Latest / Verbos: AI og Softwareudvikling / #17 - Nicolai Nielsen: Computer Vision og Personlig Branding som Ingeniør

Transcript

#17 - Nicolai Nielsen: Computer Vision og Personlig Branding som Ingeniør · Verbos: AI og Softwareudvikling

0:00
Hej alle sammen. Velkommen til Vores podcast.
0:01
Vi er lige kommet hjem fra eller vi lige kommet tilbage fra fra
0:04
sommerferie. Vi har holdt 3 ugers pause her,
0:05
men nu er vi fuldstændig til back on track II sporet og Vi er
0:10
klar til at snakke om software, a og data science igen i dag.
0:13
Der har vi en en spændende gæst med i studiet.
0:15
Vi har nemlig Nikolaj Nielsen, som vi introducerer lige om
0:19
lidt, ellers er det som altid, hvad hedder det?
0:21
Jonas høgh Andersen data til Ekstra Bladet og med Kasper
0:25
Junker som maskiningeniør ved cewe men.
0:30
Det er ikke os, der skal handle om i dag.
0:31
I dag skal vi nemlig snakke med dig.
0:33
Nicolai Nielsen du har en en youtube kanal hvor du efter hvor
0:36
du laver engelsk kontant omkring machine learning især computer
0:39
vision så Vi skal snakke om Vi skal høre om din historie.
0:43
Vi skal snakke om Sådan en personlig branding som ingeniør
0:46
og hvordan hvad for nogle erfaringer du har med det og så
0:48
videre og så skal vi snakke en lille bitte smule om eller Vi
0:51
skal. Vi skal også høre de ting på og
0:54
orientere os lidt i hvad der sker i computer vision verden
0:57
fordi mig og Jonas Vi er lidt Sådan en p nørder så vi kunne
1:00
godt tænke os at vide lidt mere computer vision og høre hvad der
1:02
foregår der. Men velkommen til Nikolaj
1:05
Nielsen. Jeg tænkte på, jeg tænkte på ja
1:08
velkommen til præsentere dig selv, hvad man siger.
1:11
Jamen jamen lad os bare starte starte helt fra bunden af og så
1:14
kommer vi nok til at dække det meste af det II løbet af
1:17
podcasten her. Men ja som sagt så hedder
1:21
Nielsen. Jeg har både Jeg har en masse
1:23
ting vi nok kommer til at dække herudover omkring podcasten her.
1:27
Normalt så plejer at lave de her podcast på på engelsk eller
1:30
møder på engelsk og youtube youtube content på engelsk også
1:33
så så nogle gange så blander nok lidt omkring de de tekniske ord
1:35
sammen med sammen med de danske. Det er primært det jeg laver,
1:39
men altså hvis Vi skal gå helt tilbage, så starter det egentlig
1:42
den spændende historie den startede omkring universitetet.
1:45
Så Jeg er faktisk Jeg har en en master i avanceret
1:48
robotteknologi lige nu. Det er det gjorde jeg her i
1:52
sommers, men det startede egentlig tilbage på bacheloren i
1:55
slutningen af bacheloren, hvor vi blev introduceret lidt mere
1:58
for for computer vision AI. Hvordan Det kan, hvordan Det kan
2:01
blive koblet sammen med robotter og så videre.
2:03
Og så var det egentlig bare det der fanger min interesse, og så
2:06
har jeg næsten ikke set nogen robotter siden da bare primært
2:08
bruges på computer vision og og i og så tænkte Jeg er Der er der
2:12
en anden smart måde man kan have en eller anden lille site site
2:15
business site ting man kan lave ved siden af studiet også fordi
2:19
Jeg har så kan man kombinere det både mere både med at lære, men
2:21
også med med at udvikle sit eget brand og så videre.
2:25
Så Det var lidt ligesom Sådan det startede, og så var det mere
2:28
at tage til til nogle forskellige lektioner i de
2:31
forskellige kurser, lave et eller andet sammen med.
2:32
Det laver en powerpoint præsentation og så egentlig bare
2:35
have Sådan en video video. Summery dagbog blog notesbog på
2:40
youtube Det var egentlig ideen med det til at starte med i
2:43
starten. Der var det bare 2030 virus på
2:46
på de forskellige videoer, men men det hjalp mig egentlig ret
2:48
meget II løbet af studietiden også fordi man man reflekterede
2:51
på de ting man lærte lige efter lektionerne og man ligesom
2:54
forceret sig selv til. Og og lægge noget tid i det
2:57
efter man havde efter. Man har været til lektioner i
2:59
stedet for bare at gå hjem og lægge det væk og glemme det, men
3:02
også bruge de projekter opgaver til at til at lave videoer.
3:06
Både i forhold til til personal branding, som vi kommer til at
3:08
snakke om senere i forhold til både at få noget, få noget
3:11
derude, så så folk kan se, hvad man har lavet, bygge en
3:14
portfolio og så videre. Så Det var egentlig youtube det
3:17
startede tilbage i tiden omkring ja 3 år siden nu og så har jeg
3:23
så brande lidt forskellige ting, fået et jobtilbud jobtilbud
3:27
inden for youtube og lige nu arbejder jeg fuldtid som som en
3:29
ingeniør i Dubai. Så du sender faktisk.
3:33
Du sender faktisk direkte fra Dubai.
3:36
Fordi. Mikrofoner og macbook webcam og.
3:40
Så baggrunden er at lidt anderledes på mine videoer også
3:43
i løbet af tiden så men ja jeg arbejder fuldtid lige nu II
3:47
Dubai som er ingeniør så Jeg er cirka har altid hernede og har
3:51
altid i Danmark kommer planen til at være.
3:53
Ja, Det er rimelig rimelig spændende arbejde, hvor primært
3:56
primært r research, hvor vi arbejder med de nye teknologier
3:58
indenfor indenfor r, Dubai og emiraterne og så videre.
4:02
De er også generelt meget indenfor for de nye teknologier.
4:05
De kan godt lide investere i nye teknologier og så videre også.
4:07
Er det så bare Sådan er det Sådan research lab eller hvordan
4:10
II Dubai? Ja ja ja ja basically er det det
4:13
vi sidder og laver. Det er læse en masse fede videos
4:15
papers stay up 2 date med de nyeste teknologi og så bare
4:18
bliver klar til at finde nogle spændende cases til det, når når
4:22
Det er når Det er modent nok. Det lyder jo.
4:25
P og. En eller elat language models
4:29
Nørby models alt mulig inden for computer vision og så videre.
4:34
Ja, Det er rigtig spændende. Nu har jeg lige set din seneste
4:36
video på din youtube kanal der står du med et papir hvor der
4:39
står cdu på og Jeg har ligesom Jeg har lavet lidt.
4:42
Jeg har undersøgt lidt omkring Jeg har stukket dig lidt for
4:44
ligesom at lave det må man godt når man laver Sådan en back
4:47
baggrund til research og Jeg kan jeg tager fejl hvis jeg siger at
4:51
du du får Odense ikke? Ja og du siger også det her med
4:55
robot teknologi og så videre er Det er det ikke Sådan en ting
4:58
når man er fra Odense at Det er noget der ligger nogle
5:00
robotvirksomheder i Odense er det ikke?
5:02
Og der ligger der ligger nogle af de største det Jeg vil ikke
5:04
kalde det hovedstaden inden for robotteknologi.
5:06
I hvert fald i Norden og Tyskland er også rimelig stort,
5:09
men Det er Det er en af de største byer i forhold til dem
5:11
lige. Ja, næsten hele Europa, så Det
5:15
er det. Odense er kendt for HC Andersen
5:17
og robotter. Mega fedt.
5:22
Jeg kunne godt tænke mig at lige vende lidt tilbage til det du
5:24
sagde der med at det det din youtube kanal det det startede
5:27
egentlig lidt som hvad kan man sige også en måde at.
5:31
At studere på altså det der med, at vi vi mange af os.
5:34
Vi er jo Vi er jo rigtig meget autodidakte, når det kommer til
5:37
det her. Ikke fordi altså man skal hele
5:38
tiden holde sig selv opdatere sig selv, at man er
5:40
færdiguddannet et eller andet sted.
5:42
Så kan du bare ikke nytte noget med selv og tænker nu ved jeg
5:44
alt muligt om alt muligt og og og det der med at at sætte sig
5:48
ned og Sådan skulle kommunikere og fortælle andre om hvordan
5:50
tingene hænger sammen inden for de teknologier.
5:52
Det synes Jeg er rigtig fed tilgang til det at lære.
5:56
Synes bare det, Det er Sådan lige et shout out til, altså med
6:00
alle kan jo starte en en youtube kanal.
6:02
Hvad med det formål at at lære sig selv noget?
6:04
Og så kan det jo ende med at blive en succes.
6:07
Ikke så det. Det synes jeg da bare det kunne
6:09
være med at bide mærke i. Det synes Jeg er fedt.
