Loni v prosinci jsme uspořádali vlastní startupový hackathon s dalšími šesti společnostmi Skolkovo. Bez firemních sponzorů nebo jakékoli externí podpory jsme shromáždili dvě stě účastníků z 20 měst Ruska díky úsilí programátorské komunity. Níže vám povím, jak jsme uspěli, jaká úskalí jsme cestou potkali a proč jsme okamžitě začali spolupracovat s jedním z vítězných týmů.
Rozhraní aplikace, která ovládá moduly Watts Battery od finalistů trati, „Wet Hair“
společnost
Naše společnost Watts Battery vytváří modulární přenosné elektrárny. Výrobek je přenosná elektrárna 46x36x11 cm, schopná dodávat od 1,5 do 15 kilowattů za hodinu. Čtyři takové moduly mohou zajistit spotřebu energie malého venkovského domu na dva dny.
Přestože jsme vzorky výroby začali dodávat minulý rok, podle všeho je Watts Battery startup. Společnost byla založena v roce 2016 a od téhož roku je rezidentem Skolkovo Energy Efficient Technologies Cluster. Dnes máme 15 zaměstnanců a obrovské množství nevyřízených věcí, které bychom v určité fázi rádi udělali, ale momentálně nemáme čas na to.
To zahrnuje i čistě softwarové úkoly. Proč?
Hlavním úkolem modulu je zajistit nepřerušovanou, vyváženou dodávku energie za optimální cenu. Pokud dojde k výpadku proudu z důvodů, které nemůžete ovlivnit, měli byste mít vždy rezervu, abyste mohli plně napájet požadovanou síťovou zátěž po dobu výpadku. A když je napájení dobré, můžete využít solární energii a ušetřit peníze.
Nejjednodušší variantou je, že přes den můžete baterii nabíjet ze slunce a používat večer, ale přesně na úroveň, která je nezbytná, abyste v případě blackoutu nezůstali bez elektřiny. Nikdy se tedy nedostanete do situace, kdy byste celý večer napájeli osvětlení z baterie (protože je to levnější), ale v noci vypadla elektřina a vaše lednička se odmrazila.
Je jasné, že člověk je jen zřídka schopen předpovědět s velkou přesností množství elektřiny, které potřebuje, ale systém vyzbrojený prediktivním modelem ano. Proto je strojové učení jako takové jednou z našich prioritních oblastí. V současné době se soustředíme na vývoj hardwaru a nedokážeme na tyto úkoly vyčlenit dostatek zdrojů, což nás přivedlo ke Startup Hackathonu.
Příprava, data, infrastruktura
V důsledku toho jsme zvolili dvě cesty: analýzu dat a systém správy. Kromě našich tam bylo ještě sedm tracků od kolegů.
Zatímco formát hackathonu nebyl určen, uvažovali jsme o vytvoření „vlastní atmosféry“ s bodovým systémem: účastníci dělají věci, které se nám zdají obtížné a zajímavé, a dostávají za to body. Měli jsme spoustu úkolů. Ale jak jsme budovali strukturu hackathonu, ostatní organizátoři žádali, abychom vše uvedli do společné podoby, což jsme udělali.
Pak jsme došli k následujícímu schématu: kluci vytvoří model na základě svých dat, pak dostanou naše data, která model předtím neviděl, naučí se a začne předpovídat. Předpokládalo se, že se to všechno dá stihnout za 48 hodin, ale pro nás to byl první hackathon na našich datech a možná jsme přecenili časové zdroje nebo míru připravenosti dat. Na specializovaných hackathonech strojového učení by taková časová osa byla normou, ale ta naše taková nebyla.
Co nejvíce jsme vyložili software a hardware modulu a vytvořili jsme verzi našeho zařízení speciálně pro hackathon s velmi jednoduchým a srozumitelným vnitřním rozhraním, které by mohl podporovat každý vývojář.
Pro trať založenou na řídicím systému byla možnost vytvořit mobilní aplikaci. Aby si účastníci nelámali hlavu nad tím, jak by měla vypadat, a neztráceli čas navíc, dali jsme jim designové rozvržení aplikace, superlehkou, takže ti, kteří ji chtějí, na ni jednoduše „natahují“ funkce, které potřebují. . Abych byl upřímný, nečekali jsme zde žádná morální dilemata, ale jeden z týmů to vzal tak, že jsme omezovali jejich fantazii, chtěli jsme zdarma získat hotové řešení a ne je testovat v praxi. A vzlétli.
