Представяме ви отбора f ‘{ing_python}’, който завърши трети в хакатона HackAUBG. Идеята им е проста – да улеснят живота ни. „Parkinc.“ е приложение, което може да ни покаже свободни места за паркиране, без да е необходимо да обикаляме с колите си, търсейки място, в продължение на неприлично дълго време. Стефан Андреев е организатор и работи по Machine Learning частта на проекта, заедно с Давид Атанасовски. Стоян Лисичков е отговорен за уеб приложението и целия интерфейс. Ева Коневски работи по дизайна, а също и върху frontend. Не на последно място имаме Димо Резашки и Кристиян Деянов, които разработват икономическия и бизнес модел на проекта и това как да превърнат идеята в печалба.

Можете ли да ни кажете повече за Parkinc. и идеята зад него?

Кристиян: Докато размишлявахме върху различни идеи и това как да подобрим градския живот, тъй като темата на хакатона беше „Умни градове“, ние се спряхме на тази, защото е наистина близка до нас. Както знаем, в София има голям проблем с паркоместата, особено в центъра на града. Те са запазени за тези, които живеят или работят там. Искахме да направим процеса на намиране на място за паркиране много по-лесен и по-бърз, така че хората да не губят времето, енергията и парите си и общо взето – да улеснят живота си.

Как работи приложението от технологична гледна точка?

Стефан: С Давид се съсредоточихме върху ML модела, използвайки PyTorch. Имаме изображение, което е направено от камера за видеонаблюдение от неподвижен ъгъл. След това избираме места, от тези на които е позволено да се паркира, и ги предаваме към двоичен модел на класификация. Така се оценява дали мястото е заето, или свободно. Моделът ни е проектиран така, за да свържем и актуализираме броячът за свободни места чрез backend SQL сървър, който е свързан към уеб сокет към нашия сайт, който Стоян направи.

Как разработвате подобно нещо само за два дни? Трудно ли беше?

Стефан: По принцип с Давид изкарахме огромен Crash Course по PyTorch и се стараехме да създадем рудиментарен модел, тъй като това е първият път, в който създавам успешна конволюционна невронна мрежа. Но приключвайки с основите, след това просто трябва да си поиграете с параметрите и да накарате модела си да работи с точност, която желаете. В нашия случай достгнахме до 85%.

Дейвид: Също така, тъй като това е двоичен класификационен модел, наистина е лесно да го направим много близо до 100% точност, защото има само две възможности. Ако разполагахме с повече данни, снимки на автомобили и свободни места за паркиране, то бихме могли да направим това модел да работи с 99% точност.

Цялото интервю с f ‘{ing_python}’ можете да прочетете на DevStyleR.IO в оригинален английски.