6:12
Det er også lidt. Det er også det der var ideen
6:13
med til at starte med. Det er ikke fordi at jeg var en
6:17
eller anden guru foran et kamera og mikrofon og så videre.
6:19
De første videoer og lavede de er rigtig, rigtig dårlige og Det
6:22
er Sådan noget howto mega printe, men Det er en en python
6:26
så de er dårlige, men men så længe man har fokus på og hele
6:29
tiden prøver at forbedre sig selv, lære nye ting.
6:32
Men Det er også af og og forklare det til andre og så
6:35
videre og igen. Jeg føler i hvert fald selv, at
6:37
jeg puttede meget mere tid i at lære tingene, men også havde en
6:40
meget stor interesse, fordi jeg havde det her ved siden af mit
6:42
studie og så videre i forhold til bare at tage et studie.
6:45
Så ja, når man ikke, han var ikke til lektionerne, så er det.
6:49
Altså Det er lidt gemt væk. Men Jeg er nysgerrig.
6:53
Jeg er nysgerrig så er det fordi det virker som om at du nu siger
6:56
du du startede for 3 års tid siden af youtube.
6:58
Det må jo næsten være lige Sådan under corona agtigt eller
7:01
hvordan? Så er der måske også noget tid
7:04
ligesom at at at brænde af der var jo nogle ting man ikke kunne
7:07
Sådan noget før. Men men hvad hedder det?
7:10
Jeg kommer til at tænke på Sådan Sådan var det jeg tænkte på
7:13
altså Sådan det virker som om du har været meget bevidst omkring
7:16
altså har altså har du har Sådan haft en strategi til at fra
7:19
start af eller har du ligesom bare gået i gang med at optage
7:20
nogle videoer fordi du synes Det var sjovt?
7:22
Og så er det ligesom bare rullet.
7:24
Jeg ved ikke om Vi har nævnt det, men du har jo Sådan noget
7:26
27.000 subscribers på youtube, hvilket er Sådan Det er sgu da
7:30
meget godt gået vil jeg sige. Ja men altså det det det går
7:34
helt fint. Det er at det selvfølgelig kan
7:35
gå bedre. Jeg prøver at bremse lidt
7:37
forskellige ting nu og Sådan lidt også.
7:39
Det er svært inden for tech, og specielt hvis Det er meget
7:42
specificeret tech i starten. Der var det primært computer
7:44
vision, nu er det lidt mere af i er blødning.
7:47
Nu prøver jeg at putte Sådan lidt mere vlogging hjælpe folk
7:49
til. Hjælp folk til for eksempel hvad
7:52
man skriver en meget stor og så videre, så mere brancher ud i
7:55
det også, så det bliver lidt bredere målgruppe, men det.
7:57
Men Det var meget fint at starte ud med med en lidt mere specifik
8:01
målgruppe, hvor man hvor man ligesom kunne dykke dybere ned i
8:04
tingene. Ja og så Det var egentlig bare.
8:09
Ja, Det var Sådan det startede. Og var det Sådan var det Sådan
8:11
tænkte du Sådan nu går jeg i gang for at var det Sådan var
8:14
det Sådan til at starte med. Var det Sådan et personligt
8:17
brand move, eller var det mere Sådan held en forstand eller?
8:21
Mere fordi jeg bare følte ja nu er det så også under corona her
8:24
men men men jeg følte egentlig bare, at Jeg vil egentlig gerne
8:26
have en eller anden business eller anden art, og Det er en
8:29
nem site business at starte, fordi den kræver ikke rigtig.
8:32
Vi alle sammen har en computer vi alle sammen.
8:33
Vi har en telefon, du kan bare tage telefonen, så brug den som
8:35
webcam for eksempel og Det er rigtig gode kameraer der sidder
8:38
i det her mikrofon behøver man heller ikke så meget til at
8:40
starte ud på. Så man kan egentlig starte ud
8:42
med det man har. Man lærer en masse undervejs og
8:45
så videre, og så er det egentlig mere af det der i starten.
8:47
Jamen Det var 2030 50 virus hvor Det var Sådan OK Det er fedt.
8:50
Jeg har fået 50 virus på den her video og 50 ved senere, men så
8:53
begynder folk lige pludselig at kommentere og Det er nice det du
8:55
laver der og det hjalp mig det der you made my day og så videre
8:58
og det giver en anden form for motivation samtidig med at man
9:01
man man lærer en masse man man man har ligesom en anden Sådan.
9:06
Tilgang til tingene i forhold til at lære nye ting.
9:08
Stay up 2 date og så videre fordi man man er lidt ligesom
9:11
nødt til at forcere sig til til at sætte sig ind i tingene og og
9:14
lære nye ting også specielt hvis man har Sådan hvis man sætter
9:17
sig et mål at man gerne vil lægge 2 videoer ud om ugen for
9:19
eksempel som egentlig var mit mål i til at starte med.
9:23
Så Det var egentlig mest for at starte det som en som en sight
9:25
business, og så se hvad det kunne blive til og og skal og
9:28
skal lære til dem og og nogle af de ting som som som egentlig
9:30
gavner mig mest nu i forhold til både at få jobtilbud, men også
9:33
personlig branding og skal lære det.
9:35
Det var faktisk ikke engang jeg havde tænkt over i starten.
9:38
Det var mere bare Sådan OK, det kunne være fedt hvis jeg kunne
9:40
tjene 1000 kroner eller 2000 kroner om måneden på youtube,
9:43
fordi så vil de betale min ferie resten af livet.
9:46
Det var egentlig Det var egentlig Sådan det startede, men
9:49
men ja, så har det givet så mange andre fordele nu som er
9:52
som er ikke engang bare er way off i starten.
9:55
Så det åbner bare en masse dør. Det er fordi Det er også.
9:57
Altså nu har jeg jo ikke 27. 1000 followers på min youtube
10:00
kanal Jeg har Sådan noget 400 nej snart 400 ikke men Det er
10:03
også det jeg en dansk kontekst har jeg fundet ud af Der er det
10:06
Sådan Der er det Sådan okay eller det Der er det Sådan et
10:08
lille community i hvert fald ikke og Det er også min
10:11
oplevelse det der med at det åbner bare der skal jeg bare
10:14
ting, altså Det er ligesom at lægge en masse frø ud og så sker
10:17
der bare ting random ikke altså Det er Sådan en måde at increase
10:21
ens log på en eller anden måde føler jeg i hvert fald hvad
10:25
hedder det? Jeg er nysgerrig på Sådan hvad
10:27
der må også været Sådan et. Altså der må være et tidspunkt
10:30
hvor du laver et eller andet der virker, eller du finder en
10:32
opskrift eller du gør et eller andet Sådan med hensyn til du
10:35
skal selvfølgelig ikke være Sådan en nørdet content og så
10:37
videre, men jeg nu er måske også fordi Jeg er lidt content nord
10:40
øh hvad hvornår føler du ligesom at du har fundet opskriften
10:45
eller laver den video der eller Sådan hvordan eller er det bare
10:48
kommet løbende? Ja jamen Det er Det er Sådan
10:51
lidt komme løbende prøv jeg jeg startede hele på skrift uden
10:54
uden det store Sådan både inden for video content, men også
10:58
personal branding og så videre. Jeg i starten der var jeg bare
11:01
fuld tech nørd. Programmering og så videre.
11:04
Ikke rigtig så meget med kommunikation eller online og så
11:07
videre. Så Det har helt sikkert også
11:10
givet meget mere mere det og men men men det meste af Det er
11:12
baseret på bare at prøve ting. Se hvilke erfaringer Der er og
11:16
nu prøver jeg også nogle nye ting Jeg har fået min min min,
11:19
min kurser og så videre. Jeg prøver at bryde ud i nu også
11:20
hvor Det er mere. Strukturerede kontoen i stedet
11:25
for bare enkelte videoer, men strukturerede content er Sådan
11:27
helt fra scratch af teorien bag og så videre.
11:31
Så ja jeg. Jeg prøver en masse nye ting af,
11:33
så jeg hvad der virker godt forskellige retninger.
11:34
Selvfølgelig finder jeg også noget information eller ser hvad
11:36
virker for andre og så videre på youtube.
11:39
De nemme følger. Det er lidt at lave det der
11:41
blogging, blogging live, men men folk kan også godt lide Sådan at
11:45
følge en dag, for eksempel hvis man ikke er Daily life of any
11:49
engineer. Det er også okay godt ikke så
11:52
godt som softwareingeniør, men Det kan være det bliver der om 2
11:54
3 år der kan det Der er flere engineer Sådan.
11:57
Er det ikke Sådan den klassiske video er det en af live altså et
12:00
eller andet ingeniør eller softwareingeniør.
12:04
Det virker meget godt. Vi håber i har det det.
12:06
Det er der om et par år. Jeg ved ikke om.
