Искусственный интеллект (ИИ) часто определяется неточно, и разные люди смотрят на него по-разному. В целом, это ежедневно расширяющаяся обширная область исследований. Проще говоря, ИИ — это способность компьютера действовать «разумно». Компьютерный «интеллект» реализован в форме алгоритмов для выполнения конкретных задач, обучения и адаптации для поиска решений. Об этом пишет менеджер австралийской компании Aerometrex (https://aerometrex.com.au/) Ravi Mehta на сайте www.spatialsource.com.au.
Машинное обучение (Machine Learning — ML) и глубокое обучение (Deep Learning — DL), оба подмножества ИИ, начали использоваться сравнительно недавно благодаря достижениям в компьютерной производительности и обилию данных. Глубокое обучение использует сквозные оптимизированные нейронные сети вместо классических алгоритмов машинного обучения, устраняя необходимость в ручных операциях для выявления различий в объектах.
Как можно извлечь пользу из геопространственных данных, обрабатываемых с помощью ИИ?
Геопространственные данные, полученные в результате аэросъемки, могут иметь объем в несколько террабайтов, включая миллионы пикселей, даже на небольших участках. Обработка этих данных часто требует сочетания ручных и автоматизированных процессов, которые могут длиться дни и недели. Сегодня возможность использования технологий глубокого обучения не только помогает повысить эффективность процессов, но и предлагает пользователям гораздо больший объем данных и полезных знаний.
Геопространственные данные, управляемые ИИ, имеют огромное значение для ряда секторов, включая городское планирование, строительство и проектирование, инфраструктуру, логистику, умные города и цифровые двойники и т. д.
3D-модель на основе ИИ
Некоторые примеры применения ИИ
Классификация земной поверхности по плотности
Aerometrex использует алгоритмы машинного обучения, чтобы различать плотность элементов земной поверхности, используя двухмерные аэрофотоснимки высокого разрешения. Этот процесс, будучи дополнительно улучшен с помощью глубокого обучения, может семантически сегментировать различные поверхности, такие как дороги, трава и т. д. Интересно, что нейронные сети могут делать это, анализируя комбинацию визуальных и невизуальных функций (таких как параметры отражения поверхности).
Обнаружение изменений и анализ временных рядов
Сегодня энергетическим компаниям и установщикам солнечных батарей необходимо знать, где находятся (или можно разместить) солнечные батареи и сколько. Они также хотят оценивать изменения с течением времени. Все эти вопросы можно эффективно решить с помощью геопространственных данных, управляемых ИИ. Аналогичным образом, анализ временных рядов с использованием классификации автомобилей и их плотности на основе искусственного интеллекта может помочь предприятиям розничной торговли оценить рост посещаемости с течением времени. Страховые компании должны понимать изменения в активах, произошедших после стихийных бедствий, например, таких как град и лесные пожары. Глубокое обучение может быстро и эффективно предоставить этим пользователям информацию об обнаружении критических изменений.
Какое будущее ждет геопространственный ИИ?
Ключ к надежной модели глубокого обучения лежит в данных обучения. Aerometrex может генерировать огромные объемы обучающих данных для собственных нейронных сетей. Однако речь идет не только об объеме данных, но, что более важно, об изменениях в этих наборах данных, их качестве и точности.
Цель Aerometrex — иметь возможность классифицировать все объекты на своих 2D-картах и 3D-моделях, не оставляя «белых пятен». Кроме того, компания занимается детальной семантической сегментацией на уровне подобъектов, например, для классификации строительных элементов, таких как окна, дымоходы, типы крыш, солнечные панели и т. д. Это позволит заказчикам запрашивать геопространственные данные для объектов, создавая действительно интеллектуальные пространственные знания.