Teamuitdaging: in slechts 9 uur een vernieuwende oplossing ontwikkelen

Beginnen is het belangrijkste deel van elke zoektocht en veruit het moedigste. - Plato

Op 28 juli 2022 organiseerden we een eendaagse teamuitdaging om een proof of concept (POC) te verkennen en te ontwikkelen. Elk team van data scientists en stagiairs kon één specifieke nieuwe technologie kiezen om negen uur mee te werken, zoals GPT3, webscraping op grote schaal, computer vision, IoT, machine learning of explainable AI.

De opdracht? Een POC ontwikkelen met nieuwe technologie die nuttig kan zijn voor Agilytic en onze klanten.

‘De eerste Agilytic Quest ontstond vanuit het enthousiasme van collega's om een nieuwe uitdaging aan te gaan. Dat was het vertrekpunt. Daarnaast groeit ons Agilytic Lab, dat projecten helpt versnellen. Dit was dus een uitstekende kans om de start van het Lab te combineren met nieuwe uitdagingen en het verkennen van de nieuwste technologieën’, vertelt organisator Alex Schouleur.

Waarom dan in slechts 9 uur?

‘We zochten een evenwicht. Mensen moesten genoeg tijd krijgen om een POC te ontwikkelen, maar tegelijk wilden we een intensieve sprint. Dat maakt het net uitdagend’, aldus Alex.

De ochtend begon met een kick-off en brainstorm om een onderwerp te kiezen rond een van de nieuwe technologieën. Aan het einde moest elk team zijn oplossing voorstellen. De Agilytic-collega's werden aangemoedigd om zelf enkele concepten te verkennen en zo meer uit de dag te halen. Dit ontwikkelden en beleefden de teams samen!

Team 1 - Automatische codecorrectie en suggesties met Alex Schouleur en Guillaume Carton

Wat hebben jullie als team ontwikkeld en waarom kozen jullie hiervoor?

Alex: We kozen twee toepassingen van GPT3, een algoritme voor natuurlijke taalverwerking van OpenAI, een onderzoekslaboratorium voor artificiële intelligentie. OpenAI bouwde GPT3 met webdata: Wikipedia, websites, Reddit, sociale media enzovoort. Alles werd samengebracht in één enorme dataset waarop algoritmes werden getraind. Eerst bouwden we een tool om programmeurs te helpen hun code te documenteren. Dat is vaak lastig, saai en tijdrovend, en de documentatie is dikwijls onvolledig of onvoldoende van kwaliteit. We deden enkele tests met GPT3 en de resultaten waren indrukwekkend. Met één klik konden we uitstekende codedocumentatie genereren. De tweede toepassing was automatische foutcorrectie. We konden Python-code in onze tool plakken en met één klik code zonder bugs terugkrijgen. Daarna verkenden we GPT3 breder en zagen we veel potentieel.

Wat vond u het leukst aan de Quest?

Alex: Het was fijn om iedereen in teams te zien samenwerken, iets te bouwen en kennis en expertise te delen. Ook de ideeën van de andere teams waren leuk om te horen. Onze projecten waren erg uiteenlopend en interessant. We wilden er geen al te sterke competitie van maken, want het doel was iets goeds te bouwen voor Agilytic. Daardoor werd het meer teambuilding dan een zuivere wedstrijd.

Guillaume: Ik kon werken met een nieuwe technologie die ik nog nooit had gebruikt. Technologie evolueert zo snel dat het interessant en belangrijk is om af en toe op de nieuwste ontwikkelingen te focussen. Dat samen met collega's doen maakte het nog leuker.

Wat was de grootste uitdaging of hindernis?

Alex: Het moeilijkste was het zakelijke doel voor ogen houden. GPT3 is indrukwekkend, leuk en heeft een woweffect, maar dat stelt niets voor als we het niet inzetten voor de juiste doelen. Goede technologie vertalen naar echte projecten: dat was de grootste uitdaging.

Wat hebt u geleerd dat u nog niet wist?

Alex: Ik wist niet hoe krachtig GPT3 was. Ik verwachtte iets redelijks of gemiddelds, misschien geen topkwaliteit. Maar je kunt de antwoorden vrij makkelijk verwarren met die van een mens.

Guillaume: Ik had maar vaag over GPT3 gehoord. Dankzij de Quest leerde ik er veel meer over en zag ik welke toepassingen mogelijk zijn.

Was er een grappig of verrassend moment dat jullie als team deelden?

Alex: Ja! Je kunt GPT3 om het even welke vraag stellen. We amuseerden ons met de antwoorden op technische vragen die we gewoonlijk stellen aan sollicitanten bij Agilytic. GPT3 beantwoordde ze uitstekend!

Welke toepassingen zou deze oplossing in productie kunnen hebben?

Alex: Er zijn heel wat toepassingen. Veel bedrijven gebruiken het nu al als hun belangrijkste algoritme. Duolingo bijvoorbeeld. Andere bedrijven gebruiken het voor spelling- en grammaticacorrectie, chatbots, documentclassificatie, samenvattingen en zelfs codegeneratie.

Guillaume: Mooi is dat we de eerste toepassing nu al intern kunnen gebruiken om minder tijd te besteden aan documentatie en tegelijk de kwaliteit ervan te waarborgen.

Team 2 - Sportprestaties analyseren met Adrien Debray, Javier Tarrio en Nico Grassetto

Wat hebben jullie als team ontwikkeld en waarom kozen jullie hiervoor?