12:08
Engineer det må da være det store hotte nu?
12:10
Ikke altså det det Det kan da ikke andet end at gå fremad nu
12:14
og ellers så i det mindste prompte engineer, ikke?
12:18
Du du du må næsten kende calle halding.
12:23
Ja fra Sverige, han er. Ham fulgte jo også deres deres
12:27
startede. I hvert fald har han laver også
12:30
meget gode blanding af content mellem Entertainment, men også
12:34
toturials projekt. Jamen mest projekter.
12:37
Hvis man er lidt youtube nørdet så føler jeg føler lidt at
12:39
kalder ham den. Han er Sådan lidt en blanding af
12:41
Peter med kylling og. En eller anden der kører.
12:44
Jeg ved ikke, om Der er nogen, der kender Peter man kenny.
12:47
Der er måske ikke nej okay, Det er en anden der okay, ja der kan
12:50
man bare se hun er okay nu. Vi skal gå lidt ud af content
12:52
hvad hedder det nørderiet her? Okay, hvad hedder det Nikolaj?
12:57
Jeg er så, så kunne jeg godt tænke mig lige at høre og Sådan
12:59
til inspiration for andre, hvad, hvad, hvad for nogle?
13:02
Hvad for nogle benefits føler du du har fundet fået ud af det her
13:05
med at. Gå så hårdt ind på personal
13:08
branding, altså Sådan helt konkret.
13:10
Hvad for nogle fordele? De føler du, at du har fået ud
13:12
af det, og hvad for nogle muligheder føler du, at det det
13:14
Sådan har skabt for dig? Det Det har jo Det er helt klart
13:17
skabt en en masse frihed. Det er jo også en af grundene
13:19
til ligesom at starte ud. Jeg har ikke troet at det kunne
13:21
give så meget frihed, men men nu inden inden jeg faktisk var
13:24
færdig med min uddannelse der havde jeg faktisk det her som
13:26
fuldtidsjob, så så Det har givet en masse ting, men også fordi at
13:30
at det at arbejde med Det er primært også det Vi har haft på
13:32
på masteren i på avant road Technology.
13:37
Hvor Det var meget introduction. 2 af de blødning computer vision
13:40
hele tiden, så Det var Sådan 2 år med introduction 2 i, men det
13:43
havde jeg allerede været igennem alt det der, fordi det havde
13:45
jeg. Jeg var langt foran det i
13:47
forhold til fordi jeg havde ondt selv undersøgt det med med
13:49
youtube, lavet en masse fede projekter og så videre så det.
13:52
Det krævede ikke så meget for mig på masteren og så også bare
13:55
sørge for at have et master projekt som som interesseret en,
13:58
men også allerede var i det branche eller det område man man
14:01
man allerede havde kompetencer inden for.
14:03
Det er jo selvfølgelig man kan sige Det er det nemme vej, men
14:06
Det er jo ikke fordi man man ikke har lært noget, men Det er
14:07
bare. Hvis ens interesse ligger samme
14:09
sted som som det arbejde man laver, så så er tingene nemmere.
14:13
Men Det har helt sikkert givet en masse frihed, som ikke har
14:15
regnet med at at de benefits så det jeg jeg behøver ikke rigtigt
14:19
nu når Jeg er færdig med uddannelsen, så jeg jeg stod
14:21
ikke rigtig mangler jobtilbud der der var der var rigeligt at
14:25
tage, men også det når du bygger et personligt brand, så åbner du
14:29
op lige pludselig op for hele verden, så Det er egentlig det
14:32
egentlig hele verden der kontakter en både i forhold til
14:34
Jeg har også en masse freelancere og Sådan noget på på
14:36
sidelinjen n consulting. Så en masse virksomheder der,
14:40
der reagerer ude og. Og gerne være hjælp med
14:42
forskellige projekter, både både kode, kode, hjælp, men også også
14:46
bare til at konsultere inden for forskellige projekter.
14:50
Så. Det er helt sikkert en en masse
14:52
frihed og og selvom jeg kun har 27 kun 27.000 følgere så så kan
14:57
man stadigvæk, så kan jeg stadigvæk leve på det uden
15:00
egentlig at have et job ved siden af fordi Jeg har freelance
15:02
og så videre. Det er også Sådan consulting
15:05
leeds simpelthen. Ja alle dem der skriver til mig.
15:09
De skriver igennem youtube kanalen og nu er jeg så også
15:12
begyndt lidt mere på LinkedIn og begynder at sidde.
15:14
Man kan se om Jeg kan se om Jeg kan skalere det også så egentlig
15:18
bare at fokusere på det her personal brand skal lære det.
15:22
Ja fordi hvis man hvis man er, hvis hvis hele verden er ens
15:26
målgruppe, så er det selvfølgelig nemmere end hvis
15:28
det bare er ens lokale by. Hvis Jeg har haft det på
15:31
youtube, så var det måske ikke så nemt at gå ud og tage et job
15:33
udenfor udenfor Odense. Og så skulle jeg måske have
15:36
starte det og begynde at branche ud, men fordi jeg så er branchen
15:38
ud tidligere og egentlig ja Det er et billede udadtil, men også
15:43
af hele verden de kan finde mig hvis de søger på specifikke ting
15:46
på på youtube. Nu siger du også altså hele
15:50
verden og det, Det er jo særligt fordi at Det er jo også er på
15:52
engelsk det du laver det content.
15:54
Og vi, Vi er jo så gammeldags her.
15:56
Vi synes Vi skal lave en podcast på dansk.
15:59
Og appellere til til dansk audiens men men men okay, Det
16:04
har jeg måske også. Så dræber man bare sit arbejde.
16:07
Men Det er også fedt. Det er Danmark er et lille land
16:09
ikke? Man skal også man skal også
16:12
støtte det lokale kemi. Ja, Det er helt sikkert at Der
16:15
er noget at gøre på dansk også. Og Der er også rigtig mange, der
16:18
gør det på en så videre. Så er det selvfølgelig også være
16:20
at komme ind på det på det engelske marked.
16:22
Der er det meget nemmere, hvis Det er en eller anden specifik
16:24
specifik niche eller brands man man man man går ud i, og Det har
16:28
helt sikkert også hjulpet mig, men Det er helt klart Der er
16:31
nogen, der gør det på dansk. Også jeg føler også det der med.
16:33
Jeg har nemlig også nogle gange tænkt Sådan skulle man lave
16:35
noget content på engelsk, fordi altså markedet i Danmark er jo
16:38
nærmest. Altså Det er blevet større nu
16:40
med al hypen noget, men Det er jo ikke særlig stort vel?
16:44
Og Der er det der med at hvis du gør det på engelsk, så har du et
16:46
kæmpe marked, men du har også virkelig mange.
16:49
Konkurrent altså meget konkurrence ikke hvor hvis du
16:52
hvis du er dum nok til at gøre det på dansk, så så er der.
16:55
Så er der ikke nogen der så idiotiske at de eller i hvert
16:58
fald så Der er ikke så mange der ser muligheder lige så mange
17:00
muligheder, så der kan man have nogle fordele der.
17:03
Ja mega fedt ja altså hvad hedder det?
17:06
Jeg synes Jeg synes til folk der lytter med derude at de skal Jeg
17:09
synes de skal lytte til til til mere end blot det her og kigge
17:12
på det her og eller lade sig inspirere af at det der personal
17:16
branding det Det kan altså et eller andet, Det kan virkelig
17:18
skabe nogle muligheder for for folk.
17:20
Og Jeg vil sige også for mit vedkommende med mine lige.
17:24
Knap 400 subscribers på dansk kan det også skabe muligheder,
17:28
ikke altså, men men bare Sådan netværk og Sådan nogle ting
17:31
ikke. Så Jeg synes Jeg synes helt
17:33
klart man skal det, synes jeg et Det er det synes jeg bare er
17:37
fedt budskaber. Som det giver også en masse
17:38
muligheder for at arbejde med med virksomheder inden for det
17:40
med for det område. Men så inden man man er i nu
17:43
altså mest i vision verden, men men nogle af de største Sådan
17:46
labeling tools til computer vision nogle af dem der har
17:50
lavet de der jule modeller og så videre.
17:52
Dem har jeg også arbejdet sammen med både til at lave video
17:54
content. Men, men Jeg har også snakket
17:56
sammen med deres med deres founders og så videre.
17:58
Så man har man skaber også rimelig godt netværk indenfor
18:01
inden for det område man så. Men så er i.
18:04
Jo ja okay fordi nu siger du jo modeller ikke og nu tror jeg Vi
18:08
skal lidt videre i teksten fordi Vi er jo mig og Jonas er jo ikke
18:13
de skarpeste knive i skuffen når det gælder computer vision og
18:17
der har vi måske lidt håbet på Jonas at at du kunne ende
18:22
lighters lidt og prøve ligesom at give os.
