Künstliche Intelligenz (KI) ist alles andere als eine Science-Fiction-Technologie, sondern spielt bereits in vielen Bereichen eine entscheidende Rolle und revolutioniert bestehende Technologien. Im letzten Jahrzehnt haben sich KI-Techniken wie maschinelles Lernen (ML) und insbesondere Deep Learning (DL) aufgrund einer Fülle von Daten in Verbindung mit Fortschritten im Bereich des Hochleistungsrechnens erheblich verbessert. Wie in so vielen Technologiebereichen haben diese neuen KI-Fähigkeiten GIS und Fernerkundung neu ausgerichtet und transformiert, indem sie neue Lösungen bieten und die Effizienz erheblich steigern. Die Anwendung von KI-Technologien zur Lösung von Problemen, mit denen die Geodaten-Community konfrontiert ist, wird als „GeoAI“ bezeichnet.
Die Geowissenschaftsgemeinschaft beispielsweise nutzt häufig KI und verwandte Techniken, um die sonst unüberwindbare Menge an Erdbeobachtungsdaten, die für georäumliche Analysen in verschiedenen Bereichen – wie Smart Cities, Umweltmanagement und Katastrophenmanagement – erstellt werden, besser zu nutzen. Die möglichen Anwendungen für GeoAI tauchen jedoch gerade erst auf.
„Ich würde GeoAI als eine Reihe von Methoden oder automatisierten Einheiten definieren, die Geodaten verwenden, um Räume wahrzunehmen, zu konstruieren (automatisieren) und zu optimieren, in denen Menschen – wie auch alle anderen – ihre geografisch bezogenen Aktivitäten sicher und effizient fortsetzen können“, sagte Kyoung-Sook Kim, Co-Vorsitzender der OGC GeoAI Domain Working Group.
„GeoAI kann erhebliche Vorteile bringen, um die nächste Generation von Service-Innovationen in vielen Anwendungen voranzutreiben, darunter autonomer Transport, nachhaltige Smart-City-Planung/-Implementierung, erweitertes Gebäude- und Energiemanagement, selbstoptimierte Fertigung, Vorhersage von Epidemien, Erweiterung des persönlichen Erlebnisses und mehr. Allerdings steht sie auch vor einer Reihe neuer ethischer, rechtlicher, sozialer und technologischer Herausforderungen. Ich glaube, dass internationale Standards eine entscheidende Rolle dabei spielen werden, umfassende Interoperabilität und Sicherheitsvorteile zwischen den verschiedenen Disziplinen sicherzustellen, die sich mit KI befassen.“
Innovationen im Bereich GeoAI, die auf offenen Standards basieren, haben geringere Entwicklungs- und Implementierungskosten, kommen schneller auf den Markt und ermöglichen eine nahtlose horizontale und vertikale Integration/Zusammensetzung von GeoAI-Systemen. Standards erhöhen auch die Sicherheit der rechnerischen Ansätze und algorithmischen Techniken, die die Erkenntnisse der KI-Engines ermöglichen.
Angesichts dieser Vorteile gründete OGC 2018 die Arbeitsgruppe „Artificial Intelligence in Geoinformatics“ (besser bekannt als GeoAI DWG), um Anwendungsfälle und Anwendungen im Zusammenhang mit KI in georäumlichen Anwendungen zu identifizieren. Die GeoAI DWG bietet ein offenes Forum für die breite Diskussion und Präsentation von Anwendungsfällen für KI und verwandte Technologien im georäumlichen Bereich mit dem Ziel, Geowissenschaftler, Informatiker, Ingenieure, Unternehmer und Entscheidungsträger aus Wissenschaft, Industrie und Regierung zusammenzubringen, um die neuesten Trends, Erfolge, Herausforderungen und Chancen in diesem Bereich zu entwickeln, zu teilen und zu erforschen.