Jiný tým se rozhodl vytvořit úplně jinou aplikaci od nuly a vše fungovalo. Netrvali jsme na tom, aby aplikace byla přesně taková, jen jsme potřebovali, aby obsahovala nějaké prvky, které demonstrují technickou úroveň řešení: grafy, analytiky atd. Nápovědou bylo i hotové rozvržení designu.
Vzhledem k tomu, že analýza živého modulu Watts Battery na hackathonu by byla příliš časově náročná, poskytli jsme účastníkům hotový výřez dat za měsíc, převzatý ze skutečných modulů našich klientů (které jsme předem pečlivě anonymizovali). Protože byl červen, nebylo nic, co by do analýzy zahrnulo sezónní změny. Ale v budoucnu k nim přidáme externí data, jako jsou sezónní a klimatické vlastnosti (dnes je to průmyslový standard).
Nechtěli jsme mezi účastníky vytvářet nerealistická očekávání, a tak jsme v oznámení o hackathonu přímo řekli: práce se bude co nejvíce blížit práci v terénu: hlučná, špinavá data, která nikdo speciálně nepřipravil. Ale mělo to i pozitivní stránku: v duchu agile jsme byli neustále v kontaktu s účastníky a promptně jsme upravovali úkol a podmínky přijetí (více o tom níže).
Kromě toho jsme účastníkům umožnili přístup k Amazon AWS (tak aktivně, že nám Amazon zablokoval jeden region, zjistíme, co s tím dělat). Tam můžete nasadit infrastrukturu pro internet věcí a na základě i jednoduchých šablon Amazonu vytvořit během jednoho dne plnohodnotné řešení. Naprosto každý si ale nakonec šel svou cestou, vše si dělal na maximum po svém. Některým se přitom časový limit podařilo splnit, jiným ne. Jeden tým, Nubble, používal Yandex.cloud, někdo to zvýšil na svém hostingu. Byli jsme dokonce připraveni dát domény (máme je registrované), ale nebyly užitečné.
Pro určení vítězů v analytické dráze jsme plánovali porovnat výsledky, pro které jsme připravili numerické metriky. To ale nakonec nebylo nutné, protože tři ze čtyř účastníků se z různých důvodů nedostali do finále.
Pokud jde o infrastrukturu domácností, pomohl zde Technopark Skolkovo tím, že nám (zdarma) poskytl jednu ze svých útulných modulárních místností s videostěnou pro prezentace a několik menších místností pro rekreační oblast a pořádání cateringu.
Analytika
Úkol: samoučící se systém, který na základě kontrolních dat identifikuje anomálie ve spotřebě a provozu modulu. Záměrně jsme ponechali formulaci co nejobecnější, aby s námi účastníci mohli společně přemýšlet, co by se dalo na základě dostupných dat udělat.
Specifičnost: Složitější ze dvou stop. Průmyslová data mají určité odlišnosti od dat v uzavřených systémech (například digitální marketing). Zde musíte pochopit fyzikální podstatu parametrů, které se snažíte analyzovat; dívat se na vše jako na abstraktní číselné řady nebude fungovat. Například rozložení spotřeby elektřiny do celého dne. Je to jako rituály: elektrický holicí strojek se zapíná ráno ve všední dny a mixér je zapnutý o víkendech. Pak podstata samotných anomálií. A nezapomeňte, že baterie Watts je určena pro osobní použití, takže každý klient bude mít své vlastní rituály a jeden univerzální model nebude fungovat. Najít známé anomálie v datech není ani úkol, vytvořit systém, který autonomně vyhledává neoznačené anomálie, je věc druhá. Anomálií totiž může být cokoli, včetně zákeřného lidského faktoru. Například v našich testovacích datech byl případ, kdy byl systém uživatelem nucen přepnout do režimu baterie. Uživatelé to občas dělají bezdůvodně (udělám si výhradu, že tento uživatel pro nás modul testuje a z tohoto důvodu má přístup k ručnímu ovládání režimů, pro ostatní uživatele je ovládání zcela automatické). Jak lze snadno předvídat, v takové situaci se baterie vybíjí poměrně aktivně a pokud je zátěž velká, nabíjení skončí dříve, než vyjde slunce nebo se objeví jiný zdroj energie. V takových případech očekáváme, že uvidíme nějaký druh upozornění, že se chování systému odchýlilo od normálního. Nebo ten člověk odešel a zapomněl troubu vypnout. Systém vidí, že obvykle v tuto denní dobu je spotřeba 500 wattů, ale dnes - 3,5 tisíce - anomálie! Jako Denis Matsuev v letadle: "Nerozumím ničemu o leteckých motorech, ale cestou tam ten motor zněl jinak."