18:24
Vi er jo meget Sådan INPI verden og så videre holder prøver at
18:26
holde sig opdateret der. Men, men vi kunne godt tænke os,
18:31
at det også Jonas at at lige prøve at høre.
18:33
Hvad foregår der II computeren? Jeg synes at Vi skal.
18:36
Vi skal høre Nicolas tænke på, hvad har Jeg synes jo har
18:41
transformeren bare indtaget totalt på vision området også er
18:45
det Sådan også transformere revolution, når det kommer til
18:48
til det? Det går jeg næsten ud fra.
18:50
Ja men ja, men transformerne de er de er state of the art inden
18:53
for, ja stort set alle domænes lige nu, det Der er med vision i
18:57
forhold til for eksempel NP eller eller landbrugsmodels Det
19:00
er at. Hvis du, hvis du gerne vil køre
19:01
de her vision modeller her real time som du ofte gerne vil, hvis
19:05
du laver hvis du laver systemer specielt i produktionssystemer,
19:09
så de fleste vision modeller de skal helst køre Sådan real time
19:11
og så videre. Men 30. 30.
19:14
Altså ja omkring det omkring det og det Der er stadig noget ved
19:18
transformerne Der er. Der er nogle transformere med
19:20
objection for eksempel. Der er også med segmentering og
19:23
så videre. Men men de kører stadig ikke så
19:25
hurtigt som de traditionelle er traditionelle kan man så kalde
19:28
det, men men de de er stadigvæk state of the art hvis man
19:30
snakker inference. Biler og latency på.
19:33
På på computer vision delen så så det det.
19:36
Det afhænger lidt af hvilket der applikationer og projekter man
19:39
arbejder på. Men alle modellerne er stadigvæk
19:42
baseret på på på konventionel layers.
19:45
Så hvis du har meget hvis du skal have meget throughput
19:48
igennem og det skal gå hurtigt, så kan der være nogle
19:50
begrænsninger med transformere. Ja de de nåede hurtigt også
19:53
fordi at Vi har transformerne med med den kvadratiske centre
19:58
og så videre den. Den er ikke.
20:00
Den er ikke så god II real time. Que drastic ja Det er rigtigt,
20:06
men Det var jo faktisk lidt overrasket over at det du siger
20:09
nu er det stadigvæk er real networks til til til de der lidt
20:13
lidt Sådan snappy ting til til til video og det det det de der
20:18
OV 8 modeller og de er simpelthen lavet med det så Der
20:21
er ikke noget attention for you men men men hvad nu hvis man
20:27
altså hvad nu hvis man bare kørte på noget lidt pippi
20:29
hardware så kunne man godt få 30 influence points på på på.
20:34
Altså i sekundet kunne man ikke det så.
20:37
Der tænker jeg ikke lyder urealistisk, at Der er nogen der
20:40
har lavet noget real time transformers også som kører
20:42
omkring dem. Jeg har testet de kører omkring
20:45
10 fps på på et 40 90 kort, så Det er stadigvæk super hurtigt.
20:52
Det er ikke ligesom tekst, der kunne vi altså godt banke noget
20:54
igennem på den tid, der vil jeg sige, men okay, Det er også
20:56
nogle store matricer og Det er sikkert ikke rigtigt Sådan.
21:00
Åh ja du, du kan nok ikke rigtig komprimere det der input til
21:03
noget for det. Det man skal have mange.
21:07
Og skal have mange af de nemlig ja Det er rimeligt kompromis i
21:11
starten allerede, men altså de har bedre cressy transformerne,
21:15
men men men de kræver de kræver alt for meget ressourcer i
21:18
forhold til i forhold til output.
21:19
De giver i forhold til de traditionelle conventional også
21:24
overkill i virkeligheden. Må jeg så ikke lige stille det
21:27
dumme dumme spørgsmål her bare for ligesom fordi nu skal vi
21:30
lige have en. Jeg føler jeg skal have en
21:32
indflyvning til computer vision her.
21:33
Hvad for nogle opgaver er man interesseret i at løse med
21:37
computer vision? De opdigtede traction virker som
21:41
en en åbenlys ting, men er der andre Sådan?
21:43
Hvad så er der selvfølgelig ja kan hvad for nogle typer opgaver
21:46
arbejder man typisk med billeder.
21:48
Ja ja men altså Der er også segmentering.
21:50
Det er også meget. Det er også meget populært nu
21:52
fordi de fleste modeller de kan også køre og segmentering, altså
21:55
hvor du segmenterer hvert enkelt pixel og tildeler en klasse til
21:58
hver enkelt pixel i billedet i stedet for i stedet for bare at
22:00
have en et objekt hvor du har ligesom en bowling boks, så vil
22:03
du finde de eksakte pixels som egentlig tilhører den klasse og
22:07
det blev det blev egentlig brugt til ret meget nu fordi jamen du
22:11
får du får en meget bedre forståelse af hvad Der er i
22:13
billedet, men men det begynder også vision den begynder at
22:15
brænde sammen med de her language models i og de her
22:18
foundation models. Der er egentlig nogle rimelig
22:21
rimelig heftige modeller ud. Lige nu er noget der hedder
22:23
County dino og også hvor du egentlig kan lave segmentering.
22:26
Du kan egentlig bare sige du kan have det sammen med en prompt,
22:29
så du egentlig siger til den finn katte eller hunde i
22:32
billedet, og så kan egentlig gå ind og segmentere og og label
22:34
det datasæt eller finde decideret objekter i datasæt
22:38
uden du skal gøre noget. Så man kan skrive til modellen,
22:41
finde det her og så lær. Alle pixels er det objekt i
22:45
billedet? Wow, hvorfor her kan det her,
22:48
for Det er sgu da vildt Det er noget.
22:50
Det er noget det nyeste. Det er også noget nyeste.
22:52
Ja okay. Så det blandt andet, hvordan
22:54
fungerer det okay? Nu skal vi ikke.
22:56
Det er Sådan state of the art ned i arkitektur, men men Det er
22:58
jo altid Sådan, at man hører og om om de der stablede fusion, så
23:02
er det jo altid lag på lag og flere modeller sammen og et
23:05
masser af ensemble ting og det. Det bliver efterhånden Sådan
23:08
lidt komplekst, hvordan embedding fra det ene kommer
23:11
videre til det andet og alle de der ting, der altså bliver de
23:14
der arkitektur bare mere og mere komplekse, for ligesom at kunne
23:17
indfange den der overgang fra tekst til billedet og til
23:20
segmentering og Sådan noget, er det ligesom bare, at man.
23:22
Men men men prøver at tage alle de, hvis man tager de
23:26
forskellige modeller man har. Og så prøver man ligesom at
23:29
spille sammen, så er det mere engineering eller er Det er det
23:31
Sådan en? Det er jo ikke en forkromet
23:33
model der styrer det tænker jeg nej det Det er Det er en Det er
23:36
en blanding af af nogle af de af nogle af de forskellige ting fra
23:39
language models, transform og og og så er der også nogle modeller
23:43
Der er trænet på for eksempel en en model der hedder klip men den
23:46
er trænet på, ligesom Det er den vi bruger til at lave r
23:48
generation også som Sådan backbone eller Sådan tekst
23:52
encoder. Hvor de egentlig træner på tekst
23:54
og image pers. Ja.
23:57
Så så de er rimelig populære, fordi der det giver rimelig gode
23:59
image understanding. Det er jo ligesom og og Det er
24:03
den der oversættelsen. Det kender jo dem, der har
24:05
arbejdet med en LP måske alligevel godt lidt fordi.
24:09
Ja det der med rygning mod billeder og tekst og Sådan nogle
24:13
ting det det Det er ret fedt ikke det bruger man også de der
24:16
klip hoteller til så OK, men så fedt det lyder som om at at der
24:21
alligevel er Sådan et eller andet sted hvor det mødes det
24:23
der nu om dage ikke altså tekst og og image, det gør det helt
24:29
sikkert ja. Der ligger jo også der ligger
24:31
også den her. Det er jo kendt at give til 4
24:34
har man ikke kun tage tekst ind, den kan også tage billede input,
24:38
så der ligger også Sådan en stor image.
24:40
Tekst, bombe, der og venter på, at detonere på et tidspunkt når
24:44
de når de åbner det. Kommer en masse modeller ud fra
24:47
både Facebook, Google map. Så de kommer faktisk ud med
24:50
rigtig meget spændende indenfor indenfor vision.
24:53
Det er også dem, Der er kommet ud med og også indenfor langs
24:56
model med deres nye lam og 2. Og den er også rimelig rimelig
24:58
spændende, så meta de laver helt sikkert noget noget rigtig noget
25:01
rigtig fedt indenfor stort set alle domænes II.
25:06
Og de har også noget der hedder sam segment anything OK som også
25:11
virker rimelig godt, og Det er egentlig den at de der
25:12
foundation mødes. Den er den er baseret på.