Darüber hinaus hat die GeoAI DWG die Aufgabe, die Machbarkeit und Interoperabilität von OGC-Standards zu untersuchen, um die Nutzung und Wiederverwendung georäumlicher Daten in KI-Anwendungen zu unterstützen, sowie Lücken und Probleme zu beschreiben, die zu neuen georäumlichen Standards führen könnten.
„Als wir das OGC GeoAI DWG vorschlugen, stellten wir fest, dass es bei der Anwendung von KI-Technologien in georäumlichen Bereichen drei Hauptprobleme gibt. Erstens gibt es nur wenige groß angelegte Benchmark-Trainingsdatensätze wie ImageNet, das für die Objekterkennung in Computer Vision-Projekten verwendet wird. Obwohl eine riesige Menge an Satellitenbildern und Punktwolkendaten verfügbar ist, sind die meisten davon nicht für georäumliche maschinelle Lernaufgaben einsatzbereit“, sagte Kyoung-Sook.
„Zweitens werden im Vergleich zu den verwandten Bereichen Bildverarbeitung und Verarbeitung natürlicher Sprache nur wenige offene Tools und Workflows mit GeoAI in GIS und anderen Geschäftsabläufen gemeinsam genutzt“, sagte Kyoung-Sook. „Unternehmen zahlen immer noch die gesamten Entwicklungs- und Implementierungskosten, wenn sie eine neue GeoAI-Technik in einen Geschäftsfall integrieren, anstatt auf etablierten offenen Tools und Lösungen aufzubauen.“
„Das dritte Thema, das meiner Meinung nach das wichtigste ist, ist die Unterstützung vertrauenswürdiger und sicherer GeoAI-Technologie, um sowohl das Wohlergehen der Erde als auch der Menschheit zu unterstützen. Der Bericht des Weltwirtschaftsforums von 2018 (Serie „Vierte Industrielle Revolution für die Erde“ – Künstliche Intelligenz für die Erde nutzen) besagt, dass die wichtigste Überlegung bei der Entwicklung von KI, unabhängig vom Stadium der KI, darin besteht, nachhaltige Vorteile für die Menschheit sicherzustellen, wozu gehört, sowohl „menschenfreundlich“ als auch „umweltfreundlich“ zu sein.
„Um auf das erste Problem zurückzukommen: Ich möchte, dass die GeoAI DWG zunächst den Mangel an Trainingsdatensätzen behebt und den Wissensaustausch zwischen Fachkräften verbessert. Dieser Mangel an Daten und Wissensaustausch führt zu einem Missbrauch der KI und führt zu voreingenommenen KI-Modellen. Um dies zu beheben, haben die DWG-Mitglieder begonnen, KI-bezogene Anwendungen und Anwendungsfälle in unseren Communities zu sammeln und zu analysieren.
„Vor Kurzem hat OGC außerdem mit der Gründung der neuen Arbeitsgruppe für Standards für Sample Markup Language for Artificial Intelligence Machine Learning (SampleML-AI/ML SWG) begonnen, um einen Standard für die Dokumentation, Speicherung und Weitergabe der georäumlichen Beispieldaten zu entwickeln.“
Eine Schlüsselkomponente von ML-Techniken und -Prozessen ist die Verwendung von Beispieldaten – Daten mit bekannter Herkunft, konsistenten Metadaten und Qualitätsmessungen – um ML-Anwendungen kontinuierlich zu optimieren und zu trainieren. Der Mangel an konsistenten und bekannten Beispieldaten behindert fortgeschrittene EO-Wissenschaftsanwendungen, verursacht Reproduzierbarkeitsprobleme und erschwert den Vergleich von Ergebnissen zwischen Studien.
Beispieldaten sollten über ausreichend Metadaten in einem maschinenlesbaren Standardformat verfügen und allgemeine räumlich-zeitliche Informationen sowie beispieldatenspezifische Attribute enthalten, um die Datensuche und -abfrage zu erleichtern. Aufgrund ihrer Nützlichkeit in Geospatial-ML-Anwendungen haben sich viele akademische und industrielle Bereiche auf die Erstellung eigener Benchmark-Datensätze konzentriert.
