Verre van een "sci-fi"-technologie, speelt kunstmatige intelligentie (AI) al een cruciale rol in veel domeinen en revolutioneert bestaande technologieën. Gedurende het laatste decennium zijn AI-technieken zoals Machine Learning (ML) en met name Deep Learning (DL) aanzienlijk verbeterd door een overvloed aan data in combinatie met vooruitgang in high-performance computing. Zoals met zoveel technologische domeinen hebben deze nieuwe AI-mogelijkheden GIS en Remote Sensing opnieuw georiënteerd en getransformeerd, waardoor nieuwe oplossingen zijn ontstaan en de efficiëntie aanzienlijk is toegenomen. De toepassing van AI-technologieën om problemen op te lossen die de geospatiale gemeenschap ervaart, is bekend geworden als "GeoAI".
De georuimtelijke wetenschapsgemeenschap gebruikt bijvoorbeeld vaak AI en verwante technieken om de anders onoverkomelijke hoeveelheid aardobservatiegegevens (EO) die worden gecreëerd voor georuimtelijke analyse in verschillende domeinen, zoals slimme steden, milieubeheer en rampenbeheer, beter te benutten. De mogelijke toepassingen voor GeoAI beginnen echter pas net aan de oppervlakte te komen.
"Ik zou GeoAI definiëren als een reeks methoden of geautomatiseerde entiteiten die georuimtelijke gegevens gebruiken voor het waarnemen, construeren (automatiseren) en optimaliseren van ruimtes waarin mensen - en alles anders - hun geografisch gerefereerde activiteiten veilig en efficiënt kunnen voortzetten", aldus Kyoung-Sook Kim, een medevoorzitter van de OGC GeoAI Domain Working Group.
“GeoAI kan aanzienlijke voordelen opleveren om de volgende generatie service-innovatie in veel toepassingen te stimuleren, waaronder autonoom transport, duurzame planning/implementatie van slimme steden, verbeterd gebouw- en energiebeheer, zelfgeoptimaliseerde productie, voorspelling van epidemische uitbraken, verbetering van persoonlijke ervaringen en meer. Het wordt echter ook geconfronteerd met een verscheidenheid aan nieuwe ethische, juridische, sociale en technologische uitdagingen. Ik geloof dat internationale normen een cruciale rol zullen spelen bij het waarborgen van wijdverbreide interoperabiliteit en veiligheidsvoordelen tussen de verschillende disciplines die zich bezighouden met AI.”
Innovaties in GeoAI die worden aangestuurd door open standaarden hebben lagere ontwikkel- en implementatiekosten, bereiken de markt eerder en maken naadloze horizontale en verticale integratie/samenstelling van GeoAI-systemen mogelijk. Standaarden zullen ook de veiligheid van de computationele benaderingen en algoritmische technieken vergroten die de inzichten van AI-engines aansturen.
Met deze voordelen in gedachten, vormde OGC in 2018 de Artificial Intelligence in Geoinformatics Domain Working Group (beter bekend als de GeoAI DWG) om use-cases en toepassingen te identificeren die verband houden met AI in geospatiale toepassingen. De GeoAI DWG biedt een open forum voor brede discussie en presentatie van use-cases voor AI en de gerelateerde technologieën in het geospatiale domein, met als doel om geowetenschappers, computerwetenschappers, ingenieurs, ondernemers en besluitvormers uit de academische wereld, industrie en overheid samen te brengen om de nieuwste trends, successen, uitdagingen en kansen in het veld te ontwikkelen, delen en onderzoeken.
De GeoAI DWG heeft daarnaast de taak om de haalbaarheid en interoperabiliteit van OGC-standaarden te onderzoeken ter ondersteuning van het gebruik en hergebruik van geospatiale gegevens in AI-toepassingen. Ook beschrijft de groep hiaten en problemen die kunnen leiden tot nieuwe geospatiale standaarden.
"Toen we de OGC GeoAI DWG voorstelden, kwamen we drie belangrijke problemen tegen bij het toepassen van AI-technologieën op geospatiale domeinen. Ten eerste zijn er weinig grootschalige benchmark-trainingsdatasets zoals ImageNet, dat wordt gebruikt voor objectherkenning in computer vision-projecten. Hoewel er een enorme hoeveelheid satellietbeelden en puntenwolkgegevens beschikbaar is, zijn de meeste ervan nog niet klaar voor gebruik voor geospatiale Machine Learning-taken", aldus Kyoung-Sook.
"Ten tweede, vergeleken met de gerelateerde velden van beeldverwerking en natuurlijke taalverwerking, worden er weinig open tools en workflows met GeoAI gedeeld in GIS en andere bedrijfsactiviteiten", aldus Kyoung-Sook. "Organisaties betalen nog steeds de volledige ontwikkelings- en implementatiekosten bij het aanpassen van een nieuwe GeoAI-techniek aan een businesscase, in plaats van voort te bouwen op gevestigde open tools en oplossingen.
“Het derde punt, dat naar mijn mening het belangrijkste is, betreft de ondersteuning van betrouwbare en veilige GeoAI-technologie om zowel het welzijn van de aarde als dat van de mensheid te bevorderen. Het rapport van het World Economic Forum uit 2018 ( Fourth Industrial Revolution for the Earth Series – Harnessing Artificial Intelligence for the Earth ) stelt dat de belangrijkste overweging bij de ontwikkeling van AI, ongeacht het stadium waarin de AI zich bevindt, is om duurzame voordelen voor de mensheid te garanderen, waaronder het feit dat de technologie zowel 'mensvriendelijk' als 'milieuvriendelijk' moet zijn.”
