GIS, Kunstmatige Intelligentie en Automatisering op de Werkplek

KelleyArroyo

Geschreven door: <\/SPAN>Steve Snow<\/A><\/H3>

Esri Senior National Government Industry Strategy Specialist<\/P>

Deel 2 van een serie van 7 delen die GIS en Kunstmatige Intelligentie onderzoekt<\/STRONG><\/EM><\/P> <\/P>Veel beroepen worden beïnvloed door de introductie van Kunstmatige Intelligentie (AI) op de werkplek. Toekomstige werkgelegenheid en loopbaankeuzes zullen voor altijd veranderen door hoe vatbaar ze zijn voor automatisering en computerisering.<\/P>Een studie die zich richt op de impact van AI en Automatisering op de Werkplek komt van de website Will Robots Take My Job? Deze website is gestart vanuit een rapport van Carl Benedikt Frey en Michael A. Osborne getiteld 1 The Future of Employment: How susceptible are jobs to computerization?7. De auteurs schatten dat ongeveer 47% van de werkgelegenheid in de VS risico loopt door automatisering tegen 2033.<\/P>Wat zorgwekkend is, zijn de AI-automatiseringsinvloeden op georuimtelijk personeel. Met behulp van de interface van de website Will Robots Take my job, werd vastgesteld dat er 4 georuimtelijke functietypen zijn die naar verwachting tegen 2033 worden beïnvloed. De volgende 4 zoekopdrachten naar banen: Civiel Ingenieurs, Geografen, Cartografen en Fotogrammetristen, en Landmeetkundige en Kaarttechnici leverden interessante resultaten op.<\/P>Zoals je kunt zien aan de onderstaande resultaten, hebben Civiel Ingenieurs een waarschijnlijke vervanging van ongeveer 2% en zijn ze veilig voor automatisering. Geografen hebben een hoger vervangingsrisico van 25%. Bij zowel Cartografen en Fotogrammetristen als Landmeetkundige en Kaarttechnici zijn de risico's zeer hoog. Een mogelijke reden hiervoor is dat er sterk herhaalbare workflows zijn die aansluiten bij de sterke punten van een machine zoals GeoAI om te automatiseren.<\/P>De resultaten van onderstaande afbeelding benadrukken waarom AI-vaardigheden in de toekomst belangrijker zullen zijn dan ooit als baanvaardigheid. Ik zal meer behandelen over AI en menselijke teams in Deel 3 van deze serie.<\/P><\/span><\/P> <\/P>

Voorbeeld 1 Automatisering Vandaag (exclusief GeoAI)<\/H3>
Een voorbeeld van automatisering (exclusief GeoAI) op de werkplek is het Nederlandse Kadaster, dat het Nationaal Kadasterbureau van Nederland is. Het Nederlandse Kadaster keek oorspronkelijk naar ArcGIS-automatisering voor hun 1:50.000 kaartserie voor het land. De serie vereiste typisch 28 cartografen en 5 jaar om het systeem handmatig bij te werken. Na implementatie van ArcGIS-automatisering (niet-GeoAI) ging het kadasterbureau terug naar 1 cartograaf met voltooiing van de serie in 3 weken verwerking met een 100% geautomatiseerde aanpak met een infrastructuur van 6 computers die elk 6 CPU's gebruiken. De Return on Investment met ArcGIS was een tijds- en middelenreductie van 5000%. Meer informatie vindt u in het artikel Transforming National Map Production<\/A><\/STRONG>.<\/P>

<\/span><\/H3> <\/P>Voorbeeld 2 Automatisering Vandaag (met GeoAI)<\/H3>
Een tweede voorbeeld van automatisering met GeoAI was door de AAM Group voor Electric Utilities in Australië. Het basisprobleem was hoe handmatige classificatie van Lidar Point clouds te automatiseren. GeoAI werd gebruikt om de Lidar-workflow over een groot geografisch gebied te automatiseren. Na het creëren van de GeoAI-workflow in ArcGIS resulteerde de Return on Investment in een besparing van 50.000 manuren en 5 miljoen dollar op het project! Een van de extra voordelen van het gebruik van GeoAI met ArcGIS was dat gebouwen en vegetatie ook door de AI werden geclassificeerd. Bovendien worden verdere voordelen behaald doordat het GeoAI LiDAR-model nu wordt toegepast op andere projecten. U kunt meer lezen door het artikel PointCNN Replacing 50-000 man hours with AI te lezen.<\/P><\/span><\/P> <\/P>GeoAI in Dynamische Omgevingen<\/H3>Een gebied waar GeoAI in de toekomst een aanwinst zal zijn voor georuimtelijke organisaties is op het gebied van navigatie, zeespiegelstijging, rampen en het voorspellen van kustoverstromingen tijdens stormen. Het mens- en AI-team kan snel feature-extractie uitvoeren uit littorale en kustgebieden waar constante en snelle veranderingen plaatsvinden. Extractie van kustlijn en land-waterinterface is belangrijk voor veel federale, staats- en lokale overheidsinstanties. Momenteel is dit nog grotendeels een handmatig proces, maar een mens- en AI-team zou producten snel kunnen bijwerken om autoritatieve informatie te bieden over snel veranderende omgevingen en situaties.<\/P><\/span><\/P> <\/P>Lees Deel 3 van 7: Samenwerken met de Machine – AI op de Werkplek<\/A><\/P>

 <\/P>

Aanvullende Blogs in de Serie: <\/STRONG><\/P>

Deel 1: Toekomstige Invloeden door AI op Kaartlegging en Modernisering<\/A><\/P>

 <\/