Bitte genießen Sie die Esri Pipeline-Aufzeichnung des Webinars mit dem Titel „Merging Location and Artificial Intelligence“, das am 7. April 2020 stattfand.
Unten finden Sie ausgewählte Fragen und Antworten aus der Webinar-Sitzung. Vielen Dank.
FRAGE: Ist das AI-Training/Lernen eine Aufgabe nach der anderen oder können Lernaufgaben verschachtelt oder aufgebaut werden?
ANTWORT: Es hängt davon ab, welche Lernaufgaben gekoppelt werden sollen – das Trainieren eines Modells zur Klassifizierung verschiedener Tiere wie Katzen und Hunde kann ein einzelnes Modell sein (Sie benötigen kein Katzenmodell, kein Hundemodell usw.) – aber für ein Modell, das zwei verschiedene Arten von Aufgaben ausführt, ist die Antwort im Allgemeinen nein. Die Auswahl der Modellarchitektur ist für einen bestimmten Anwendungsfall wichtig, und die Architekturen können nicht verschmolzen werden, daher sollten Aufgaben unterschiedlicher Art in der Regel getrennt sein.
Zum Beispiel wurde eine Pixelklassifikation mit hoher Genauigkeit effizient mit UNet erreicht, und Objekterkennung erzielt mit ResNet eine hervorragende Leistung. Es ist nicht möglich, diese Architekturen zu verschmelzen und ein einzelnes Modell die Aufgaben ausführen zu lassen, aber Sie könnten die trainierten Modelle nacheinander aufrufen, um ihre einzelnen Aufgaben auszuführen, z.B. ein Objekterkennungsmodell verwenden, um eine Bohrstelle zu erkennen, und dann ein Pixelklassifikationsmodell auf den Bildausschnitt der Bohrstelle richten, um Anlagen wie Tanks und Batterien zu identifizieren.
FRAGE: Gibt es einen Pool von GeoAI-Trainingsskripten, die verwendet werden können, oder müssen Benutzer alle einzigartigen Skripte immer selbst programmieren?
ANTWORT: Es kommt darauf an, was mit „Trainingsskript“ gemeint ist. Es gibt drei Dinge zu beachten:
- Der Prozess des eigentlichen Trainings eines Modells besteht aus zwei Codezeilen in der ArcGIS API for Python – wählen Sie eine Modellarchitektur aus, rufen Sie die Methode model.fit für die instanziierte Architektur auf, und das gibt ein trainiertes Modell aus.
- Der Trainingsprozess in ArcGIS Pro erfordert kein Scripting – Export Training Data for Deep Learning, Train Deep Learning Model und Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning sind alle Geoverarbeitungswerkzeuge von ArcGIS Pro und könnten in einen automatisierten Workflow eingebunden werden, wenn Ihre Daten diese Benutzerfreundlichkeit unterstützen.
- Es gibt Beispiele für die ArcGIS API for Python auf developers.arcgis.com, einschließlich eines GitHub-Repositories voller Jupyter Notebooks. Nicht alle davon sind maschinelles Lernen, aber mehrere schon. Dennoch ist es in der Regel immer notwendig, diese an Ihren Datensatz und Ihre Parameter, Ihre Modellarchitektur und Ihren Anwendungsfall anzupassen.
FRAGE: Gibt es kostenlose Online-Tutorials für diesen Workflow?
ANTWORT: Ja! Schauen Sie sich den ArcGIS Spatial Data Science MOOC auf der Esri Academy an. Dieser bietet viele großartige Ressourcen für den AI/ML-Prozess von Datenengineering über Modellentwicklung bis hin zu Datenvisualisierung und -freigabe. Sie finden auch Beispiele für die Python API auf developers.arcgis.com, von denen mehrere unsere Fähigkeiten im maschinellen Lernen demonstrieren. Für die im Video gezeigten spezifischen Anwendungsfälle gibt es keine tutorialartigen Durchgänge, aber es gibt Artikel, die die Workflows technisch detailliert unter medium.com/geoai beschreiben.
FRAGE: Werden andere Pipeline-Datenmodelle wie PODS unterstützt?
ANTWORT: Ja, alle Industriestandards wie PODS und UPDM werden unterstützt, solange sie räumlich dargestellt sind
FRAGE: Gibt es eine Möglichkeit, eine Evaluierungslizenz für die Erweiterung "ArcGIS Image Analyst" zu erhalten?
ANTWORT: Ja, wir können eine Standard-Evaluierungslizenz für Image Analyst anbieten; bitte wenden Sie sich an Jeff Allen für weitere Details.
FRAGE:<\/P> <\/SPAN><\/P>FRAGE:<\/STRONG><\/SPAN> Verfügt Esri über ein Facility-Datenmodell; z.B. zur Verwaltung von Gebäuden, Anlagen, Stilllegung usw., wo ich die xml herunterladen kann? <\/SPAN><\/P>ANTWORT:<\/STRONG><\/SPAN> Ja, das Esri Facility-Datenmodell ist UPDM und kann <\/SPAN>hier heruntergeladen werden.<\/SPAN><\/P> <\/SPAN><\/P>FRAGE:<\/STRONG><\/SPAN> Haben Sie Beispiele für die erfolgreiche Anwendung dieser Techniken auf seabed-Daten? Die Ergebnisse der <\/SPAN>multibeam<\/SPAN> Vermessungen erzeugen umfangreiche Punktmengen. Wir beschäftigen uns nur mit Unterwasserpipelines, haben aber dennoch große Datensätze.<\/SPAN><\/P>ANTWORT:<\/STRONG><\/SPAN> Obwohl wir derzeit kein Beispiel für die Anwendung dieser machine learning-Algorithmen auf subsea multibeam-Vermessungsdaten haben, hatten wir Erfolg bei der Anwendung dieser machine learning-Techniken auf eine Vielzahl von Lidar- und anderen sensorbasierten Datensätzen. Bitte kontaktieren Sie uns, wenn Sie diesen Anwendungsfall weiter erkunden möchten.<\/SPAN><\/P> <\/SPAN><\/P>
