MESLEK · Veri ve model
Computer Vision Engineer nasıl olunur?
Görüntü ve videodan anlam çıkaran sistemleri kuran, etiketleme ve saha koşullarını yöneten mühendis.
- Temel sorumluluk
- 6
- Kıdem basamağı
- 3
- Beceri
- 6
- Rota bölümü
- 10
Ne yapar?
Aynı iş şu adlarla da anılır: Bilgisayarlı Görü Mühendisi · Vision Engineer · Perception Engineer
- 01
Etiketleme kılavuzunu yazar ve etiketçiler arası tutarlılığı ölçer
- 02
Saha koşullarını temsil eden test kümeleri kurar
- 03
Modeli uç cihaz kısıtlarına göre seçer ve küçültür
- 04
Gecikme, doğruluk ve güç tüketimi arasındaki dengeyi yönetir
- 05
Yanlış pozitif ve yanlış negatifin iş maliyetini ayrı ayrı değerlendirir
- 06
Görüntüde kişisel veri bulunan durumlarda maskeleme ve saklama kurar
Basamaklar ve ne değiştiği
Unvanlar kurumdan kuruma değişir, sorumluluk sınıfları değişmez. Her basamak bir kanıtla eşleşir: o basamakta olduğunuzu gösterebileceğiniz somut bir iş.
- 1Junior Computer Vision EngineerGiriş
Odak
Etiketli veriyle model eğitir ve hataları örnekler üzerinden inceler.
Bu basamağın kanıtı
Bulduğu etiket tutarsızlığı kılavuzun güncellenmesine yol açmıştır.
Sorumluluklar
- Veri artırma hattını kurar ve etkisini ölçer
- Yanlış sınıflandırılan örnekleri toplayıp gruplandırır
- Etiket tutarsızlıklarını raporlar
- 2Computer Vision EngineerOrta
Odak
Etiketten sahaya kadar tüm zincire sahiptir.
Bu basamağın kanıtı
Laboratuvarda iyi, sahada kötü çalışan bir modeli önceden yakalamıştır.
Sorumluluklar
- Etiketleme kılavuzunu yazar, etiketçiler arası uyumu ölçer
- Saha koşullarını temsil eden ayrı bir test kümesi kurar
- Eşiği yanlış pozitif ve yanlış negatifin maliyetine göre seçer
- Modeli hedef donanımda ölçer; nicemlemenin kalite bedelini raporlar
- 3Senior Computer Vision EngineerKıdemli
Odak
Algılama sisteminin tamamını tasarlar: kamera yerleşiminden karar eşiğine.
Bu basamağın kanıtı
Kurduğu izleme, mevsimsel bir alan kaymasını performans düşmeden önce yakalamıştır.
Sorumluluklar
- Donanım, konumlandırma ve model seçimini birlikte değerlendirir
- Alan kaymasını izleyen ve yeniden etiketlemeyi tetikleyen düzeni kurar
- Görüntüde kişisel veri politikasını mimariye gömer
İş günü neye benziyor?
Meslek seçimini unvan değil, günün nasıl geçtiği belirler.
Sabah
Sahadan gelen yanlış algılama örneklerini inceler; koşul mu etiket mi sorununu ayırır.
Öğleden önce
Etiketçiler arası uyumu ölçer; kılavuzun belirsiz kalan maddesini netleştirir.
Öğleden sonra
Modeli hedef cihazda ölçer; nicemlemeden sonra kalite kaybını raporlar.
Gün sonu
Eşik değişiminin yanlış pozitif–yanlış negatif dengesine etkisini paydaşla konuşur.
Beceriler ve araçlar
Araç listesi hızla değişir; işe alım görüşmelerinde belirleyici olan araçlar değil beceriler.
Gerekli beceriler
- Etiketleme tasarımı ve kalite denetimi
- Veri artırma (augmentation) ve alan kayması
- Model küçültme: nicemleme, budama, damıtma
- Gerçek zamanlı çıkarım optimizasyonu
- Karışıklık matrisi okuma ve eşik seçimi
- Görüntüde kişisel veri farkındalığı
Bu role hangi geçmişlerden gelinir
- Görüntü işleme veya sinyal işleme geçmişinden geçiş
- Robotik veya gömülü sistemlerden kayma
- ML Engineer rolünden uzmanlaşma
Teknolojiler
- Etiketleme platformu
- Görüntü işleme kütüphaneleri
- Uç cihaz çalıştırma ortamı
- Nicemleme araçları
- Veri sürümleme
Bilmesi gereken kavramlar
Ne üretir, nasıl ölçülür?
Bir rolün gerçek tanımı unvanında değil, ürettiği çıktıda ve başarısının nasıl ölçüldüğündedir.
