Veuillez profiter de l'enregistrement Esri Pipeline du webinaire intitulé, "Merging Location and Artificial Intelligence," qui a eu lieu le 7 avril 2020.
Vous trouverez ci-dessous une sélection de questions et réponses de la session du webinaire. Merci.
QUESTION : L'entraînement/apprentissage de l'AI se fait-il une tâche à la fois ou peut-on imbriquer ou construire les tâches d'apprentissage ?
RÉPONSE : Cela dépend des tâches d'apprentissage que vous souhaitez coupler - entraîner un modèle pour classifier divers animaux comme les chats et les chiens peut être un modèle unique (vous n'avez pas besoin d'un modèle chat, d'un modèle chien, etc.) - mais pour un modèle qui effectue deux types différents de tâches, généralement la réponse est non. La sélection de l'architecture du modèle est importante pour un cas d'utilisation donné et les architectures ne peuvent pas être fusionnées, donc généralement les tâches de nature différente doivent être séparées.
Par exemple, la classification des pixels avec une haute précision a été réalisée efficacement en utilisant UNet et la détection d'objets a une excellente performance avec ResNet. Il n'est pas possible de fusionner ces architectures et d'avoir un seul modèle qui effectue les tâches, mais vous pouvez appeler séquentiellement les modèles entraînés pour effectuer leurs tâches individuelles telles que l'utilisation d'un modèle de détection d'objets pour détecter un well pad puis pointer un modèle de classification des pixels sur le sous-ensemble de l'image qui est le well pad pour identifier l'équipement d'actif comme les réservoirs et batteries.
QUESTION : Existe-t-il une bibliothèque de scripts d'entraînement GeoAI pouvant être utilisée, ou les utilisateurs devront-ils programmer tous les scripts uniques à chaque fois ?
RÉPONSE : Cela dépend de ce que l'on entend par "script d'entraînement." Il y a trois points à noter :
- Le processus réel d'entraînement d'un modèle se fait en deux lignes de code dans l'ArcGIS API for Python – choisir une architecture de modèle, appeler la méthode model.fit sur l'architecture instanciée et cela produira un modèle entraîné.
- Le processus d'entraînement dans ArcGIS Pro ne nécessite aucun script – Export Training Data for Deep Learning, Train Deep Learning Model, et Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning sont tous des outils de géotraitement ArcGIS Pro et ceux-ci pourraient être intégrés dans un flux de travail automatisé si vos données supportent cette facilité d'utilisation.
- Il existe des exemples pour l'ArcGIS API for Python sur developers.arcgis.com, y compris un dépôt GitHub rempli de Jupyter Notebooks. Tous ne concernent pas le machine learning, mais plusieurs le font. Cela dit, adapter ces exemples à votre jeu de données et paramètres, votre architecture de modèle, votre cas d'utilisation sera généralement toujours nécessaire.
QUESTION : Existe-t-il des tutoriels en ligne gratuits pour ce flux de travail ?
RÉPONSE : Oui ! Consultez le MOOC ArcGIS Spatial Data Science sur Esri Academy. Il contient beaucoup de ressources excellentes pour le processus AI/ML depuis l'ingénierie des données jusqu'au développement du modèle en passant par la visualisation et le partage des données. Vous pouvez également trouver des exemples pour l'API Python sur developers.arcgis.com, dont plusieurs démontrent nos capacités en machine learning. Pour les cas d'utilisation spécifiques démontrés dans la vidéo, il n'existe pas de tutoriels pas à pas, mais il y a des articles qui décrivent les flux de travail en détail technique sur medium.com/geoai.
QUESTION : Les autres modèles de données pipeline comme PODS sont-ils supportés ?
RÉPONSE : Oui, tous les modèles de données industriels comme PODS et UPDM sont supportés tant qu'ils sont spatialisés
QUESTION : Existe-t-il un moyen d'obtenir une licence d'évaluation pour l'extension "ArcGIS Image Analyst" ?
RÉPONSE : Oui, nous pouvons offrir une licence d'évaluation standard pour Image Analyst ; veuillez contacter Jeff Allen pour plus de détails.
QUESTION : Quel est le rôle des Linked data dans l'analyse spatiale ?