25:14
Sådan segmenterer alle pixels og så kan du så ligesom bruge de
25:18
her. Lars langholz mødes til at finde
25:19
ud af eller lave image redning finde ud af hvad sker der i
25:22
billedet. Vildt.
25:25
Det var faktisk. Jeg var det ikke sam fast eller
25:28
stillet. Jeg var inde og kigge lige på en
25:29
video du havde lavet og om den faktisk fordi jeg skulle jo lige
25:32
se en af dine videoer ikke og jeg kendte i øvrigt ikke din din
25:37
kanal for det så nu skal jeg lige dykke ned i lidt vision kan
25:40
kan jeg afsløre. Men den den der fast sammen det
25:43
der hedder Jeg har aldrig nogensinde hørt om jeg havde
25:45
hørt om yolo men. Jamen Det er fast fast jamen Det
25:50
er egentlig bare altså de har den der samme model fra fra fra
25:54
fra meta ja mener den er baseret på transformere men så den er
25:58
farzam fordi den kører og den kører meget langsomt rigtig
26:01
langsomt den der samme model der og Det er ligesom store
26:03
foundation model, så Det er ikke tilsvarende landbrugsmodels og
26:07
måske endnu langsommere, men så er den egentlig baserede farzam
26:11
den er baseret på ulve 8 og så bruger den dens features track
26:15
eller dens backbone så har de bare brugt den direkte i den
26:18
backbone til at finde filtrene i billedet.
26:20
Og så har de selve segmenterings heddet ovenpå ovenpå den der jul
26:23
hardback book, så Der er egentlig 11 8 kombineret med
26:26
samme og så får de så fast sammen, så så så meget af det
26:29
der sker. Det er egentlig at de de bruger.
26:31
De bruger lidt forskellige ting fra forskellige modeller, back
26:34
bones, forskellige embedding layers og så videre og så prøver
26:38
egentlig bare at kombinere dem. Så kører vi lidt dumme spørgsmål
26:40
her igen. Jeg tror ikke, Vi har fået
26:41
svaret på yolo v 8. Hvad er det for en model og hvem
26:44
har trænet den? Jamen jule 8 Det er noget der
26:48
hedder alex Det er også dem der dem der står bag hjulpet 5 dem
26:52
har jeg også lavet nogle nogle fede videoer og snakket en del
26:55
med. Det er egentlig en enkelt.
26:57
Det er en rimelig fed historie, fordi Det er en enkelt mand
27:00
eller en enkelt enkelt. Ja, en enkelt mand der har der
27:02
har lavet hele 8 modellen, og så er den egentlig blevet blevet
27:06
ret stor og det sjove ved det. Det var, at han vidste ikke
27:08
rigtig noget om det. Det var bare Sådan et
27:09
hyggeprojekt til at starte med, men så har han bare været en
27:12
eller anden random licens inden bit hop, så nu nu kan de
27:15
faktisk. På på en eller anden måde?
27:18
OK, Det er en rimelig god historie.
27:20
Den er den er meget sjov, men det lyder det lyder som Sådan ã
27:24
r ikke kommer til verden. Det er Det er det en er det en
27:27
image embedding model eller hvad?
27:28
Hvad er en output Sådan? Input det det det det Det er
27:33
stort set bare altså Det er bare billedet.
27:34
Røg billedet og så output Det er Det er bowling boxes og og
27:37
klasse og powery. Så det objekt objekt detection.
27:42
Den bruges til objection, men du kan også bruge den til til
27:45
segmentering. Post til mation, klassifikation
27:49
også og så kan du ja Det er jo det.
27:52
Det er. Sådan en alt mulig model.
27:54
Ja den er faktisk. Den er faktisk rimelig nice og
27:56
og de har de har rimelig fedt Sådan bibliotek eller framework
27:59
rundt omkring den, så så det egentlig rimelig nemt du kan
28:02
køre og du kan køre modellerne. Du kan skifte fra abduction til
28:04
segmentering med med bare skifte en enkelt linje kode som
28:08
specificering bare vil bruge det til segmentation og så videre og
28:11
så giver den output direkte som du så kan bruge i det i dit eget
28:14
projekt. Får man helt lyst til.
28:15
Det kan godt være, Vi skal gå helt ned af den røde, men jeg
28:17
Sådan lyst til at spørge Sådan, hvad er outputtet, altså hvordan
28:20
du får et billede ind. Okay, Det er Sådan med matrix.
28:23
Eller endnu nogle pixels ind i et eller andet forestiller jeg
28:25
mig outputtet, når du skal definere en en og en Sådan en
28:29
boks rundt om et objekt. Sådan er det Sådan en er det pix
28:33
altså det må være er det Sådan ja Sådan hvordan Sådan er helt
28:36
nyt i greedy output hvordan man definerer.
28:39
Det lad os tage ned på bunden. Vi har et billede.
28:41
Smider det ind i hulen, så har vi her kommet local eyes, som
28:45
egentlig finder features, så i starten der finder den meget
28:48
loyal features. Det kunne for eksempel være
28:51
edges og meget meget specifikke features.
28:54
Og så jo længere den kommer i læserne.
28:55
De kommer jo mere high level features lærer den egentlig, så
29:00
den prøver at kombinere de her low level features, jo længere
29:03
den kommer at lære Sådan og så er det sidste der har den
29:04
ligesom en en bedre understanding, så kan for
29:06
eksempel detektor, linjer, curves og så videre.
29:09
Og så er det sidst i de sidste lag, der har den egentlig
29:12
feature som for eksempel biler og katte hunde og så videre.
29:16
Og så vil du egentlig bare have de her features.
29:18
Det er din features tractor, som oftest også kaldet en backbone,
29:22
så du har din backbone og så vil du så have et eller andet
29:24
prediction hed eller et eller andet detection hed ovenpå det?
29:27
Så du kan både have detection hed, segmenterings hed og så
29:29
videre, og Det er egentlig bare et standard MP.
29:32
Så du har en form for embedding model, der ligesom laver den
29:35
abstrakte repræsentation af det. Lidt ligesom tekst, når du er
29:38
bedre end tekst ned i en betting og putter med en stor database.
29:40
Og så har du. En betting Det er lidt ligesom
29:42
en en feature, en feature, en en betting.
29:45
Ja Det er jo sindssygt det. Jeg synes Det er interessant.
29:49
Jeg synes Det er vildt hvor lidt Jeg har holdt mig orienteret på
29:52
på. Hvad hedder det computer vision
29:53
delen altså, men Det er jo egentlig Det er jo meget der
29:55
Sådan det samme eller selvfølgelig ikke helt, men.
29:57
Hvis man er så så. Basic MP lærer og så afpudsede
30:02
det bliver så bagning, box pro billies og så videre.
30:05
Og Det er så også dine labels som du skal som skal træne dit.
30:10
Din model på ja okay nu Nikolaj. Jeg kunne godt tænke mig at høre
30:14
lidt om du snakkede det der med performance og selvfølgelig en
30:17
stor ting indenfor for computer vision om at Det er typisk noget
30:20
med et kamera og nogle ældre devices og et eller andet og
30:23
Sådan noget gør man sig i Sådan noget quantification af
30:26
modellerne tænker jeg det må være det må være noget som er
30:29
det. Det er rigtig populært også det.
30:33
Det er lidt nu bring ikke at gøre.
30:34
Der er så mange fede fede frameworks og og så videre til
30:37
og optimere modellerne, men også system, så de kan køre meget
30:42
hurtigere og også fordi hvis vi bruger et device, så er det
30:46
oftest nogle af adidas eftervises, så så det det giver
30:50
mening at bruge noget som for eksempel tårer til RT, hvis de
30:54
hvis i kender det. Men Der er selvfølgelig, Der er
30:57
selvfølgelig forskellige frameworks, der også open by no
31:00
et vist af Intel cpu uger. Og ordenes og så videre, så Der
31:05
er de her forskellige frameworks.
31:06
Du kan optimere dine modeller til, og så kan du ligesom
31:08
deployment eller køre en føring på et eller andet device, og der
31:12
kan du faktisk få. Altså der kan du bevare rimelig
31:14
meget aggressive, næsten næsten det samme crazy, men du kører
31:18
meget hurtigere. En indføring speed og
31:20
modellerne. Det gælder heller ikke så meget.
31:22
Nu lægge mærke til du ser et device.
31:24
Det må også være en meget større ting i computer vision at køre
31:27
edge altså core edge kører simpelthen på edge devices i
31:31
stedet for at køre på en anden server et eller andet eller
31:33
Sådan noget. Der er Sådan.