Javier: We wilden onderzoeken wat mogelijk was met publiek beschikbare Strava-informatie over de prestaties van professionele sporters. We richtten ons op de pas afgelopen Tour de France. Dat onderwerp lag voor de hand: de wedstrijd was vier dagen eerder geëindigd en een van ons is een fervent wielerliefhebber.  

‍Nico: We wilden zien hoe ver we konden komen met openbare data en proberen een analyse of voorspelling te ontwikkelen.

‍Adrien: Als wielerfan en Strava-gebruiker wist ik dat het platform openbare data over wielrenners en andere sporters bevat. Ik was benieuwd of die ons meer inzicht konden geven in rennersprofielen, succesvolle tactieken en andere aspecten.

Wat vond u het leukst aan de Quest?

Javier: De vrije onderwerpkeuze vond ik fijn. Daardoor zagen we op het einde van de dag drie uitwerkingen van totaal verschillende ideeën.

‍Nico: Ik vond het goed dat we dit voor klanten zouden kunnen gebruiken en dat de Quest zo openstond voor allerlei onderwerpen.

Wat was de grootste uitdaging of hindernis?

Javier: We overschatten hoe makkelijk we de data uit de bron konden scrapen. We probeerden verschillende manieren, maar uiteindelijk kostte het veel van onze meest schaarse hulpbron: tijd. Ook het delen van code hadden we beter kunnen organiseren.

‍Nico: We overschatten hoe moeilijk het zou zijn om data over de Tour de France te krijgen, of überhaupt data.

Wat hebt u geleerd dat u nog niet wist?

Javier: Hoeveel professionele wielrenners hun prestatiedata publiek delen. Dat is maar één aspect van de enorme hoeveelheid data die het internet of things, hier een wearable, voortbrengt. Data zijn informatie, en informatie is macht.

‍Nico: Het belang van een goede planning vóór de start van een project en van GitHub op zulke momenten. Eerst schreven we onze code ieder in eigen notebooks, maar dat bleek uiteindelijk een grote hinderpaal voor de timing.

Was er een grappig of verrassend moment dat jullie als team deelden?

Adrien: Ik herinner me dat Javier een takenlijst maakte met alles wat we nog in heel weinig tijd moesten doen. We beseften dat een afgewerkte oplossing op één dag moeilijk zou worden. Maar over het laatste punt waren we het alvast eens: ‘18:30: Een biertje drinken’.

Welke toepassingen zou deze oplossing in productie kunnen hebben?

Javier: Individuele sporters kunnen onderdelen van hun activiteit vinden waarop ze moeten verbeteren, door zich te vergelijken met sporters die daar beter presteren. Sportteams kunnen veelbelovend jong talent opsporen. Wedkantoren en gokapps kunnen er de uitbetaling van een weddenschap mee berekenen. Gokkers kunnen er interessante weddenschappen mee vinden.

Team 3 - Documentlay-out analyseren met Guillaume Lamine en Arnaud Briol

Wat hebben jullie als team ontwikkeld en waarom kozen jullie hiervoor?

Arnaud: We kozen voor documentlay-outanalyse, een combinatie van natuurlijke taalverwerking en computer vision. We werkten daar allebei al aan in eerdere projecten. Omdat het vakgebied voortdurend evolueert, wilden we enkele recente ontwikkelingen beoordelen. We wilden nagaan of het de moeite loonde verder in die nieuwe modellen te investeren en of ze nuttig konden zijn voor projecten.

Wat vond u het leukst aan de Quest?

Arnaud: Pas uitgebrachte technologie uitproberen. Dat is boeiend!

Wat was de grootste uitdaging of hindernis?

Arnaud: Zulke modellen trainen is lastig, want er zijn veel data en GPU's voor nodig. Bovendien verloren we tijd met het configureren van een omgeving om de modellen te draaien.

Wat hebt u geleerd dat u nog niet wist?

Arnaud: Ik ontdekte heel wat opensourcemodellen voor documentlay-outanalyse, waarvan sommige al voorgetraind zijn. Een collega raadde ook LabelImg aan, een interessante opensourcetool om afbeeldingen te labelen en zo een dataset te maken.

Was er een grappig of verrassend moment dat jullie als team deelden?

Arnaud: Tijdens de eerste drie uur van de Quest hadden we enkele grappige teamoverleggen over de vraag of we van onderwerp zouden veranderen of dit reusachtige vraagstuk echt in één dag zouden aanpakken.

Welke toepassingen zou deze oplossing in productie kunnen hebben?

Arnaud: Ze kan helpen bij alle projecten met gescande documenten, door automatisch informatie uit te lezen zoals prijzen, namen, handtekeningen, logo's, tabellen met data en zelfs vergelijkingen!

En nu? Naar het Lab!

De POC-oplossingen van de Quest geven ons Agilytic Lab een vliegende start. Dat is een incubator om kennis in het team te delen en te verankeren, zodat we groeien door gezamenlijke ervaring en individuele oefening.

Het Lab helpt projecten te versnellen, te ondersteunen en op te leveren. Als vaste centrale kennisplek maakt het nieuwe ideeën mogelijk en helpt het ons aanbod aan waardevolle diensten uit te breiden.

-

Klaar voor uw volgende uitdaging met data? We zoeken data scientists, data engineers en projectmanagers voor ons team.

Bekijk onze vacatures!