Zweck des Blogs
KI kann unsere Arbeitsweise tiefgreifend verändern. In diesem Blog erfahren Sie, wie Sie mit Geospatial AI in ArcGIS unterrichten können – wo sie sich in den Lehrplan integrieren lässt, welche Ressourcen verfügbar sind und welche Einschränkungen möglich sind.
Es handelt sich um eine Reihe von 4 Blogs:
Wie fange ich an?
- Pädagogische Ansätze und Lernziele unterscheiden sich – sehen Sie sich die in dieser Blogreihe aufgeführten Ressourcen an, um Anregungen dafür zu erhalten, was für Sie geeignet sein könnte. Für alle, die Bücher bevorzugen: Esri Press hat gerade „Exploring GeoAI: Tools and Workflows“ veröffentlicht (siehe Referenz unten), das Schritt-für-Schritt-Übungen enthält. Ziehen Sie die Verwendung aufgabenspezifischer vortrainierter Modelle aus dem ArcGIS Living Atlas sowie Tutorials und Kurse des ArcGIS-Tutorials-Teams und der Esri Academy in Betracht.
- Überlegen Sie, wie Sie Themen priorisieren oder bestehende Inhalte mit KI-Beispielen ergänzen können – in einem Kurs könnten Sie vor der Herausforderung stehen: „Zu viele Inhalte – wo soll ich KI einbauen?“ Überlegen Sie daher, wie sich bestehende Themen und Konzepte durch GeoAI-Ansätze erweitern lassen. Ein Beispiel ist der Vergleich der Feature-Extraktion mit traditionellen Methoden und Methoden des Deep Learning.
- Denken Sie an Voraussetzungen und Grundlagenwissen – es ist wichtig, dass Studierende grundlegende Konzepte verstehen, bevor sie Geospatial-AI-Werkzeuge einsetzen. Das hängt stark von den Kurszielen ab; berücksichtigen Sie daher die Voraussetzungen frühzeitig, bevor Sie Materialien ändern.
- Sollten Studierende über grundlegende Kenntnisse in der Fernerkundungsanalyse und -technologie verfügen (z. B. Optik, Physik, Plattformen)?
- Sollten Studierende Programmierkenntnisse haben?
- Sollten Studierende Statistikkenntnisse haben?
- Die Antwort lautet normalerweise auf alle diese Fragen: ja.
Zu beachten
- Verwenden Sie als Machbarkeitsnachweis einen kleineren Datensatz – testen Sie Modelle in kleinen Gebieten und übertragen Sie die Erkenntnisse dann darauf, was für die Analyse größerer Gebiete erforderlich wäre. Der erfolgreiche Einsatz vortrainierter Modelle hängt von mehreren Faktoren ab. Entscheidend sind zunächst die verwendeten Daten. Am besten eignen sich Daten, die hinsichtlich Typ, Auflösung und Standort den Trainingsdaten ähneln.
- Rechnen Sie mit mehreren Versuchen– ein Durchlauf liefert möglicherweise keine zufriedenstellenden Ergebnisse; normalerweise sind mehrere Versuche nötig. Verbesserungen lassen sich durch Techniken wie manuelle Bearbeitung, erneutes Trainieren des Modells, Transferlernen oder das Ausprobieren anderer Deep-Learning-Modelle erzielen.
- Stellen Sie sicher, dass Studierende die Grenzen des KI-Einsatzes beim Lernen verstehen – es ist wichtig, einen gesunden kritischen Blick auf Daten und Ergebnisse zu entwickeln, die mit KI-Werkzeugen erzeugt wurden. Die Ergebnisse mögen schneller vorliegen, aber sind sie besser oder überhaupt korrekt?
Governance, Compliance und Ethik
Prüfen Sie die Richtlinien und Ressourcen Ihrer Institution, da es erhebliche Unterschiede und verschiedene Empfehlungen zum Einsatz von KI gibt.
- Prüfen Sie die KI-Ressourcen Ihrer Institution (sofern vorhanden) – manche Institutionen bieten beispielsweise die folgenden Empfehlungen an.
- KI-Leitlinien, zugelassene KI-Tools und KI-Schulungen
- KI-Projekt-Checkliste zum Erfassen von Informationen über KI-Projekte
- Links zu externen KI-Workshops und Webinaren
- Community-Bereich zum Thema KI, in dem Erfahrungen, Herausforderungen und Lösungen zum Unterrichten mit KI geteilt, gelernt und diskutiert werden können.
- Stellen Sie Studierenden konkrete Handlungsanweisungen und Schutzmaßnahmen zur Verfügung (Beispiele siehe unten).
- Beispiele für Haftungsausschlüsse in Lehrplänen, in denen die Verantwortung der Nutzer, die ethische Nutzung, Datensicherheit und Datenschutz, mögliche Risiken sowie Unterstützung erläutert werden. Auch hier gibt es von Institution zu Institution Unterschiede.
- IT-Risikobewertungsverfahren (Checklisten, Abläufe) – auch diese unterscheiden sich je nach Institution.
- Richtlinien auf Abteilungs- oder Institutionsebene.
- Manche Institutionen wenden Richtlinien an, die für alle gelten oder nur dann, wenn bestimmte Bedingungen erfüllt sind, etwa beim Zugriff auf die Systeme der Institution, bei Anmeldungen und Authentifizierung oder beim physischen Hosting von Daten auf IT-Systemen der Institution usw.
Technologie/Hardware
Berücksichtigen Sie bei bestimmten Prozessen und Arbeitsabläufen die erforderlichen Hardwareanforderungen:
- Die GPU-Anforderungen sollten berücksichtigt werden (sind die GIS-Laborcomputer auf dem neuesten Stand?)
- Der Zugang zu Hardware sollte vor dem Einsatz im Unterricht bedacht werden (arbeiten die Studierenden beispielsweise in Computerräumen oder auf eigenen Computern?)
- Für die Verwendung von Deep Learning in ArcGIS Pro müssen zusätzliche Bibliotheken installiert werden, bevor die Werkzeuge genutzt werden können.
- ArcGIS Online unterstützt ebenfalls GeoAI. Allerdings sollten mögliche Netzwerkengpässe berücksichtigt werden, wenn beispielsweise 20 Studierende auf dasselbe Modell zugreifen.
Ressourcen und Anlaufstellen für Unterstützung
Sehen Sie sich gerne auch die anderen Blogs dieser Reihe an:
Wichtige Punkte für die nächsten Schritte:
- Keine Angst – der Einstieg ist einfach, auch in Einführungskursen.
- Die Tools sind leicht zugänglich und bereits in ArcGIS enthalten.
- Überlegen Sie, ob und wie KI für die vermittelten Inhalte geeignet ist.
Sehen Sie sich die folgenden Ressourcen an. Sie können im Unterricht hilfreich sein und Studierenden das Lernen erleichtern. Gerne können Sie kommentieren, was sonst noch hilfreich sein könnte.
- Erste Schritte
- Tutorials und Esri Academy (suchen Sie nach KI, GeoAI, KI-Assistenten und beispielhaften Tutorialreihen)
- Dokumentation und Beispielpakete
Wenn Sie mit einer Person sprechen möchten, wenden Sie sich bitte an:
- Vereinigte Staaten
- Außerhalb der Vereinigten Staaten