“Terug naar het eerste probleem: ik wil dat de GeoAI DWG eerst het gebrek aan trainingsdatasets oplost en de kennisdeling van vaardige mensen verbetert. Dit gebrek aan data en kennisdeling leidt tot misbruik van AI en creëert bevooroordeelde AI-modellen. Om dit aan te pakken, zijn de DWG-leden begonnen met het verzamelen en analyseren van AI-gerelateerde toepassingen en use-cases in onze communities.
“Onlangs is OGC ook begonnen met de oprichting van de nieuwe Sample Markup Language for Artificial Intelligence Machine Learning Standards Working Group (SampleML-AI/ML SWG) om een standaard te ontwikkelen voor het documenteren, opslaan en delen van georuimtelijke voorbeeldgegevens.”
Een belangrijk onderdeel van ML-technieken en -processen is het gebruik van voorbeeldgegevens – gegevens met bekende herkomst, consistente metagegevens en kwaliteitsmetingen – om ML-toepassingen consistent af te stemmen en te trainen. Het gebrek aan consistente en bekende voorbeeldgegevens belemmert geavanceerde EO-wetenschappelijke toepassingen, veroorzaakt problemen met reproduceerbaarheid en maakt het moeilijk om resultaten tussen studies te vergelijken.
Voorbeeldgegevens moeten voldoende metadata hebben in een machineleesbaar standaardformaat en algemene spatiotemporele informatie en voorbeeldgegevensspecifieke kenmerken bevatten om data discovery en query te vergemakkelijken. Vanwege hun bruikbaarheid in Geospatial ML-toepassingen hebben veel academische en industriële gebieden zich gericht op het creëren van hun eigen benchmarkdatasets.
Om deze trainingsdatasets echter eenvoudig en effectief te kunnen openen en delen, is een internationale standaard voor dataschema's en -formaten vereist. Een oplossing die OGC voorstelt, is om een gestandaardiseerde Sample Markup Language voor AI/ML te ontwikkelen – gebaseerd op veelgebruikte industriestandaarden waar mogelijk – waarmee gebruikers geospatiale voorbeelddata via het web kunnen documenteren, opslaan en delen volgens de FAIR-principes voor databeheer van vindbaarheid, toegankelijkheid, interoperabiliteit en herbruikbaarheid.
De vorming van de SampleML-AI/ML Standards Working Group, goedgekeurd door de GeoAI DWG, is bijna voltooid. De werkgroep krijgt vervolgens de taak om een OGC SampleML-AI/ML Standard te ontwikkelen, met initiële geospatiale sample data-categorieën voor remote sensing-beelden, bewegende objecten (meestal voertuigtrajecten) en gerelateerde ruimtelijke content.
Daarnaast heeft OGC's Testbed 18 een taak gewijd aan trainingsdatasets voor machine learning. Om de oproep tot deelname aan Testbed 18 te citeren: "Het doel van deze taak in Testbed 18 is het ontwikkelen van de basis voor toekomstige standaardisatie van trainingsdatasets voor aardobservatietoepassingen. De taak zal de huidige status van trainingsdataformaten, metadatamodellen en algemene vragen over delen en hergebruik evalueren. Verschillende initiatieven, zoals ESA's AI-Ready EO Training Datasets (AIREO), hebben suggesties ontwikkeld die gebruikt kunnen worden voor toekomstige standaardisatie. Andere initiatieven richten zich op de ontwikkeling van trainingsdatarepositories, zoals de Radiant MLHub, een open-access geospatiale trainingsdatarepository waar iedereen ML-ready trainingsdatasets kan vinden en downloaden." Zie paragraaf 2.2. Trainingsdatasets voor machine learning in de oproep tot deelname aan Testbed 18 voor meer informatie over deze taak.
GeoAI doet al ongelooflijke dingen voor de locatie-industrie. Om het potentieel echt te bereiken, moeten we echter een sterke basis van open standaarden bouwen voor het delen van voorbeeldgegevens en het creëren van open tools en workflows, en open best practices voor het garanderen van het veilige en ethische gebruik van deze krachtige technologie.
Als u wilt bijdragen aan het ontwikkelen van standaarden, best practices en/of het documenteren van use-cases voor GeoAI-toepassingen, overweeg dan om lid te worden van de Domain Working Group Artificial Intelligence in Geoinformatics. OGC-leden kunnen zich aanmelden via het OGC-portaal (hier) . Niet-leden zijn van harte welkom om zich aan te melden door contact op te nemen met OGC via het formulier op ogc.org/contact.
Geïnteresseerden worden tevens aangemoedigd om de volgende OGC-ledenvergadering bij te wonen , waar de OGC GeoAI DWG waarschijnlijk bijeenkomt (datum nog te bevestigen), samen met vele andere gerelateerde OGC-standaard- en domeinwerkgroepen.
Een versie van dit artikel verscheen oorspronkelijk in de herfsteditie van 2021 van GeoConnexion International Magazine.