Graf prediktivního modelu na opensource neuronové síti Yandex CatBoost
Co společnost skutečně potřebuje?: autodiagnostický systém uvnitř zařízení, prediktivní analytika i bez síťové infrastruktury (jak ukazuje praxe, ne všichni naši klienti spěchají s připojením baterií k internetu – většině stačí, aby vše spolehlivě fungovalo), identifikace anomálií, jejichž podstatu zatím neznáme, samoučící se systém bez učitele, shlukování, neuronové sítě a celý arzenál moderních analytických metod. Musíme pochopit, že systém se začal chovat jinak, i když nevíme, co přesně se změnilo. Na samotném hackathonu pro nás bylo velmi důležité vidět, že jsou tu kluci, kteří jsou připraveni vkročit do průmyslové analytiky nebo už v ní jsou a hledají nové oblasti, kde uplatnit své schopnosti. Nejdřív mě překvapilo, že je tolik zájemců: přeci jen jde o velmi specifickou kuchyni, ale postupně všichni ze čtyř účastníků až na jednoho odpadli, takže do jisté míry vše zapadlo.
Proč to v této fázi není možné?: Hlavním problémem úloh dolování dat je nedostatek dat. Po celém světě je dnes v provozu několik desítek zařízení s Wattovou baterií, ale mnoho z nich není připojeno k síti, takže naše data zatím nejsou příliš různorodá. Sotva jsme seškrábali dvě anomálie - a ty se vyskytly na prototypech; průmyslové baterie Watts fungují docela stabilně. Kdybychom měli interního inženýra strojového učení a věděli bychom – ano, toto lze z těchto dat vymáčknout, ale chceme získat lepší kvalitu predikce – byl by to jeden příběh. Ale do této chvíle jsme s těmito údaji nic neudělali. Navíc by to vyžadovalo hluboké ponoření účastníků do specifik fungování našeho produktu, na to nestačí den a půl.
jak ses rozhodl?: Nestanovili okamžitě přesný konečný úkol. Místo toho jsme po celých 48 hodin vedli dialog s účastníky a rychle jsme zjišťovali, co mohli získat a co ne. Na základě toho byl v duchu kompromisu úkol dopracován.
Co jste jako výsledek získali?: vítězové trati dokázali vyčistit data (zároveň našli „vlastnosti“ výpočtu některých parametrů, kterých jsme si sami dříve nevšimli, protože jsme některá data nepoužili k řešení našich problémů) , zvýraznit odchylky od očekávaného chování modulů Watts Battery a nastavit prediktivní model, který je schopen předpovídat spotřebu energie s vysokou mírou přesnosti. Ano, toto je pouze fáze proveditelnosti vývoje průmyslového řešení, pak budou potřeba týdny usilovné technické práce, ale i tento prototyp, vytvořený přímo během hackathonu, může tvořit základ skutečného průmyslového řešení, což je vzácné.
hlavní závěr: Na základě údajů, které máme, je možné nastavit prediktivní analytiku, předpokládali jsme to, ale neměli jsme prostředky na kontrolu. Účastníci hackathonu otestovali a potvrdili naši hypotézu a s vítězi tratí budeme na tomto úkolu nadále pracovat.
Graf prediktivního modelu na opensource neuronové síti Facebook Prophet
Rada do budoucna: při sestavování úkolu se musíte dívat nejen na svůj výrobní plán, ale také na zájem účastníků. Vzhledem k tomu, že náš hackathon nemá žádné peněžní výhry, hrajeme na přirozenou zvědavost datových vědců a touhu řešit nové, zajímavé problémy, ve kterých ještě nikdo nic neukázal nebo kde se mohou ukázat lépe než dosavadní výsledky. Pokud okamžitě vezmete v úvahu faktor zájmu, nebudete muset během cesty přesouvat pozornost.
Управление
Úkol: (aplikace), která spravuje síť modulů Watts Battery s osobním účtem, úložištěm dat v cloudu a monitorováním stavu.
Specifičnost: v tomto tracku jsme nehledali nějaké nové technické řešení, máme samozřejmě vlastní spotřebitelské rozhraní. Vybrali jsme si ho na hackathon, abychom předvedli možnosti našeho systému, ponořili se do něj a ověřili, zda se komunita zajímá o téma vývoje chytrých systémů a alternativní energie. Mobilní aplikaci jsme umístili jako možnost, můžete to udělat nebo ne podle svého uvážení. Podle nás to ale dobře ukazuje, jak se lidem podařilo zorganizovat úložiště dat v cloudu s přístupem z několika různých zdrojů najednou.
