Geniet van de Esri Pipeline opname van het webinar getiteld "Merging Location and Artificial Intelligence," gehouden op 7 april 2020.
Hieronder vindt u geselecteerde vragen en antwoorden uit de webinarsessie. Dank u.
VRAAG: Is de AI training/learning één taak tegelijk of kunt u de leertaken nesten of opbouwen?
ANTWOORD: Het hangt ervan af welke leertaken u gekoppeld wilt hebben - het trainen van een model om verschillende dieren zoals katten en honden te classificeren kan met één model (u heeft geen katmodel, hondmodel, enzovoort nodig) - maar voor een model dat twee verschillende soorten taken uitvoert, is het antwoord over het algemeen nee. De keuze van modelarchitectuur is belangrijk voor een gegeven gebruiksgeval en de architecturen kunnen niet worden samengevoegd, dus over het algemeen moeten taken van een ander soort gescheiden zijn.
Bijvoorbeeld, pixelclassificatie met hoge nauwkeurigheid is efficiënt bereikt met UNet en objectdetectie presteert uitstekend met ResNet. Het is niet mogelijk deze architecturen te combineren en één model beide taken te laten uitvoeren, maar u kunt wel achtereenvolgens de getrainde modellen aanroepen om hun individuele taken uit te voeren, zoals het gebruik van een objectdetectiemodel om een well pad te detecteren en vervolgens een pixelclassificatiemodel richten op het deel van de afbeelding dat het well pad is om assetapparatuur zoals tanks en batterijen te identificeren.
VRAAG: Is er een pool van GeoAI trainingsscripts die gebruikt kunnen worden, of moeten gebruikers altijd alle unieke scripts zelf programmeren?
ANTWOORD: Het hangt ervan af wat er wordt bedoeld met "training script." Er zijn drie dingen om op te merken:
- Het proces van het daadwerkelijk trainen van een model bestaat uit twee regels code in de ArcGIS API for Python – kies een modelarchitectuur, roep de model.fit-methode aan op de geïnstantieerde architectuur en dat levert een getraind model op.
- Het trainingsproces in ArcGIS Pro vereist geen scripting – Export Training Data for Deep Learning, Train Deep Learning Model, en Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning zijn allemaal ArcGIS Pro geoprocessing tools en deze kunnen in een workflow worden geplaatst die geautomatiseerd kan worden als uw data dat gebruiksgemak ondersteunt.
- Er zijn voorbeelden voor de ArcGIS API for Python op developers.arcgis.com, inclusief een GitHub repository vol Jupyter Notebooks. Niet al deze voorbeelden zijn machine learning, maar verschillende wel. Dat gezegd hebbende zal het aanpassen hiervan aan uw dataset en parameters, uw modelarchitectuur, uw gebruiksgeval over het algemeen altijd noodzakelijk zijn.
VRAAG: Zijn er gratis online tutorials voor deze workflow?
ANTWOORD: Ja! Bekijk de ArcGIS Spatial Data Science MOOC op de Esri Academy. Deze bevat veel geweldige bronnen voor het AI/ML-proces van data-engineering tot modelontwikkeling tot datavisualisatie en delen. U kunt ook voorbeelden vinden voor de Python API op developers.arcgis.com, waarvan er verschillende onze machine learning mogelijkheden demonstreren. Voor de specifieke use cases die in de video worden getoond, zijn er geen tutorial-achtige walkthroughs, maar er zijn artikelen die de workflows technisch in detail beschrijven op medium.com/geoai.
VRAAG: Worden andere pipeline datamodellen zoals PODS ondersteund?
ANTWOORD: Ja, elk van de industriële datamodellen zoals PODS en UPDM worden ondersteund zolang ze gespatialiseerd zijn
VRAAG: Is er een manier om een evaluatielicentie te krijgen voor de "ArcGIS Image Analyst" extensie?
ANTWOORD: Ja, we kunnen een standaard evaluatielicentie voor Image Analyst aanbieden; neem contact op met Jeff Allen voor meer details.
VRAAG: Wat is de rol van Linked data in ruimtelijke analyse?
ANTWOORD: Linked data is een technische term die verwijst naar een specifieke methode om onderling verbonden datasets op het web te publiceren om effectievere semantische query's mogelijk te maken, waardoor applicaties gegevensstukken effectiever kunnen gebruiken door ze te verbinden met andere gegevensstukken en zo betekenis of logica uit die gegevensstukken kunnen afleiden. Een goed voorbeeld hiervan (en een veelvoorkomende implementatie van linked data) is elke knowledge graph.
In ruimtelijke analyse kunt u een grafiekgegevensstructuur gebruiken die een linked dataset vertegenwoordigt om semantische betekenis met locatie te verbinden. Dit kan zo eenvoudig zijn als het koppelen van XY-coördinaten aan een plaatsnaam of zo complex als het gebruik van een combinatie van locatie-, communicatiemetagegevens en financiële informatie om relaties tussen mensen vast te stellen (zoals vaak voorkomt in defensie-/intelligentie-/wetshandhavingsgemeenschappen). Dit wordt soms linkanalyse of netwerkanalyse genoemd en ruimtelijke componenten liggen ten grondslag aan dat analytische proces.
<\/P>
<\/SPAN><\/P>VRAAG:<\/STRONG><\/SPAN> Heeft Esri een facility data model; bijvoorbeeld voor het beheren van gebouwen, assets, buitengebruikstelling, enz., waar ik de xml kan downloaden? <\/SPAN><\/P>ANTWOORD:<\/STRONG><\/SPAN> Ja, het Esri facility data model is UPDM en het kan worden gedownload <\/SPAN>hier<\/A><\/SPAN><\/P> <\/SPAN><\/P>VRAAG:<\/STRONG><\/SPAN> Heeft u voorbeelden van het succesvol toepassen van deze technieken op zeebodemgegevens? De resultaten van de <\/SPAN>multibeam<\/SPAN> onderzoeken leveren uitgebreide puntensets op. Wij houden ons alleen bezig met onderzeese pijpleidingen maar hebben nog steeds grote datasets.<\/SPAN><\/P>ANTWOORD:<\/STRONG><\/SPAN> Hoewel we momenteel geen voorbeeld hebben van het toepassen van deze machine learning-algoritmen op subsea multibeam survey data, zijn we wel succesvol geweest in het toepassen van deze machine learning-technieken op een breed scala aan lidar- en andere sensor-gebaseerde datasets. Neem contact met ons op als u deze use case verder wilt verkennen.<\/SPAN><\/P> <\/SPAN><\/P>
