Prosím, užijte si záznam webináře Esri Pipeline s názvem „Merging Location and Artificial Intelligence“, který se konal 7. dubna 2020.
Níže najdete vybrané otázky a odpovědi z webináře. Děkujeme.
OTÁZKA: Je AI trénink/učení jedna úloha najednou, nebo můžete vnořit či sestavit učící úkoly?
ODPOVĚĎ: Záleží na tom, které učící úkoly chcete spojit - trénink modelu pro klasifikaci různých zvířat jako kočky a psi může být jeden model (nemusíte mít model pro kočku, model pro psa atd.) - ale u modelu, který dělá dva různé druhy úkolů, je obecně odpověď ne. Výběr architektury modelu je důležitý pro daný případ použití a architektury nelze sloučit, takže obecně by měly být úkoly různých druhů oddělené.
Například klasifikace pixelů s vysokou přesností byla efektivně dosažena pomocí UNet a detekce objektů má skvělý výkon s ResNet. Není možné tyto architektury sloučit a mít jeden model, který by dělal oba úkoly, ale můžete sekvenčně volat natrénované modely k provedení jejich jednotlivých úkolů, například použít model detekce objektů k detekci vrtné plošiny a pak nasměrovat model klasifikace pixelů na podmnožinu obrazu, která je vrtná plošina, aby identifikoval zařízení jako nádrže a baterie.
OTÁZKA: Existuje sbírka GeoAI tréninkových skriptů, které lze použít, nebo budou uživatelé muset programovat všechny unikátní skripty pokaždé?
ODPOVĚĎ: Záleží na tom, co se myslí „tréninkový skript“. Je třeba poznamenat tři věci:
- Proces skutečného tréninku modelu jsou dva řádky kódu v ArcGIS API for Python – vyberete architekturu modelu, zavoláte metodu model.fit na instanci této architektury a to vytvoří natrénovaný model.
- Tréninkový proces v ArcGIS Pro nevyžaduje žádné skriptování – Export Training Data for Deep Learning, Train Deep Learning Model a Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning jsou všechny geoprocessingové nástroje ArcGIS Pro a ty mohou být vloženy do workflow, které lze automatizovat, pokud vaše data podporují tuto snadnost použití.
- Existují ukázky pro ArcGIS API for Python na developers.arcgis.com, včetně GitHub repozitáře plného Jupyter Notebooků. Ne všechny jsou strojové učení, ale několik jich ano. Nicméně přizpůsobení těchto ukázek vašemu datasetu a parametrům, vaší architektuře modelu a vašemu případu použití bude obecně vždy nutné.
OTÁZKA: Existují bezplatné online tutoriály pro tento workflow?
ODPOVĚĎ: Ano! Podívejte se na ArcGIS Spatial Data Science MOOC na Esri Academy. Tento kurz obsahuje spoustu skvělých zdrojů pro AI/ML proces od datového inženýrství přes vývoj modelu až po vizualizaci dat a sdílení. Také najdete ukázky pro Python API na developers.arcgis.com, z nichž několik demonstruje naše schopnosti strojového učení. Pro konkrétní případy použití demonstrované ve videu nejsou k dispozici tutoriály krok za krokem, ale existují články popisující workflow v technických detailech na medium.com/geoai.
OTÁZKA: Jsou podporovány jiné pipeline datové modely jako PODS?
ODPOVĚĎ: Ano, jakýkoli z průmyslových datových modelů jako PODS a UPDM je podporován za předpokladu, že jsou prostorově lokalizovány
OTÁZKA: Je možné získat evaluační licenci pro rozšíření "ArcGIS Image Analyst"?
ODPOVĚĎ: Ano, můžeme nabídnout standardní evaluační licenci pro Image Analyst; prosím kontaktujte Jeff Allen pro více informací.
OTÁZKA: Jaká je role Linked data v prostorové analýze?
ODPOVĚĎ: Linked data je technický termín označující specifickou metodu publikování propojených datasetů na webu za účelem umožnění efektivnějšího sémantického dotazování, což umožňuje aplikacím efektivněji využívat datové části tím, že je propojují s jinými datovými částmi a tak odvozují význam nebo logiku z těchto datových částí. Dobrou ukázkou toho (a běžnou implementací linked data) je jakýkoli knowledge graph.
V prostorové analýze můžete použít grafovou datovou strukturu reprezentující linked dataset k propojení sémantického významu s lokalitou. To může být tak jednoduché jako přiřazení XY souřadnic k názvu místa nebo tak složité jako použití kombinace lokace, komunikačních metadat a finančních informací k navázání vztahů mezi lidmi (což je běžný případ použití v komunitě obrany/inteligence/policie). Toto se někdy nazývá link analysis nebo network analysis a prostorové komponenty jsou základem tohoto analytického procesu.
OTÁZKA:<\/P> <\/SPAN><\/P>OTÁZKA:<\/STRONG><\/SPAN> Má Esri datový model zařízení; např. správa budov, majetku, vyřazení atd., kde si mohu stáhnout xml? <\/SPAN><\/P>ODPOVĚĎ:<\/STRONG><\/SPAN> Ano, datový model zařízení Esri je UPDM a lze jej stáhnout <\/SPAN>zde<\/A><\/SPAN><\/P> <\/SPAN><\/P>OTÁZKA:<\/STRONG><\/SPAN> Máte nějaké příklady úspěšného použití těchto technik na datech z mořského dna? Výsledky <\/SPAN>multibeam<\/SPAN> průzkumů produkují rozsáhlé množiny bodů. Zabýváme se pouze podmořskými potrubími, ale stále máme velké datové sady.<\/SPAN><\/P>ODPOVĚĎ:<\/STRONG><\/SPAN> Ačkoli v současné době nemáme příklad použití těchto algoritmů strojového učení na data z subsea multibeam průzkumů, měli jsme úspěch při aplikaci těchto technik strojového učení na širokou škálu lidarových a dalších senzorových datových sad. Prosím, kontaktujte nás, pokud byste chtěli tento případ použití dále prozkoumat.<\/SPAN><\/P> <\/SPAN><\/P>