Um jedoch einfach und effektiv auf diese Trainingsdatensätze zugreifen und sie teilen zu können, ist ein internationaler Standard für Datenschemata und -formate erforderlich. Eine von OGC vorgeschlagene Lösung besteht darin, eine standardisierte Sample Markup Language für KI/ML zu entwickeln – die möglichst auf gängigen Industriestandards basiert –, die es Benutzern ermöglicht, georäumliche Beispieldaten über das Internet zu dokumentieren, zu speichern und zu teilen, und zwar gemäß den FAIR-Datenverwaltungsprinzipien Auffindbarkeit, Zugänglichkeit, Interoperabilität und Wiederverwendbarkeit.
Die Gründung der von der GeoAI DWG unterstützten Arbeitsgruppe für SampleML-AI/ML-Standards ist nahezu abgeschlossen. Die Arbeitsgruppe wird dann mit der Entwicklung eines OGC SampleML-AI/ML-Standards beauftragt, mit anfänglichen georäumlichen Beispieldatenkategorien für Fernerkundungsbilder, bewegliche Merkmale (normalerweise Fahrzeugtrajektorien) und verwandte räumliche Inhalte.
Darüber hinaus gibt es im Testbed 18 des OGC eine Aufgabe, die sich mit Trainingsdatensätzen für maschinelles Lernen befasst. Um den Aufruf zur Teilnahme am Testbed 18 zu zitieren: „Das Ziel dieser Testbed-18-Aufgabe ist es, die Grundlage für die zukünftige Standardisierung von TDS für Erdbeobachtungsanwendungen zu entwickeln. Die Aufgabe soll den Status quo von Trainingsdatenformaten, Metadatenmodellen und allgemeinen Fragen der gemeinsamen Nutzung und Wiederverwendung bewerten. Mehrere Initiativen, wie beispielsweise die AI-Ready EO Training Datasets (AIREO) der ESA, haben Vorschläge entwickelt, die für die zukünftige Standardisierung verwendet werden könnten. Andere Initiativen konzentrierten sich auf die Entwicklung von Trainingsdaten-Repositorys, wie beispielsweise der Radiant MLHub, ein frei zugängliches georäumliches Trainingsdaten-Repository, in dem jeder ML-fähige Trainingsdatensätze entdecken und herunterladen kann.“ Weitere Informationen zu dieser Aufgabe finden Sie unter Abschnitt 2.2. Machine Learning Trainingsdatensätze im Testbed-18 Aufruf zur Teilnahme.
GeoAI leistet bereits Unglaubliches für die Standortbranche. Um sein Potenzial jedoch wirklich auszuschöpfen, müssen wir eine solide Grundlage aus offenen Standards für den Austausch von Beispieldaten und die Erstellung offener Tools und Workflows sowie offener Best Practices für die Gewährleistung der sicheren und ethischen Nutzung dieser leistungsstarken Technologie schaffen.
Wenn Sie daran interessiert sind, zur Entwicklung von Standards, Best Practices und/oder zur Dokumentation von Anwendungsfällen für GeoAI-Anwendungen beizutragen, sollten Sie der Arbeitsgruppe „Künstliche Intelligenz in der Geoinformatik“ beitreten. OGC-Mitglieder können über das folgende Formular beitreten: OGC-Portal hier. Nichtmitglieder können sich gerne anmelden, indem sie sich mit dem OGC in Verbindung setzen. Hierzu verwenden sie das Formular unter ogc.org/kontakt.
Interessenten werden außerdem zur Teilnahme an der nächsten OGC-Mitgliederversammlung, wo die OGC GeoAI DWG wahrscheinlich zusammenkommen wird (TBC), zusammen mit vielen anderen verwandten OGC-Standards und Domänen-Arbeitsgruppen.
Eine Version dieses Artikels erschien ursprünglich in der Herbstausgabe 2021 von GeoConnexion International Magazin.