Ürettiği çıktılar
- Etiketleme kılavuzu ve uyum raporu
- Saha test kümesi ve koşul kırılımı
- Donanım üzerinde gecikme–doğruluk ölçümü
- Eşik seçimi gerekçesi
- Görüntüde kişisel veri maskeleme tasarımı
Başarı ölçütleri
- Saha ile laboratuvar farkı
- Aynı modelin kontrollü veri ile saha verisindeki performans farkı; temsil gücünün doğrudan ölçüsü.
- Etiketçiler arası uyum
- Aynı görüntüyü iki etiketçinin aynı şekilde etiketleme oranı; modelin tavanını belirler.
- Hedef donanımda gecikme
- Geliştirme makinesinde değil, gerçekte çalışacağı cihazda ölçülen süre.
Bu mesleğe çıkan öğrenme yolu
Maaş verisi
Maaş aralıkları, Sinaptik Research'ün saha araştırması yayımlandığında — örneklem büyüklüğü, toplama yöntemi ve kaynak bilgisiyle birlikte — bu sayfaya eklenecek. Doğrulanmamış aralık yayımlanmaz; bu alanda en çok okunan ve en kolay yanlış yönlendiren veri budur.
Neyi göstermek işe yarar?
Çalışan bir demo tek başına yetmez; demolar kolay, kalıcılık zordur. Aşağıdaki her madde belirli bir yetkinliği kanıtlar.
Nicemleme kalite bedeli
Aynı modeli farklı hassasiyetlerde çalıştırıp bellek kazancı ile kalite kaybını yan yana koymak.
Neyi kanıtlar: Kazancın bedava olmadığını sayıyla göstermek.
Nicemleme Kalite Kaybı DeneyiEşik seçimi çalışması
Yanlış pozitif ve yanlış negatifin iş maliyetini ayrı hesaplayıp optimum eşiği bulmak.
Neyi kanıtlar: Eşiğin teknik değil iş kararı olduğunu göstermek.
Karışıklık Matrisi ve EşikUç cihaz bellek bütçesi
Hedef cihazın bellek sınırında hangi model boyutunun çalışabildiğini hesaplamak.
Neyi kanıtlar: Donanım kısıtının model seçimini belirlediğini göstermek.
Nicemleme Bellek ve Ödünleşim
Sık duyulan ama yanlış
Doğruluk yüzdesi modelin kalitesini anlatır.
Dengesiz veride yüksek doğruluk hiçbir şey söylemez. Nadir sınıfı hiç bulamayan bir model de yüksek doğruluk üretebilir; okunması gereken karışıklık matrisidir.
Daha çok veri her zaman daha iyidir.
Tutarsız etiketlenmiş çok veri, tutarlı etiketlenmiş az veriden kötü sonuç verir. Etiket kalitesi modelin ulaşabileceği tavanı belirler.
Model çalışıyorsa sahada da çalışır.
Işık, açı, çözünürlük ve mevsim değiştiğinde girdi dağılımı değişir. Saha koşullarını temsil eden ayrı bir test kümesi olmadan bu fark yayına çıkana kadar görülmez.
Bununla karıştırılanlar
Kariyer kararı çoğunlukla 'bu meslek nedir' değil 'bununla şu arasındaki fark nedir' sorusudur.
- Machine Learning EngineerOrtak disiplin aynıdır; görüde veri fiziksel dünyadan gelir ve etiketleme ile saha koşulları işin merkezine oturur.
- AI Altyapı MühendisiAltyapı Mühendisi çıkarım kapasitesini işletir; burada odak modelin uç cihazdaki gecikme–doğruluk dengesidir.
Aynı rol ailesinden: Veri ve model
Sık sorulan sorular
Görü projelerinde en sık yapılan hata nedir?
Test kümesini eğitim verisiyle aynı koşullardan toplamak. Aynı kamerayla, aynı mevsimde, aynı ışıkta toplanan veriyi bölerek yapılan değerlendirme modelin genelleme yeteneğini ölçmez; yalnızca o koşullardaki performansı ölçer. Sahada farklı koşul ortaya çıktığında performans beklenmedik biçimde düşer. Çözüm, sahayı temsil eden ayrı bir test kümesini baştan ayırmaktır.
Uç cihazda çalıştırmak için model nasıl küçültülür?
Üç yaygın yol vardır ve üçü de bedelsiz değildir. Nicemleme, ağırlıkları daha düşük hassasiyette saklayarak bellek ve genellikle hız kazandırır; karşılığında bir miktar kalite kaybı olur. Budama, katkısı düşük bağlantıları kaldırır. Damıtma, büyük bir modelin davranışını küçük bir modele öğretir. Hangisi seçilirse seçilsin kazanç ve kayıp hedef donanımda ölçülmelidir; geliştirme makinesindeki ölçüm yanıltır.
LEARN
Nereden başlayacağını bilmiyorsan önce ölç
Seviye testi, mevcut becerilerine göre hangi bölümden başlaman gerektiğini söyler.