiteit van Gent, waar ik ook enige tijd als onderzoeker gewerkt heb. In 2019 ben ik bij ML6 aan de slag gegaan. We zijn vooral actief in de maakindustrie om aan kwaliteitsprospectie te doen. Anderzijds werken we ook veel voor de media, met onze modellen voor taalanalyse, automatische samenvattingen van krantenlay-outs, maar ook voor de generatie van afbeeldingen en teksten.
 
Onze belangrijkste technologie is gericht op grote taalmodellen die taal begrijpen en die breed toepasbaar zijn in meerdere sectoren. Met de expertise die we opbouwen willen we bijdragen aan open source knowhow en modellen, meer bepaald in het Nederlands.
 
Je bent machine learning engineer. Wat moeten we ons daarbij voorstellen?
 
Enkele jaren geleden was dat nog een echte nichefunctie, maar vandaag is het een heel brede titel geworden. We zitten met heel veel machine learning engineers bij ML6. Mijn job omvat diverse aspecten. Concreet ontwerp en begeleid ik de teams en projecten aan waarbij machine learning komt kijken. Anderzijds train ik ook wel AI-modellen. Verder houd ik me bezig met bijvoorbeeld de installatie van camera’s die verbonden moeten worden met een centraal systeem, zodat het logaritme beslissingen kan nemen, de aanmaak van user interfaces, enzovoort. Machine learning berust op een totaal nieuwe manier om de zaken te bekijken.
 
Waarin moeten machines of modellen in feite getraind worden?
 
Het meest klassieke voorbeeld is dat computermodellen moeten leren om objecten te herkennen, zodat ze in een supermarkt bijvoorbeeld automatisch kunnen herkennen welk product een klant vastheeft, zodat er geen streepjescodes meer moeten worden gescand. Om daarin te slagen moet je het model enorm veel voorbeelden tonen van het product dat het moet herkennen. Denk duizenden foto’s van een sinaasappel of een bus melk. Zo leert een computer wat dat is.
 
Wat is het raarste object dat je al hebt moeten aanleren?
 
Ik weet door een interne test dat modellen het moeilijk hebben met het herkennen van een toilet. Hoe dat komt weet ik niet, maar soms is het model een expert in het herkennen van stokbroden en heel slecht in het herkennen van toiletten. Wereldwijd gebruiken mensen dezelfde technieken om voorwerpen te herkennen; als daar een grappige fout inzit, komt die dan ook wereldwijd naar boven.
 
De grootste belemmering?
 
Het verzamelen van data, dus je moet aan de vele voorbeelden komen. De beperking zit in meteen ook daar, in wat je een machine aanleert. Daar moet je dus op letten, bijvoorbeeld op het vlak van diversiteit; dat is een belangrijke topic in machine learning, omdat bias je onbedoeld parten kan spelen. Het gebeurt dat mensen door de voorbeelden die ze de modellen meegeven, bepaalde groepen zonder het te weten gaan benadelen. We zijn ons daar sterk van bewust, net als de rest van de industrie. Daarom hebben we bij ML6 intern een ethics unit die de projecten onderzoekt voor we ze aannemen.
 
De volgende uitdaging?
 
Er wordt graag gesproken over artificial general intelligence, als de volgende stap. Nu bouwen we intelligentie voor een enkel probleem, zoals producten herkennen in een supermarkt, nummerplaten lezen, emoties herkennen. De volgende fase streeft naar een model dat alles tegelijk kan, een beetje zoals de mensen. De mens is nog steeds de maatstaf waarmee we modellen gaan vergelijken. In sommige taken is AI beter, maar de mens is voor veel dingen nog steeds de “jack of all trades” die veel dingen goed tot matig goed kan.
 
Wat zijn de voorwaarden om als machine learning engineer te werken?
 
Je hoeft niet per se ingenieur te zijn, we hebben heel wat collega’s met een andere achtergrond maar een technologische interesse die kozen voor een carrièreswitch: de job is toegankelijk voor heel uiteenlopende profielen. Naast de technische basis is het belangrijk dat je probleemoplossend kunnen denken en in staat bent te blijven bijleren, want het gaat heel snel. Je moet ook met klanten kunnen praten en problemen begrijpen.
 
Wat vind je het leukste aan je werk?
 
De variatie en de breedte van het vakgebied. De creativiteit en zien hoeveel mensen zoveel coole ideeën hebben.

Archief / TECH