31:36
Ja helt sikkert fordi. Ja når vi snakker computation,
31:38
så er det ofte produktionsløsninger Det kan
31:41
blive brugt til robotter computere som bliver brugt en
31:43
rigtig meget til robotter, selvkørende biler ting hvor det
31:48
hvor det sker rimelig hurtigt og hvor det ligesom skal forstå og
31:50
bruge det output med det samme til at kontrollere et eller
31:53
andet control system eller eller et eller andet, så det skal køre
31:58
rimelig hurtigt. Og Det er også Det er nok også
32:00
en billigere løsning over tid at have dem på et device
32:01
selvfølgelig. Men det, men det kræver også
32:05
rigtig meget at sende billeder frem og tilbage, fordi hvis du
32:07
har et system, hvor du hvor du kører for eksempel HD eller fuld
32:10
hd, måske måske even like 4 k, så skal der også egentlig meget
32:15
til at sende de her billeder til en eller anden server for at
32:17
producere det og sende det tilbage igen og bare selve den
32:21
proces. Det det ødelægger lidt dit real
32:23
time. Så det giver.
32:26
Rigtig god mening at have den modellerne liggende på devicet,
32:29
og nu er vi lige snakke om Det kan ikke være lige tænke på at
32:33
meta var jo ude her og annoncere et samarbejde med.
32:36
Jeg kan ikke huske hvad Det var for en chip.
32:37
Virksomhed omkring. At gøre de her lars slags models
32:42
som de altså lama lama 2 i en eller anden størrelse
32:47
tilgængeligt på på telefoner ikke altså kunne køre den på.
32:51
Altså et devices. Jo Det er jo din telefon er jo
32:55
er jo det altså ikke så så er det ude af skyen og de løser
32:57
privacy og Sådan nogle ting som vi jo har problemer med i tekst
33:00
verden ikke? Men altså.
33:03
Så du kører en token en token på 30 sekunder.
33:06
Ja ja Jeg er også lidt i tvivl om hvad, hvordan, hvad, hvad for
33:10
en kvalitet af nogle modeller de får, for der ved vi jo bare
33:13
inden for sport modellerne, at de snart de går ned til de der
33:15
7. 7 millioner par meter ikke så ja okay det.
33:21
Det lyder stadig meget, men det. Hvordan er det med computer
33:26
vision model? Størrelserne er de er de Sådan,
33:28
hvad er de er? De snakkede.
33:31
Millioner. Okay, så de er mindre simpelthen
33:33
sprudler det her tit det der et eller andet Der er et eller
33:36
andet ved min intuition, der der der der der går ved siden altså
33:40
galt dér fordi jeg tænker Sådan på en anden måde, så tænker jeg
33:43
vision som Sådan lidt mere, altså meget mere, Sådan som du
33:46
også selv siger. Der er virkelig meget data.
33:47
Det er Sådan meget komplekst og så videre hvor tekst er Sådan
33:50
relativt low sy på en måde ikke Det har Det er et stort glas
33:55
stadig lidt mere forstå hvorfor. Var det lige en liggende herinde
33:58
II vias coach. Så man kan sige, at hvis du hvis
34:00
du bruger en large model af hjul 8, så har den 36 millioner
34:03
parametre 133 laos. Og hvis Det er en nano model som
34:08
er den mindste model du kan du kan bruge fra for at hjælpe så
34:10
168 lægers og 3 millioner parametre, så så det Det er
34:14
noget lavere. Det er noget lavere end en.
34:17
Snakker jo 7 milliarder på den mindste dit mindste open source
34:21
modeller ikke hold da kæft. Sygt nok hvad hedder det bare
34:25
til folk derude der måske også godt kunne tænke sig at rode
34:27
lidt med computer vision og så videre.
34:28
Hvad for nogle libraries er relevante at kigge ind i hvis
34:31
man hvis man kunne tænke sig at rode med alt hvad for eksempel
34:34
noget som hacking fase er det også noget man bruger i computer
34:36
vision. Ja jamen helt sikkert hockey det
34:39
det det Det er nice nice sted jeg bruger også rigtig meget, de
34:43
har også deres dele research papers som de kommer ud med en
34:46
booking face og Det er stort set Det er telefonen åbner op hver
34:49
morgen Det er fint Det er fint lige skal igennem hvad hvad er
34:52
der kommet videos papers i går? Er der nogle spændende man lige
34:55
skal skimme igennem, så så Det er en rigtig god ressource, men
34:57
men Det er måske når man er lidt længere henne og har en eller
35:00
anden fundamental forståelse for det.
35:02
Jeg startede ud med. Det er altid vigtigt II computer
35:05
vision, der handler det også dér er det også rigtig vigtigt at
35:07
have en god matematik baggrund. Der er rigtig meget matematik i
35:12
computer vision også, ikke fordi man kan man ikke kan starte uden
35:16
matematik, men det kræver noget det kræver noget lignende
35:18
algebra Der er matricer til gang sammen og så videre hvis man
35:20
skal stå den forstå det på på det fundamentale niveau, men
35:23
hvis man bare skal i gang med computer vision og og bruge
35:25
forskellige ting af, så er der et bibliotek eller et framework
35:27
der hedder open cv. Og Det er det Det er det mest
35:30
anvendte indenfor indenfor computer vision til til at lave
35:34
basal image producering, og de har rigtig mange indbyggede
35:37
funktioner du kan. Du kan lave rigtig mange fede
35:39
ting. Både stereo vision med 2
35:42
kameraer du du kan nemt connecte 1 1 1 1 1 webcam direkte fra din
35:46
laptop. Du kan kalde nogle forskellige
35:48
funktioner. Hvis du vil lave noget image
35:49
bliver noget efter section de har også nogle line detection,
35:54
circle detection og så videre så så så Det er lidt mere de
35:57
klassiske metoder, men Det er rigtig godt til at ligesom at
36:00
komme i gang med computer vision og så kan man ligesom branche
36:03
mere ovre II deep learning og og i og hvordan man kombinerer det
36:06
med med med vision senere hen, men Det er altid godt at have en
36:09
basal forståelse, men også også hvordan det virker.
36:12
En underhud. Når man arbejder med kamera er
36:15
der meget med med kameraet kaldet bring.
36:17
Der er mange forskellige typer kameraer og forskellige som har
36:21
forskellige egenskaber kalibrere dem, bruge mange forskellige
36:25
kameraer. Hvordan relaterer med kameraer
36:27
til hinanden? Hvordan kan man regne struct
36:28
forskellige events? Så hvordan laver man en 3 d
36:31
model af? Hvordan finder man dybde i
36:33
billeder og så videre? Så Der er rigtig mange spændende
36:35
ting med med computation, men alle sammen.
36:36
De er ligesom baseret på på fundamentalisterne, det meste
36:39
kan vi lave det selv men men men hvis man skal op på et lidt
36:43
højere niveau så så så er det ligesom de belønning det det
36:45
branchen i år endnu. Ja.
36:47
Så det kommer selvfølgelig også an på ens ens projekter og
36:50
applikation, hvor meget ressourcer man har og så videre.
36:52
Hvis hvis man snakker Sådan 11. devices med, hvis man bare har
36:55
for eksempel en en raspberry pi eller en jetson nano og så
36:57
videre kørende, så er det ikke fordi man kan køre de helt vilde
36:59
a modeller så Sådan klasse machine learning er classical
37:03
computer vision metoder og så videre og de de er stadigvæk
37:06
rigtig meget anvendt. Er det Sådan opec er stadigvæk
37:10
Sådan der hvor man ligesom præciserer billedet, materialet
37:15
og og der der vil man gerne have noget snappet noget fordi man
37:17
ved det andet er en lille smule langsommere.
37:19
Så Det er det, der skal helst gå hurtigt og så og så.
37:22
Og så er det ligesom over videre til til input formatet og og
37:28
hvad Jeg kan ikke lade være med at tænke på.
37:31
Jeg har altid brugt det der python library der hedder pill
37:35
og som er Sådan et image n Jeg kan love et image med det hey
37:39
Jeg har en PNG og så kan det blive til den empire og Sådan
37:42
noget Sådan noget sjovt, men Det er ikke det vi Vi er ude i noget
37:45
andet som som er Sådan mere altså Der er noget.
37:49
Der er noget, jeg håber Der er noget c kode der gør det lidt
37:51
hurtigere og Sådan nogle ting ikke?
37:53
Altså åben v Det er Det er jo Det er bygget II seere og se
37:56
Vores plus og så er det bare en en python api eller en python
38:00
rapper udenom. Det så kører lige så hurtigt som
38:02
som det andet der, men men det kommer lidt an på hvad man laver
38:05
fordi hvis man vil gå ind mere end i de blødning eller machine
38:08
learning, computer vision og den del og brands er det samme, så
38:11
bruger man også PL bruger man ikke så meget open cv hvis man
38:14
bare bruger for eksempel nogle framework som senta flow carries
38:17
pige touch og og så videre til ligesom at.
