Por favor, disfrute la grabación de Esri Pipeline del seminario web titulado, "Merging Location and Artificial Intelligence," realizado el 7 de abril de 2020.
A continuación encontrará preguntas y respuestas seleccionadas de la sesión del seminario web. Gracias.
PREGUNTA: ¿El entrenamiento/aprendizaje de AI es una tarea a la vez o se pueden anidar o construir las tareas de aprendizaje?
RESPUESTA: Depende de qué tareas de aprendizaje desee combinar - entrenar un modelo para clasificar varios animales como gatos y perros puede ser un modelo único (no necesita un modelo para gatos, un modelo para perros, etc.) - pero para un modelo que realiza dos tipos diferentes de tareas, generalmente la respuesta es no. La selección de la arquitectura del modelo es importante para un caso de uso dado y las arquitecturas no pueden fusionarse, por lo que generalmente las tareas de diferente tipo deben ser separadas.
Por ejemplo, la clasificación de píxeles con alta precisión se ha logrado eficientemente usando UNet y la detección de objetos tiene un gran rendimiento con ResNet. No es posible fusionar estas arquitecturas y tener un solo modelo que realice las tareas, pero podría llamar secuencialmente a los modelos entrenados para realizar sus tareas individuales, como usar un modelo de detección de objetos para detectar una plataforma de pozo y luego apuntar un modelo de clasificación de píxeles al subconjunto de la imagen que es la plataforma para identificar equipos como tanques y baterías.
PREGUNTA: ¿Existe una colección de scripts de entrenamiento GeoAI que se puedan usar, o los usuarios necesitarán programar todos los scripts únicos todo el tiempo?
RESPUESTA: Depende de lo que se entienda por "script de entrenamiento." Hay tres cosas a destacar:
- El proceso real de entrenar un modelo son dos líneas de código en el ArcGIS API for Python – elegir una arquitectura del modelo, llamar al método model.fit en la arquitectura instanciada y eso generará un modelo entrenado.
- El proceso de entrenamiento en ArcGIS Pro no requiere scripting – Export Training Data for Deep Learning, Train Deep Learning Model y Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning son todas herramientas geoprocesales de ArcGIS Pro y podrían integrarse en un flujo de trabajo automatizado si sus datos permiten esa facilidad de uso.
- Hay ejemplos para el ArcGIS API for Python en developers.arcgis.com, incluyendo un repositorio GitHub lleno de Jupyter Notebooks. No todos son aprendizaje automático, pero varios sí lo son. Dicho esto, adaptar estos a su conjunto de datos y parámetros, su arquitectura del modelo, su caso de uso generalmente siempre será necesario.
PREGUNTA: ¿Existen tutoriales en línea gratuitos para este flujo de trabajo?
RESPUESTA: ¡Sí! Consulte el MOOC ArcGIS Spatial Data Science en Esri Academy. Este tiene muchos recursos excelentes para el proceso AI/ML desde ingeniería de datos hasta desarrollo del modelo y visualización y compartición de datos. También puede encontrar ejemplos para el Python API en developers.arcgis.com, varios de los cuales demuestran nuestras capacidades de aprendizaje automático. Para los casos específicos demostrados en el video, no hay tutoriales paso a paso, pero hay artículos que describen los flujos de trabajo con detalle técnico en medium.com/geoai.
PREGUNTA: ¿Se soportan otros modelos de datos pipeline como PODS?
RESPUESTA: Sí, cualquiera de los modelos estándar industriales como PODS y UPDM son soportados siempre que estén espacializados
PREGUNTA: ¿Hay alguna forma de obtener una licencia de evaluación para la extensión "ArcGIS Image Analyst"?
RESPUESTA: Sí, podemos ofrecer una licencia estándar de evaluación para Image Analyst; por favor contacte a Jeff Allen para más detalles.
PREGUNTA:<\/P> <\/SPAN><\/P>PREGUNTA:<\/STRONG><\/SPAN> ¿Esri tiene un modelo de datos para instalaciones; por ejemplo, gestión de edificios, activos, retiro, etc., donde pueda descargar el xml? <\/SPAN><\/P>RESPUESTA:<\/STRONG><\/SPAN> Sí, el modelo de datos para instalaciones de Esri es UPDM y se puede descargar <\/SPAN>aquí<\/A><\/SPAN><\/P> <\/SPAN><\/P>PREGUNTA:<\/STRONG><\/SPAN> ¿Tiene algún ejemplo de la aplicación exitosa de estas técnicas a datos del lecho marino? Los resultados de las <\/SPAN>multibeam<\/SPAN> producen conjuntos extensos de puntos. Nosotros trabajamos solo con tuberías submarinas pero aún así tenemos grandes conjuntos de datos.<\/SPAN><\/P>RESPUESTA:<\/STRONG><\/SPAN> Aunque actualmente no tenemos un ejemplo de la aplicación de estos algoritmos de machine learning a datos de encuestas multibeam submarinas, hemos tenido éxito aplicando estas técnicas de machine learning a una amplia variedad de conjuntos de datos basados en lidar y otros sensores. Por favor, contáctenos si desea explorar este caso de uso más a fondo.<\/SPAN><\/P> <\/SPAN><\/P>
