Por favor, aproveite a gravação do Esri Pipeline do webinar intitulado, "Merging Location and Artificial Intelligence," realizado em 7 de abril de 2020.
Abaixo você encontrará perguntas e respostas selecionadas da sessão do webinar. Obrigado.
PERGUNTA: O treinamento/aprendizado de AI é uma tarefa por vez ou você pode aninhar ou construir as tarefas de aprendizado?
RESPOSTA: Depende de quais tarefas de aprendizado você gostaria que fossem combinadas - treinar um modelo para classificar vários animais como gatos e cachorros pode ser um modelo único (você não precisa de um modelo para gato, um modelo para cachorro, etc) - mas para um modelo que faz dois tipos diferentes de tarefas, geralmente a resposta é não. A seleção da arquitetura do modelo é importante para um caso de uso específico e as arquiteturas não podem ser fundidas, então geralmente tarefas de tipos diferentes devem ser separadas.
Por exemplo, a classificação de pixels com alta precisão foi alcançada eficientemente usando UNet e a detecção de objetos tem ótimo desempenho com ResNet. Não é possível fundir essas arquiteturas e ter um único modelo realizando as tarefas, mas você poderia chamar sequencialmente os modelos treinados para executar suas tarefas individuais, como usar um modelo de detecção de objetos para detectar uma plataforma de poço e então apontar um modelo de classificação de pixels para o subconjunto da imagem que é a plataforma do poço para identificar equipamentos do ativo como tanques e baterias.
PERGUNTA: Existe um conjunto de scripts de treinamento GeoAI que podem ser usados, ou os usuários precisarão programar todos os scripts únicos o tempo todo?
RESPOSTA: Depende do que se entende por "script de treinamento." Há três coisas a notar:
- O processo real de treinar um modelo são duas linhas de código na ArcGIS API for Python – escolha uma arquitetura de modelo, chame o método model.fit na arquitetura instanciada e isso gerará um modelo treinado.
- O processo de treinamento no ArcGIS Pro não requer scripting – Export Training Data for Deep Learning, Train Deep Learning Model e Detect Objects Using Deep Learning/Classify Pixels Using Deep Learning são todas ferramentas de geoprocessamento do ArcGIS Pro e podem ser colocadas em um fluxo de trabalho automatizado se seus dados suportarem essa facilidade de uso.
- Existem exemplos para a ArcGIS API for Python em developers.arcgis.com, incluindo um repositório GitHub cheio de Jupyter Notebooks. Nem todos são aprendizado de máquina, mas vários deles são. Dito isso, adaptar esses exemplos ao seu conjunto de dados e parâmetros, sua arquitetura de modelo, seu caso de uso geralmente será sempre necessário.
PERGUNTA: Existem tutoriais online gratuitos para esse fluxo de trabalho?
RESPOSTA: Sim! Confira o ArcGIS Spatial Data Science MOOC na Esri Academy. Este possui muitos recursos excelentes para o processo AI/ML desde engenharia de dados até desenvolvimento do modelo e visualização e compartilhamento dos dados. Você também pode encontrar exemplos para a Python API em developers.arcgis.com, vários dos quais demonstram nossas capacidades de machine learning. Para os casos específicos demonstrados no vídeo, não há tutoriais passo a passo, mas há artigos que descrevem os fluxos de trabalho em detalhes técnicos em medium.com/geoai.
PERGUNTA: Outros modelos de dados pipeline como PODS são suportados?
RESPOSTA: Sim, qualquer dos modelos industriais como PODS e UPDM são suportados desde que sejam espacializados
PERGUNTA: Existe uma forma de obter uma licença avaliação para a extensão "ArcGIS Image Analyst"?
RESPOSTA: Sim, podemos oferecer uma licença padrão avaliação para Image Analyst; por favor entre em contato com Jeff Allen para mais detalhes.
PERGUNTA:<\/P> <\/SPAN><\/P>PERGUNTA:<\/STRONG><\/SPAN> A Esri possui um modelo de dados para instalações; por exemplo, gerenciamento de edifícios, ativos, aposentadoria, etc., onde eu possa baixar o xml? <\/SPAN><\/P>RESPOSTA:<\/STRONG><\/SPAN> Sim, o modelo de dados para instalações da Esri é o UPDM e pode ser baixado <\/SPAN>aqui<\/A><\/SPAN><\/P> <\/SPAN><\/P>PERGUNTA:<\/STRONG><\/SPAN> Você tem algum exemplo de aplicação bem-sucedida dessas técnicas em dados do leito marinho? Os resultados das pesquisas <\/SPAN>multibeam<\/SPAN> produzem conjuntos extensos de pontos. Trabalhamos apenas com dutos submarinos, mas ainda assim temos grandes conjuntos de dados.<\/SPAN><\/P>RESPOSTA:<\/STRONG><\/SPAN> Embora atualmente não tenhamos um exemplo de aplicação desses algoritmos de machine learning em dados de pesquisas subsea multibeam, tivemos sucesso na aplicação dessas técnicas de machine learning em uma ampla variedade de conjuntos de dados baseados em lidar e outros sensores. Por favor, entre em contato conosco se desejar explorar mais este caso de uso.<\/SPAN><\/P> <\/SPAN><\/P>