38:20
Og og loade data sidder den og præcis dit datasæt, så vil man
38:24
egentlig bare lukke billedet ind og så mange af de andre
38:25
frameworks her. De har faktisk mange af de her
38:28
process step, som vil bruge, som man måske ikke bruger appen til
38:32
VM så meget igen. Hvis man er inde i deploying
38:35
verdenen, men man connecter ligesom deep learning, altså
38:38
hvis man har i denmoderne connectes med opec, hvis man vil
38:42
lave yderligere producering, hvis man vil vise billederne,
38:45
produkttype og så videre, så så giver jeg mig selv i rigtig,
38:49
rigtig god mening. Ja helt sikkert.
38:52
Der er et eller andet der der tænker, jeg ved ikke hvorfor,
38:54
men Der er et eller andet, der siger mig, at det måske er
38:56
Sådan, er en eller anden pendant til said learn i Sådan noget
38:59
mere klassisk machine learning på en anden måde.
39:01
Sådan lidt mere. Øh ja.
39:03
Ja det Det er Det er det 100% 100%.
39:07
Sygt nok ja altså hvad hedder et hold da op mand der?
39:10
Det er sgu meget fedt lige at høre lidt om det her fordi Jeg
39:12
synes Jeg synes man forstår jo godt lingo under og så videre
39:15
Sådan altså Jeg har også rodet med konklusionen i mit første
39:18
projekt de deploying. Det var også et Sådan et regnet.
39:20
Det er sikkert oldnordisk at bruge rest nu her, men.
39:23
De er stadigvæk meget gode. De er stadig.
39:25
Mange okay ja ja de kan stadig de kaster stadig, men hold kæft
39:28
Der er sket meget ikke og Det er jo Det er når man bare dykker.
39:32
Jeg havde bare været fuldstændig begravet i tekster NPI de sidste
39:35
et stykke tid, ikke? Glemmer ham slet ikke båndbredde
39:39
til at følge med i alt det andet, så Det er mega nice at få
39:41
en en update her. Hvad hedder de?
39:44
Ja nej. Ja men altså mange af tingene,
39:46
de de går også hånd i hånd. De bruger meget research fra
39:50
både NP og computer vision og så videre.
39:51
Mange af de principper og mange af de af de sjove tricks de
39:55
laver hist og her, når de når de kommer ud med nye vissers og så
39:57
videre. Det er Det er jo baseret fra de
39:59
forskellige verdener nu siger du regnet, Det er sikkert en gammel
40:02
gammel arkitektur, men men selve reservoiret connection, den den
40:05
bliver stadig anvendt meget i dag.
40:07
Også i language models med transformeren hvor Vi har de her
40:11
en en coder blogs. Der er også reserveret
40:13
connections i og så videre, så Det er egentlig rimelig
40:16
banebrydende, fordi så kan man ligesom hvis Vi har de her
40:18
sections, så kan vi skalere Vores modeller meget mere, og
40:23
Det er egentlig det, Der er jo princippet bag bag regnet, men
40:25
men regnet backbonen, den bliver stadigvæk brugt rigtig meget II
40:28
computer vision. At høre den den gode gamle
40:30
rester i kamp i. De det går Det er hele det går
40:33
lidt hånd i hånd, de de bruger lidt.
40:35
De bruger lidt fra alle skuffer. Jeg kan også huske at Jeg har
40:37
lavet. Jeg har også arbejdet på ekstra
40:39
Bladet, hvor Jonas Jonas også arbejder og.
40:42
Så blev vi også der lavede vi noget forskning også.
40:44
Der er jo forskningsprojekt på ekstra Bladet også.
40:45
Der lavede vi også noget research, hvor vi blev
40:47
inspireret af computer vision, hvor man på rigtig meget
40:50
contrasto learning, så vidt Jeg kan forstå til at lave en
40:53
betinges af billeder eller videoer, eller hvad man kalder
40:56
det, hvor vi brugte det på tekst så det det Der er noget, der
41:00
skal nogle spændende ting II den verden der, Det er helt sikkert.
41:04
Ja hvad hedder det? Jeg ved ikke er du er du er du
41:07
har du flere computer vision spørgsmål Jonas.
41:11
Nej, Jeg synes Jeg har været godt omkring.
41:14
Altså jeg. Jeg kom lige til at tænke på det
41:16
du sagde da også da du begyndte på det med kontrast opløsning.
41:19
At det Det var også ret interessant det der med at at
41:21
der bliver lånt lånt lidt fra fra begge verdener og det altså
41:26
hvis man ja hvis man arbejder med med med sprog ting og så så
41:30
så skal man jo nok også lige huske at kigge på hvad der sker
41:33
II de andre altså grene af Det er jo Der er jo det her
41:38
multimodalitet begynder ligesom at blive en ting ikke altså men
41:41
men men alligevel så så har vi nok kørt lidt parallelt.
41:45
OK Det er tekstdata herovre okay Det er billeddata herovre og det
41:49
snakker måske ikke så meget sammen, men det tror jeg ikke
41:51
rigtig er er. Er sandheden mere vel?
41:53
Altså så så Vi skal. Vi skal nok begynde at tænke
41:55
lidt over at Det er en god idé at have et lille gras på på,
41:59
selvom man sidder ovre i noget sprogteknologi at at ligesom
42:02
forstå noget mere af det der så, så Jeg er da helt sikkert blevet
42:06
blevet lidt mere hype på, at jeg skal da ikke bare sidde og l
42:09
enten derudad. Jeg skal også prøve at finde ud
42:11
af hvad der foregår i den anden verden, så så Jeg kan få nogle
42:14
inspirationer der. Lidt lidt mere yolo lidt mere
42:16
yo. Lidt mere lidt mere yolo ja Jeg
42:18
vil da helst jeg gerne vil prøve at få mit kamera til at lave de
42:20
der bokses rundt om mig. Jamen altså der der sker rigtig
42:25
meget også på på multimodal siten.
42:27
Jeg mener det sidste uge der kom model ud, der hed meta
42:30
transformer og de kan egentlig tage.
42:32
Jeg tror Det er 9 forskellige modeller og ligesom en bed dem
42:36
ind til ind til samme space til samme måned space så det man kan
42:42
både tage for eksempel point clouds Det kan det point, clouds
42:45
billeder natural language speed sound den kan også tage sine
42:50
data som for eksempel like time Series data i eu.
42:54
Tamilsk data og så videre. Og så kan egentlig en bet det
42:58
ind til til til eller til det samme land space om ja så det
43:03
Det er rimeligt og Det er også rimelig cool det der sker
43:04
indenfor multi model modeller. Det sidste der med at tabula
43:10
data eller hvad kan man sige vilkårlige?
43:14
Hvad hedder Sådan noget relationelle databaser der
43:16
ligger derude med en masse nøgleværdier i ikke de kunne
43:20
godt have have have rigtig meget brug for Sådan 1 1 1 feature en
43:25
scooter der så bare kunne et troll igennem det og så kunne
43:28
man bruge det til til noget noget Sådan downstream hende af
43:32
og sjov ikke så det Det er fedt Det er fedt.
43:36
Hvad hedder det hvis du hvis det hvis jeg håber Det er ok Nikolaj
43:39
men hvis vil du lige vil tillade mig at tage en lille bitte
43:41
tangent her til sidst her afslutning inden vi afslutter.
43:44
Hvad hedder det? Jeg holder lyset på dig.
43:47
Vi snakker også lidt om det du har lavet noget freelance
43:50
arbejde også, for jeg ved ikke om du laver det meget mere nu
43:53
hvor du har fået job i Dubai men men kan du ikke prøve at
43:56
fortælle lidt om hvad hvordan er det og Sådan hvad hvad er det
43:59
for nogle, hvad hvad, hvordan er livet med som hvad for nogle
44:01
opgaver får man og du er det Sådan er det rådgivning er det
44:04
byg det her eller Sådan hvad hvad er Sådan hvordan har du
44:07
oplevet det og er det noget du ja?
44:10
Jamen det. Det er faktisk lidt II alle
44:13
boldgade, så Det kan faktisk være alt fra start projekter fra
44:17
bunden af både computer vision projekter, men også en high
44:20
level high level projekter nogle af dem Det er Det er Det er
44:23
projekter helt fra helt fra scratch af nogle af dem.
44:26
Det er også nogle der har et eller andet kørende allerede som
44:28
gerne vil integrere eller ain i det så implementere en eller
44:32
anden lille feature, så jeg så det.
44:34
Det er rimelig bredt, nogle af projekterne arbejder, arbejder
44:37
jeg stadigvæk på det. Det er stadigvæk mindre
44:40
projekter. I virksomheder arbejder med.
44:42
Det er også stadigvæk mindre virksomheder, så det her.
44:45
Det er virksomheder, Der er mellem 2 og 10 ansatte for
44:48
eksempel, så Det er stadigvæk mindre teams man, men mange af
44:53
de projekter er, for Det er det egentlig virksomheder, der gerne
44:55
vil ind i også for eksempel, de er ikke helt styr på ok, hvad er
45:00
der af muligheder og så videre, så Det er også lidt mere
45:02
research for virksomheder consulting i forhold til hvad
45:06
har de af muligheder og hvad kan de gøre?
