O local de trabalho de IA e o Fluxo de Trabalho Deep Learning do ArcGIS

KelleyArroyo

Autoria de: <\/SPAN>Steve Snow<\/A><\/H3>

Especialista Sênior em Estratégia para o Setor Governamental Nacional da Esri<\/P>

Parte 4 de uma série de 7 partes explorando GIS e Inteligência Artificial<\/STRONG><\/EM><\/P> <\/P>Bem-vindo à parte 4 da minha Série AI e GeoAI que abordará os aspectos mais técnicos do GeoAI e ArcGIS. Anteriormente, a parte 1 desta série cobriu os Impactos Futuros da AI no Mapeamento e Modernização, que introduziu o conceito de GeoAI e por que você deve se importar em ter uma AI como colega de trabalho no futuro. A parte 2 da série, GIS, Inteligência Artificial e Automação no Local de Trabalho, abordou profissões geoespaciais específicas que serão drasticamente afetadas pela introdução da tecnologia GeoAI no ambiente de trabalho. A parte 3 tratou do Trabalho em Equipe com a Máquina - AI no local de trabalho, o surgimento do novo relacionamento geoespacial entre informação, humanos e inteligência artificial para ser bem-sucedido na missão de uma organização.<\/P>Para a parte 4, abordaremos 3 áreas específicas do GeoAI no ArcGIS que ajudarão você em sua jornada para desenvolver seus fluxos de trabalho de Deep Learning.<\/P>Ferramentas para Gerar Dados de Treinamento<\/LI>Ferramentas & APIs para Treinamento de Modelos<\/LI>Ferramentas para realizar inferência, como detecção de objetos, classificação de cobertura do solo e mais...<\/LI><\/UL><\/span><\/P> <\/P>

Ferramentas para Gerar Dados de Treinamento<\/H3>O ArcGIS possui muitas ferramentas que auxiliam nos fluxos de trabalho GeoAI para preparação e análise de dados, treinamento de modelos deep learning, inferência e compartilhamento de dados para colaboração com serviços web e mapas. As ferramentas para criar treinamento AI podem ser encontradas no ArcGIS Pro Image Analyst e ArcGIS Image Server. O ArcGIS Image Analyst possui ferramentas para rotular objetos e exportar modelos de treinamento para deep learning e usar modelos treinados para extração ou classificação de feições. O ArcGIS Image Server no ArcGIS Enterprise 10.7 e superior possui as mesmas capacidades e permite escalabilidade por meio da computação distribuída usando nuvens on premise, off premise ou abordagens híbridas.<\/P>Além do uso das ferramentas pré-construídas dentro dos produtos ArcGIS, os usuários também podem trabalhar por meio de scripts e notebooks.<\/P><\/span><\/P> <\/P>Ferramentas & APIs para Treinamento de Modelos<\/H3>O treinamento de modelos pode ser feito através dos notebooks do ArcGIS, da API ArcGIS Learn ou no ArcGIS Pro. ArcGIS Notebooks<\/A><\/STRONG> permitem acesso com um clique a Jupyter Notebooks pré-configurados. Isso inclui bibliotecas deep learning que economizam tempo usando uma galeria de notebooks pré-configurados que contêm modelos deep learning para fácil treinamento e implantação.<\/P>

O

arcgis.learn<\/A><\/STRONG> é um módulo na API ArcGIS para Python que permite às organizações adotar e aplicar deep learning facilmente em seus fluxos de trabalho. arcgis.learn<\/A><\/STRONG> possibilita o treinamento simples e intuitivo dos modelos deep learning mais avançados. arcgis.learn<\/A><\/STRONG> permite um treinamento muito mais rápido e elimina as suposições no processo. Ele se integra perfeitamente à plataforma ArcGIS consumindo diretamente as amostras exportadas para treinamento, e os modelos criados podem ser usados diretamente para inferência no ArcGIS Pro e ArcGIS Image Server.<\/P>

Usuários do ArcGIS Pro podem utilizar métodos Deep Learning para classificação de dados sensoriados remotamente. Classificação por pixel, classificação de imagem, classificação e detecção de objetos podem ser feitas com o ArcGIS Pro. Informações mais detalhadas podem ser encontradas nas páginas de ajuda

deep learning no ArcGIS Pro<\/A><\/STRONG>. Isso significa que com notebooks disponíveis no ArcGIS Pro e ArcGIS Online as pessoas podem começar a experimentar Deep Learning na área Desktop.<\/P>

Uma área empolgante usando o ArcGIS para treinamento é aproveitar modelos pré-treinados. Se você estiver interessado nessas capacidades, confira o seguinte documento sobre modelos deep learning treinados e suas bases nos parâmetros model_type e backbone_model:

