Ich implementiere eine KI-Lösung für eines der Produkte von MongoDB und stieß auf dasselbe Problem, dem jeder Ingenieur in meinem Bereich begegnet - wie bekommt man genug Daten, um seine neuronalen Netze zu trainieren? Collimator erwies sich als die beste Lösung für mich, weil es so einfach war, Daten von unserem Backend zu erhalten, diese zur Erstellung synthetischer Daten zu verwenden und dann diese Daten zurück in mein neuronales Netz zu übertragen. Ich experimentiere jetzt mit dem Training meiner neuronalen Netze innerhalb von Collimator.

Ich benutze Collimator, um ein Proof-of-Concept für einen autonomen Roboter zu entwickeln. Ich begann mit dem Aufbau des Wahrnehmungssystems unter Verwendung von ML und nachdem ich festgestellt hatte, dass die Matlab-Lizenz zu teuer für mich war, entschied ich, dass ich in Python entwickeln musste, wo ich mit Open-Source-Modellen beginne und auf ihnen aufbaue. Ich schaute mir Jupyter, Eclipse, Pycharm und AWS Cloud9 an, stieß jedoch ständig auf Probleme, da das Schreiben der Wahrnehmungssysteme viel Zeit in Anspruch nahm und das Training meiner Modelle zu teuer und umständlich war. Anstatt ein Nebenprojekt zu sein, wurde es zu einem Hauptprojekt. Ich fand Collimator, während ich nach alternativen Tools suchte, und ich bin froh, dass ich es getan habe. Ich habe Collimator verwendet, um mein System zu entwerfen. Die Interaktivität zwischen der Python- und der grafischen Umgebung ist genau das, was ich brauchte. Die Fehlermeldungen sind leicht zu verstehen und zu debuggen. Außerdem muss ich keine AWS-Cluster mehr einrichten, um mein Modell online auszuführen.

Ich bin Forscher in Wien und benutze Matlab seit vielen Jahren. Mein Labor hat sich vor ein paar Monaten entschieden, auf Collimator umzusteigen, und ich bin sehr froh, dass wir das getan haben. Collimator ist mit Abstand die beste Modellierungs- und Simulationssoftware, die ich aus folgenden Gründen verwendet habe: Hilfe in Matlab und C zu bekommen, wurde immer schwieriger, als mein Projekt an Komplexität zunahm. In den letzten Jahren hatte ich das Gefühl, mehr Zeit damit zu verbringen, die Komplexitäten von Matlab zu erlernen, anstatt meine eigentliche Forschung zu betreiben. Die Verwendung der Blockdiagramme, die Collimator bietet, hat es mir ermöglicht, meinen Code zu vereinfachen und die Zeit, die ich mit dem Schreiben komplizierter Skripte verbrachte, wieder meiner Forschung zu widmen. Seit Covid war es schwierig, mit einigen meiner Kollegen zusammenzuarbeiten, da wir uns mit den Tagen im Labor abwechseln müssen. Das bedeutete, dass es etwa 2-3 Tage dauerte, bis ich Feedback erhielt, bis meine Kollegen kamen. Dies verlangsamte unsere Forschung erheblich. Jetzt kann ich jedoch mit Collimator weiterhin mit meinen Kollegen zusammenarbeiten, die remote sind. Ich markiere sie normalerweise direkt in meinem Modell für Feedback, und sie erhalten die Benachrichtigung sofort. Es fühlt sich an, als wären wir im selben Raum.