45:09
Så Det er nogle af de projekter, jeg får ind, og så får jeg også
45:11
andre projekter, hvor jeg skal. Implementere et eller andet r
45:14
model til et eller andet datasæt eller lave datasæt selv på et
45:17
eller andet de så har de gerne vil løse de kan for eksempel Jeg
45:19
har lavet rigtig fedt projekt med nogen, der har Sådan nogle
45:21
tables på på tage, fordi ovre IUSA og Sådan noget Der er
45:25
rimelig meget sne på tagene. Det vil de gerne have væk, når
45:28
det sner, så der ikke er en meter sne oven på tagene.
45:31
Det ødelægger dem Sådan rimelig hurtigt, men så bruge vision til
45:33
ligesom at segmentere de her kabler for at se hvor meget
45:35
egentlig tildække. Hvornår skal de tænde og slukke
45:37
for de her head cables, så egentlig så egentlig
45:41
kontrollerer kontrollere forskellige systemer ud fra ud
45:44
fra vision modeller. Det kan også være at træne.
45:48
Bare træne basic modeller til at detektere for eksempel noget på
45:51
på på hylder II retail store også.
45:54
Det er sjovt. Det er Sådan helt anden type
45:55
problemer man kan løse med noget der når det jeg normalt er vant
45:59
til at tænke i. Det er mega fedt.
46:02
Det er hovedet at. Der sker rigtig meget Der er
46:05
også. Der er også en del projekter med
46:07
med for eksempel 3 3 d point cloud.
46:10
Det kan være at lave en 3 d model af et eller andet eller
46:12
noget der hedder visual slam, så egentlig hvordan man mapper og
46:15
lokaliser hvor man er i en til veje, men baseret på kamera, så
46:19
man ser ligesom hvordan flytter kameraet så billedet og Det kan
46:22
man lave en beregning ud fra, men Der er også rigtig meget 3 d
46:25
3 d vision, så hvor man har enten 2 kameraer hvor man har en
46:29
aktiv sensor af en lighter eller en eller anden laserscanner,
46:32
hvor alle får en 3 d point cloud.
46:35
Så du har ligesom en bedre forståelse omkring din
46:37
involvement. Finde ud af hvor er du eller
46:39
lave en mapping af involvement, så Det har jeg også haft rigtig
46:42
mange projekter af. Det kan for eksempel være at
46:44
have en have, en robot der kører rundt II på på et lager finde ud
46:48
af hvor er den robot henne, men samtidig med også map, hvordan
46:50
det her, hvordan den her bygning den.
46:52
Er tænker også, når man begynder at putte nogle ting i
46:55
virkeligheden, så er der også lidt mere på spil.
46:56
En gang imellem kan jeg forestille mig.
46:58
Ja ja helt sikkert. Det er måske også lidt sværere
47:01
at putte tingene ud, fordi det kræver det kræver også stadigvæk
47:03
lidt fysisk tilstedeværelse. Nogle af nogle af de nogle af de
47:08
Sådan problemer Der er. Det er at Det er lidt svært.
47:10
Man kan godt udvikle systemet, men men når man ligesom skal til
47:13
at at færdiggøre systemerne, de skal implementeres II systemer
47:17
for eksempel hvis det hvis Det er i på et warehouse, så er det,
47:20
så er det lidt svært at gøre det hjemme fra fra kontoret af nede
47:22
i nede i New Zealand. For eksempel.
47:25
Du kan ikke bare skrive, skal jeg teste?
47:28
Kan du sende en raspberry pi med en gpu hoppe eller et eller
47:32
andet? Det er sygt nok.
47:34
Ja mega fedt ja, men jeg tænker så småt vi nu har vi efterhånden
47:39
snakket en times tid og jeg tænker så småt Vi skal begynde
47:41
at runde af hvis ja og det synes jeg det synes jeg hvad hedder
47:47
det? Men her til afslutningsvis så
47:49
kunne jeg godt tænke mig bare Sådan at høre Nikolaj Sådan hvad
47:51
hvad er nu er du nu er du i Dubai, du har godt med følgere
47:54
du bygger i gang med at bygge dit personlige brand op og køre
47:57
på med at formidle og arbejde med machining og Sådan noget
48:00
hvad hvad byder fremtiden på hvad hvad har du, hvad har du af
48:03
planer for fremtiden? Så kan man forvente og se.
48:06
Hvem Der er der, Der er helt sikkert rigtig mange spændende
48:08
planer. Jeg er begyndt at lave nogle
48:11
kurser for for et stykke tid siden her de de går også rimelig
48:14
godt så så jeg kommer helt sikkert til at fokusere mere på
48:17
og og lave nogle nogle fede kurser mere strukturerede kurser
48:20
som som borgere dybt med tingene, men også stadigvæk
48:22
skalerer youtube så meget som muligt.
48:25
Finde forskellige kilder hvordan nu også mere inde på LinkedIn og
48:27
så videre. Prøvede lidt value derinde, så
48:31
skal lave mit personlige brand, lave en masse fede projekter og
48:34
så videre jeg også. Jeg er stadigvæk relativt ung,
48:36
så det vigtigste for Det er vigtigt for mig lige nu.
48:38
Det er egentlig bare at være i en position hvor Jeg kan lave en
48:40
masse. Research Det er up 2 date med
48:43
det nyeste teknologier og egentlig bare skrabe så meget
48:45
viden til mig som som muligt og så egentlig bare have det fedt
48:49
samtidig med. Det lyder fandme som livet.
48:53
Så. Lad os da lige sige til til alle
48:55
dem der sidder derude og brænder for for computer vision og og
48:58
sikkert også meget mere. Så er nicolais youtube kanal.
49:01
Det er en super ressource og jeg skal personligt i gang med at
49:05
kigge på nogle videoer og så lige kørt lidt hjulet.
49:11
Mega fedt mega fedt det der med jeg tænker Vi er ved at vi Vi er
49:14
ved at afslutte, men jeg tænker er der noget her på falderebet
49:17
du godt kunne tænke dig og og et eller andet og sige et eller
49:20
andet eller? Ja.
49:22
Jeg ja ja, men Jeg tror Jeg tror Vi har.
49:25
Jeg tror Vi har dækket det meste af Det er bare altså hvis hvis
49:27
folk de er interesserede II art jeg ved ikke jeg ved ikke hvor
49:30
mange der der der lytter med som egentlig er inde i eller det det
49:33
Det er nogen der gerne vil ind i jeg men altså bare det.
49:37
Det er rigtig fedt space der sker rigtig mange nye ting, der
49:40
sker hele tiden noget det Det er selvom Det er et fuldtidsjob for
49:43
for selv hvis Det var de fuldtidsjob bare at prøve at
49:45
følge med i alt det der kommer ud og al den udvikling der sker
49:48
så er det jo muligt, så selvom man er ny i selvom man man tror
49:52
man har misset. Mistede train eller mistede boss
49:55
eller hvad man siger så er det. Det er aldrig for sent.
49:58
Der skal også nok være i om om 5 år, selvom Vi har alle de her 10
50:01
mødes og så videre. Jeg tror ikke rigtig på at at at
50:06
vi alle sammen lige replays dem om 5 år er chat i betty.
50:08
Selvfølgelig er Der er der mange flere ting Det kan lave, men Det
50:12
er stadigvæk et et nyt spil til at komme ind i og der skal helt
50:15
sikkert være en masse fede ting II fremtiden også med øje.
50:17
Hvis man stresset, så er det bare at komme i gang.
50:20
Det er rigtig fedt, Jeg kan ikke rigtig, Jeg kan ikke rigtig, Jeg
50:23
kan ikke rigtig se nogle andre Sådan spaces eller områder som
50:26
som er så fede som ejer hvor der sker så mange nye ting hver dag.
50:29
Vil jeg give dig meget stort medhold i.
50:31
Det er jeg meget enig i. Det kan jeg også kun anbefale
50:33
folk om at. Det er også det der med ikke at
50:35
miste modet. Hvis hvis man synes der sker
50:37
rigtig mange ting fordi det gør der og Det er okay ikke at vide
50:39
det hele og man må bare følge med vælge noget man kunne tænke
50:42
sig at følge med og så prøve at stille op til date med det.
50:45
Lige præcis. Super hvad hedder det?
50:48
Jamen så tror jeg vi vil afslutte for i dag 1000 tak
50:50
fordi du var med Nikolaj Det var en fornøjelse at høre din
50:52
historie ja tak for det. Tak fordi i lyttede med og husk
50:55
at følge hvad bruges podcast på LinkedIn youtube og ja Det var
51:00
vist det og så husk også at følge Nikolaj inde på på youtube
51:04
og på LinkedIn også Der er han også så.
51:06
Og laver mega fedt content så tak for i dag vi ses.