Treinar Modelo Deep Learning<\/A><\/STRONG>.<\/P>

 <\/P>

Inferência – minha organização deve usar ArcGIS Image Analyst ou ArcGIS Image Server?<\/H3>A inferência é o processo de aplicar o modelo treinado, desenvolvido a partir dos dados de treinamento, contra um conjunto de dados novo ou não utilizado anteriormente para criar um novo conjunto de anotações e rotulagem. O ArcGIS tem sido utilizado há muito tempo para capacidades e ferramentas de machine learning. Pode ser usado para resolver uma variedade de problemas geoespaciais, como identificação de objetos e classificação de imagens.<\/P>Com deep learning no ArcGIS, as ferramentas estão disponíveis tanto no ArcGIS Image Analyst quanto no ArcGIS Image Server, que faz parte do ArcGIS Enterprise. Você pode estar se perguntando quando deve usar a) ArcGIS Image Analyst vs b) ArcGIS Image Server para inferência?<\/P> <\/P>Inferência com ArcGIS Pro Image Analyst<\/H3>Se você não tem acesso ao ArcGIS Enterprise, pode usar o ArcGIS Image Analyst<\/A><\strong> (desktop) para fazer a inferência/processamento com uma placa gráfica destinada ao deep learning. O ArcGIS Image Analyst funciona bem com projetos em tamanho médio, mas para projetos maiores a equipe tem a opção de escalar seus fluxos de trabalho para conjuntos maiores usando o ArcGIS Image Server<\A>.<\p>
 <\p>
Inferência com ArcGIS Image Server<\h3>
A automação da detecção de objetos leva tempo. Quando seu projeto não é pequeno e você precisa escalar e otimizar suas operações AI, então o ArcGIS Image Server deve ser usado ao executar trabalhos grandes. Usar o ArcGIS Imager Server será sempre a opção mais rápida e eficiente. Um benefício adicional do uso do ArcGIS Image Server para inferência será compartilhar saídas inferidas acessíveis diretamente através da sua própria infraestrutura espacial dentro e fora da organização.<\p>
Se você tem uma GPU avançada e precisa de mais dicas sobre quando usar o ArcGIS Pro vs ArcGIS Enterprise recomendo ler este ótimo artigo Qual é melhor para deep learning: ArcGIS Pro ou ArcGIS Enterprise? dos meus colegas da Esri Vinay Vishwambharan e Emily Windahl.<\p>
 <\p>
Ferramentas – algumas ferramentas populares para inferência<\h3>
Ferramentas para inferência<\p>
Classificar Pixels Usando Deep Learning - Em uma implantação raster analysis, esta ferramenta executa um modelo deep learning treinado em uma imagem entrada para produzir um raster classificado publicado como uma camada hospedada em seu portal.<\p>

 

Detecção de Objetos Usando Deep Learning - Em uma implantação raster analysis, esta ferramenta executa um modelo deep learning treinado em um raster entrada para produzir uma classe de feição contendo os objetos identificados. A classe pode ser compartilhada como uma camada de feição hospedada no seu portal. As feições podem ser caixas delimitadoras ou polígonos ao redor dos objetos encontrados, ou pontos nos centros dos objetos.<\/LI><\/UL><\/span><\/P> <\/P> <\/P>Non-Maximum Suppression<\/A><\/STRONG> - Identifica feições duplicadas a partir da saída da ferramenta Detect Objects Using Deep Learning como uma etapa de pós-processamento e cria uma nova saída sem feições duplicadas. A ferramenta Detect Objects Using Deep Learning pode retornar mais de uma caixa delimitadora ou polígono para o mesmo objeto, especialmente como um efeito colateral do tiling. Se duas feições se sobrepuserem mais do que uma determinada razão máxima, a feição com o valor de confiança menor será removida.<\/LI><\/UL>

<\/span><\/P> <\/P>Gostaria de agradecer a todos por acompanharem esta série. Para a parte 5 da próxima edição, focarei em Providing National Scalability 93 Modernizing National Mapping Capabilities with AI and National 3D Basemaps.<\/P>Se você perdeu as 3 seções anteriores desta série de 7 partes, sinta-se à vontade para visitar os artigos anteriores.<\/P>

Parte 1: Future Impacts by AI on Mapping and Modernization<\/A><\/P>

Parte 2: GIS, Artificial Intelligence, and Automation in the Workplace<\/A><\/P>

Parte 3: Teaming with the Machine: AI in the Workplace<\/A><\/P>

 <\/P>

 <\/P>

 <\/P>

 <\/