Účel blogu
Umělá inteligence může mít zásadní vliv na to, jak pracujeme. Tento blog podrobně popisuje, jak začít s výukou geoinformační umělé inteligence v ArcGIS – kde ji začlenit do učebních osnov, jaké jsou dostupné zdroje a jaká mohou být omezení.
Jde o sérii 4 blogových příspěvků:
Jak začít
- Přístupy ke vzdělávání a jeho cíle se liší – pro inspiraci si projděte zdroje uvedené v této sérii blogových příspěvků a zjistěte, co by se mohlo hodit právě vám. Pokud dáváte přednost knihám, Esri Press právě vydalo publikaci „Exploring GeoAI: Tools and Workflows“ (viz níže), která obsahuje cvičení krok za krokem. Zvažte využití předtrénovaných modelů pro konkrétní úlohy, které jsou k dispozici v ArcGIS Living Atlas, a také výukových materiálů a kurzů od týmu ArcGIS Tutorials a Esri Academy.
- Zamyslete se, jak stanovit priority témat nebo doplnit stávající obsah příklady využití umělé inteligence – v kurzu se můžete setkat se situací, kdy je obsahu příliš a vyvstává otázka, kam zařadit umělou inteligenci. Zvažte, jak by se stávající témata a pojmy daly rozšířit o přístupy GeoAI. Příkladem je srovnání extrakce prvků pomocí tradičních metod a metod hlubokého učení.
- Zamyslete se nad předpoklady a základními znalostmi – je důležité, aby studenti před používáním nástrojů geoinformační umělé inteligence porozuměli základním pojmům. To do značné míry závisí na cílech kurzu, ale před úpravou materiálů zvažte požadované předpoklady.
- Měli by studenti mít základní znalosti analytických metod a technologií dálkového průzkumu Země (např. optiky, fyziky a platforem)?
- Měli by studenti mít programátorské dovednosti?
- Měli by studenti mít znalosti statistiky?
- Odpověď na všechny tyto otázky obvykle zní ano.
Na co nezapomenout
- Ověřte koncept na menší datové sadě – testujte modely na malých územích a poté odhadněte, co by obnášela analýza rozsáhlejších území. Úspěšné použití předtrénovaných modelů ovlivňuje několik faktorů. Zásadní jsou především použitá data; nejlepší je použít data podobného typu a rozlišení, která pocházejí z podobné lokality jako trénovací data.
- Počítejte s tím, že bude třeba více pokusů– jeden průchod nemusí přinést uspokojivé výsledky; obvykle je potřeba více než jeden pokus. Výsledky lze zlepšit například ručními úpravami, opakovaným trénováním modelu, transferovým učením nebo vyzkoušením jiných modelů hlubokého učení.
- Zajistěte, aby studenti rozuměli omezením používání umělé inteligence při učení – je důležité rozvíjet zdravě kritický přístup k datům a výstupům vytvořeným pomocí nástrojů umělé inteligence. Výsledky mohou být rychlejší, ale jsou lepší, nebo dokonce správné?
Správa, soulad s předpisy a etika
Ověřte si pravidla a zdroje své instituce, protože přístupy a pokyny k používání umělé inteligence se značně liší.
- Zjistěte, jaké zdroje týkající se umělé inteligence vaše instituce nabízí (pokud nějaké má) – některé instituce poskytují například následující pokyny.
- Pokyny k umělé inteligenci, schválené nástroje AI a školení o AI
- Kontrolní seznam projektů AI pro shromažďování informací o projektech využívajících umělou inteligenci
- Odkazy na externí semináře a webináře zaměřené na umělou inteligenci
- Prostor komunity zaměřené na výuku s umělou inteligencí, kde lze sdílet zkušenosti, učit se a diskutovat o získaných poznatcích, výzvách a řešeních.
- Poskytněte studentům pokyny k postupům a bezpečnostní opatření (příklady jsou uvedeny níže).
- Vzorová prohlášení do sylabu, která vymezují odpovědnost uživatelů, etické používání, zabezpečení a ochranu soukromí dat, možná rizika a podporu. I ty se mezi jednotlivými institucemi liší.
- Postupy hodnocení IT rizik (kontrolní seznamy, postupy) – také se liší podle instituce.
- Pokyny na úrovni katedry nebo instituce.
- Některé instituce mají pravidla, která musí dodržovat všichni, případně se vztahují na určité situace, například přístup k systémům instituce, přihlašování a ověřování totožnosti nebo fyzické ukládání dat v IT systémech instituce atd.
Technologie a hardware
U některých procesů a pracovních postupů zvažte potřebné hardwarové požadavky:
- Je třeba zvážit požadavky na GPU (jsou počítače v GIS učebně aktuální?)
- Před nasazením ve výuce je třeba promyslet přístup k hardwaru (budou studenti pracovat v počítačových učebnách, na vlastních počítačích atd.?)
- Před použitím nástrojů je třeba do ArcGIS Pro nainstalovat další knihovny pro hluboké učení.
- GeoAI podporuje také ArcGIS Online, ale je třeba počítat s možným přetížením sítě, pokud například ke stejnému modelu přistupuje 20 studentů.
Zdroje a kam se obrátit o pomoc
Podívejte se také na další blogové příspěvky z této série:
Hlavní body, které je třeba zvážit při plánování dalších kroků:
- Nebojte se – začít je snadné, a to i v úvodních kurzech.
- Nástroje jsou dostupné přímo v ArcGIS.
- Zamyslete se, jak a zda je umělá inteligence vhodnou volbou pro probírané téma.
Podívejte se na níže uvedené zdroje, které mohou být užitečné při výuce a studentům usnadnit učení. Podělte se v komentářích o další tipy, které by mohly být užitečné.
- Začínáme
- Výukové materiály a Esri Academy (hledejte výrazy AI, GeoAI, asistenti AI nebo příklady série výukových materiálů)
- Dokumentace a ukázkové balíčky
Pokud si chcete promluvit s někým osobně, neváhejte nás kontaktovat:
- Spojené státy
- Mimo Spojené státy