RÉPONSE : Les Linked data est un terme technique qui fait référence à une méthode spécifique de publication de jeux de données interconnectés sur le web afin de permettre des requêtes sémantiques plus efficaces, permettant aux applications d'utiliser plus efficacement les morceaux de données en les connectant à d'autres morceaux et ainsi inférer du sens ou une logique à partir de ces morceaux de données. Un bon exemple (et une implémentation courante des linked data) serait tout graphe de connaissances.
En analyse spatiale, vous pourriez utiliser une structure de données graphe qui représente un jeu de données lié pour connecter le sens sémantique avec la localisation. Cela pourrait être aussi simple qu'associer des coordonnées XY avec un nom de lieu ou aussi complexe qu'utiliser une combinaison de localisation, métadonnées communicationnelles et informations financières pour établir des relations entre personnes (comme c'est un cas d'utilisation courant dans la communauté défense/intelligence/forces de l'ordre). Ceci est parfois appelé analyse par liens ou analyse réseau et les composants spatiaux sous-tendent ce processus analytique.
QUESTION : Serait-il possible d'automatiser l'analyse HCA en utilisant le machine learning ?
RÉSPONSE :
Oui, le machine learning peut être utilisé pour détecter des bâtiments et autres emplacements où les fuites dans les pipelines pourraient avoir des conséquences plus graves sur la santé et la sécurité ou l'environnement.
QUESTION :
Ces modèles sont-ils disponibles pour que nous puissions les utiliser ?
RÉSPONSE:
Les architectures de modèles ont été construites et sont disponibles pour utilisation dans l'ArcGIS API for Python dans le sous-module arcgis.learn afin que vous puissiez entraîner sur vos propres jeux de données. Cependant, les modèles qui ont été entraînés pour effectuer des tâches spécifiques comme détecter des well pads ou construire des réseaux routiers ne sont pas librement disponibles. Si vous souhaitez qu'Esri fournisse un modèle entraîné pour effectuer une tâche spécifique, contactez-nous et nous pouvons discuter vos besoins - nous fournissons couramment ce service à nos clients.
QUESTION :
Pouvez-vous s'il vous plaît partager cette présentation avec moi ?
RÉSPONSE :
Oui, nous avons inclus un lien vers l'enregistrement du webinaire. Si vous souhaitez un PDF des diapositives il peut être consulté
ici.
QUESTION :
Quel est le meilleur UPDM ou PODS ?
RÉSPONSE :
Les outils Esri pipeline data management sont agnostiques au modèle pipeline data model. Il y a plusieurs raisons pour lesquelles un opérateur peut choisir un modèle standard industriel plutôt qu'un autre. Veuillez contacter
Jeff Allen informations sur la manière dont ces modèles sont déployés avec succès dans l'industrie.<\/SPAN><\/P>
<\/SPAN><\/P>QUESTION :<\/STRONG><\/SPAN> Esri dispose-t-il d'un modèle de données pour les installations ; par exemple, gestion des bâtiments, des actifs, de la retraite, etc., où je peux télécharger le xml ? <\/SPAN><\/P>RÉPONSE :<\/STRONG><\/SPAN> Oui, le modèle de données pour les installations d'Esri est UPDM et il peut être téléchargé <\/SPAN>ici<\/A><\/SPAN><\/P> <\/SPAN><\/P>QUESTION :<\/STRONG><\/SPAN> Avez-vous des exemples d'application réussie de ces techniques aux données du fond marin ? Les résultats des <\/SPAN>multibeam<\/SPAN> produisent des ensembles de points étendus. Nous traitons uniquement des pipelines sous-marins mais disposons tout de même de grands ensembles de données.<\/SPAN><\/P>RÉPONSE :<\/STRONG><\/SPAN> Bien que nous n'ayons pas actuellement d'exemple d'application de ces algorithmes d'apprentissage automatique aux données d'enquête multibeam sous-marines, nous avons réussi à appliquer ces techniques d'apprentissage automatique à un large éventail de jeux de données lidar et autres basés sur des capteurs. N'hésitez pas à nous contacter si vous souhaitez explorer davantage ce cas d'utilisation.<\/SPAN><\/P> <\/SPAN><\/P>