Co společnost skutečně potřebuje?: komunita vývojářů, kteří budou přicházet s podnikatelskými nápady, testovat hypotézy a vytvářet pracovní nástroje pro jejich realizaci.
Proč to v této fázi není možné?: Objem trhu je stále příliš malý na organické vytvoření takové komunity.
jak ses rozhodl?: V rámci hackathonu jsme provedli jakousi fyzikální studii, abychom zjistili, zda je možné vymyslet nejen funkce, ale plnohodnotné obchodní modely kolem našeho velmi specifického produktu. Navíc, aby to dokázali lidé schopní implementovat prototyp, tady koneckonců - nechci nikoho urazit - to není úroveň programování blikající LED na Arduinu (i když to lze udělat s inovacemi) , jsou zde vyžadovány spíše specifické dovednosti: vývoj backendových a frontendových systémů, pochopení principů budování škálovatelných systémů internetu věcí.
Co jste jako výsledek získali?: dva týmy navrhovaly pro svou práci plnohodnotné podnikatelské nápady: jeden se více zaměřil na ruský segment, druhý na zahraniční. To znamená, že ve finále nejen řekli, jak přišli s aplikací, ale v podstatě přišli k podnikání kolem Wattse. Kluci nastínili, jak vidí využití Wattů v několika obchodních modelech, poskytli statistiky, ukázali, které regiony mají jaké problémy, jaké zákony se kde přijímají, nastínili globální trend: těžit bitcoiny je nemoderní, je módní těžit kilowatty. Schválně přišli na alternativní energie, což se nám moc líbilo. Skutečnost, že účastníci navíc dokázali vytvořit funkční technické řešení, naznačuje, že mohou samostatně spustit startup.
hlavní závěr: Existují týmy připravené vzít Watts Battery jako základ svého obchodního modelu, rozvíjet jej a stát se partnery/společníky společnosti. Někteří z nich dokonce vědí, jak identifikovat MVP podnikatelského nápadu a pracovat na něm jako první, což dnes v oboru chybí všude. Lidé nechápou, kdy přestat, kdy uvolnit řešení na trh, i když brzy, ale fungující. Fáze leštění řešení ve skutečnosti často nekončí, technicky řešení překročí hranici přiměřené složitosti, na trh vstupuje přetíženo, již není jasné, jaká byla původní myšlenka, jaké je cílení na zákazníka, jaké jsou obchodní modely zahrnuta. Jako ve vtipu o Akuninovi, který napsal další knihu, zatímco tu předchozí někomu podepsal. Ale tady to bylo provedeno ve své nejčistší podobě: tady je graf, tady je počítadlo, tady jsou indikátory, tady je předpověď – to je vše, k jejímu spuštění není potřeba nic jiného. S tím můžete jít k investorovi a získat peníze na zahájení podnikání. Ti, kteří našli tuto rovnováhu, vyšli z trati jako vítězové.
Rada do budoucna: na příštím hackathonu (plánujeme ), možná má smysl experimentovat s hardwarem. Máme vlastní vývoj hardwaru (jedna z výhod Watts), plně kontrolujeme výrobu a testování všeho, co děláme, ale nemáme dostatek zdrojů na testování některých „hardwarových“ hypotéz. Velmi dobře se může stát, že v komunitě systémových a nízkoúrovňových programátorů a hardwarových vývojářů se najdou tací, kteří nám s tím pomohou a v budoucnu se stanou naším partnerem v této oblasti.
lidé
Na hackathonu jsme očekávali spíše ty, kteří si chtějí vyzkoušet nový obor (například absolventy různých programátorských škol), než ty, kteří se na tento druh vývoje specializují. Ale přesto jsme čekali, že před hackathonem udělají malou přípravnou práci, přečtou si o tom, jak se obecně předpovídá spotřeba energie a jak fungují systémy internetu věcí. Aby všichni přišli nejen pro zábavu, hledání zajímavých dat a úkolů, ale také s předběžným ponořením do předmětu. Z naší strany chápeme, že k tomu je nutné předem zveřejnit dostupná data, jejich popis a přesnější požadavky na výsledek, zveřejnit API moduly atd.
Všichni měli přibližně stejnou technologickou úroveň, plus minus stejné schopnosti. Na tomto pozadí nebyla úroveň harmonie posledním faktorem. Řada týmů nestřílela, protože se nedokázala jasně rozdělit do oblastí práce. Byly i takové, ve kterých jeden člověk dělal celý vývoj, zbytek měl plné ruce práce s přípravou prezentace, v dalších někdo dostal úkoly, které dělal, pravděpodobně poprvé v životě.
Většina účastníků byla mladá, to neznamená, že mezi nimi nebyli silní inženýři a vývojáři strojového učení. Většina přišla v týmech, jednotlivci prakticky nebyli. Každý snil o výhře, někdo si chtěl v budoucnu najít práci, asi 20 % ji už našlo, myslím, že toto číslo poroste.
Neměli jsme dost hardwarových geeků, ale doufáme, že to vynahradíme na druhém hackathonu.
Pokrok v hackathonu
Jak jsem psal výše, většinu 48 hodin hackathonu jsme byli s účastníky a při sledování jejich úspěšnosti na checkpointech jsme se snažili přizpůsobit úkol a podmínky pro přijetí první, analytické stopy tak, aby na jedné straně účastníci ji mohli absolvovat ve zbývajícím časovém čase a na druhou stranu nás to zajímalo.
K poslednímu upřesnění úkolu došlo někde kolem poslední kontroly, v sobotu odpoledne (finále bylo naplánováno na neděli večer). Vše jsme ještě trochu zjednodušili: odstranili jsme požadavek na přepočítávání modelu na nová data a nechali jsme data, se kterými týmy již pracovaly. Porovnávání metrik nám už nic nedalo, na základě dostupných dat už měli hotové výsledky a druhý den už byli kluci unavení. Proto jsme se rozhodli je mučit méně.
Tři ze čtyř účastníků se však do finále nedostali. Jeden tým si již na startu uvědomil, že ho více zajímá trať našich kolegů, druhý těsně před finále zjistil, že si během zpracování předem odfiltroval potřebná data a odmítl svou práci prezentovat.
Tým “21 (Wet Hair Effect)” se účastnil obou našich tratí až do úplného konce. Chtěli pokrýt vše najednou: strojové učení, vývoj, aplikaci a web. Dokud jsme jim na poslední chvíli nepohrozili stažením se, věřili, že vše dělají včas, i když již na druhém kontrolním stanovišti bylo zřejmé, že s tím hlavním – strojovým učením – nemohou výrazněji pokročit: obecně si poradí s druhý blok, ale nedokázal předvídat spotřebu elektřiny nebyly připraveny. Ve výsledku, když jsme určili minimální úkol pro kvalifikaci do prvního, stejně zvolili druhou dráhu.
Fit-predict měl vyvážené složení přizpůsobené pro analýzu dat, takže byli schopni překonat všechno. Bylo patrné, že kluci měli zájem si „osahat“ skutečná průmyslová data. Okamžitě se soustředili na to hlavní: analýza, čištění dat, řešení každé anomálie. Skutečnost, že během hackathonu dokázali postavit funkční model, je velký úspěch. V pracovní praxi to obvykle trvá týdny: zatímco se data čistí, zatímco se do nich ponoří. Proto s nimi určitě budeme spolupracovat.
V druhé dráze (managementu) jsme očekávali, že každý udělá vše za půl dne a přijde se zeptat, aby úkol ztížil. V praxi jsme sotva stačili splnit základní úkol. Pracovali jsme na JS a Pythonu, což odráží současný stav odvětví.
I zde dosahovaly výsledků sehrané týmy, ve kterých byla vybudována dělba práce, bylo jasné, kdo co dělá.
Třetí tým, FSociety, vypadal, že má řešení, ale nakonec se rozhodl svůj vývoj neukázat, řekli, že to nepovažují za funkční. Respektujeme to a nehádáme se.
Vítězem se stal tým „Strippers from Baku“, který se dokázal zastavit, ne honit se za „cetkami“, ale vytvořit MVP, které se nestydí ukázat a je jasné, že jej lze dále rozvíjet a škálovat. Hned jsme jim řekli, že nás další příležitosti příliš nezajímají. Pokud chtějí registraci přes QR kód, rozpoznávání obličeje, ať si nejdříve v aplikaci udělají grafy, a pak se ujmou těch volitelných.
V této skladbě „Wet Hair“ sebevědomě vstoupili do finále a diskutovali jsme s nimi a „Hustlers“ o další spolupráci. To druhé jsme již potkali v novém roce.
Doufám, že vše klapne a těšíme se na všechny na druhém březnovém hackathonu!
Zdroj: www.habr.com