Het tempo van technologische verandering neemt toe naarmate er nieuwe producten beschikbaar komen, waarbij baanbrekende innovaties vaak resulteren in disruptieve verandering. Gekoppeld aan deze technologische verandering is de explosie van data uit nieuwe bronnen die relevant zijn voor het geospatiale domein, waaronder beeldmateriaal, sensorfeeds en realtime trackingdata. Organisaties in de publieke, private en derde sector moeten wendbaar en veerkrachtig blijven om te gedijen in dit opkomende landschap.
De adoptie van nieuwe technologische innovaties in grote, gecontroleerde IT-ondernemingen kan een uitdaging zijn vanwege de bijbehorende kosten, integratie-uitdagingen en processen. Het Open Geospatial Consortium (OGC) is een standaardisatie-instelling die de afgelopen 30 jaar heeft gewerkt aan het innoveren en creëren van community-gedreven standaarden in het geospatiale domein. Deze standaarden zijn ontworpen om ervoor te zorgen dat gegevens en services vindbaar, toegankelijk, interoperabel en herbruikbaar (FAIR) zijn, terwijl tegelijkertijd wordt gewaarborgd dat de ontwikkelde standaarden geschikt zijn voor het doeldomein en eenvoudig te adopteren zijn. FAIR-principes kunnen ook worden toegepast op de integratie van nieuwe technologieën in grote ondernemingen, om ervoor te zorgen dat interactiepatronen met nieuwe technologieën bekend zijn en de componenten die de technologie aanbieden uitwisselbaar zijn.
Standaardiseren van AI/ML-trainingsgegevens
Een OGC-standaard die een bepaald recent fenomeen ondersteunt, is de OGC Training Data Markup Language for Artificial Intelligence. Kunstmatige intelligentie (AI), machinaal leren (ML) en bijbehorende toepassingen zijn al sinds de jaren negentig en eerder onderwerp van onderzoek. Pas sinds kort zijn de benodigde rekenkracht en, belangrijker nog, de gegevens om AI-modellen te trainen beschikbaar. Trainingsgegevens zijn de levensader van AI. Zoals het oude axioma luidt: "garbage in, garbage out" en AI-modellen zijn niet anders. Bovendien kunnen AI-modellen en hun interne werking ondoorzichtig zijn met het 'black box'-effect op de invoer en uitvoer. Daarom is het standaardiseren van het beheer van trainingsgegevens belangrijk voor wetenschappelijke inspanningen, niet in de laatste plaats voor herhaalbaarheid, maar ook voor de FAIR-principes.
Naast het gebruik van AI om typisch georuimtelijk en beeldwerk te doen, zien we ook dat AI wordt gebruikt om gesimuleerde data te creëren voor training – of zelfs voor kwaadaardige doeleinden. Het op een gestandaardiseerde manier vastleggen van informatie over de invoergegevens in ML-modellen helpt bij het beheer en de authenticiteit van de uitvoer. De onderstaande afbeelding is bijvoorbeeld een volledig fictief landschap dat is gecreëerd met behulp van trainingsgegevens van een Britse stad en een Generational Adversarial Network (GAN). Door de metadata van de trainingsdataset te standaardiseren, kunnen anderen hun eigen gesimuleerde data creëren met hetzelfde gevoel, terwijl ze de invoerparameters en waarschijnlijke uitkomsten begrijpen.
Quantum Computing
AI/ML is een huidige technologische trend die een goed voorbeeld is van hoe het technologische landschap van de ene op de andere dag kan veranderen, zoals de release van ChatGPT in 2022. Een andere baanbrekende technologie die al tientallen jaren op de loer ligt, is quantumcomputing.
Hoewel kwantumcomputing waarschijnlijk geen volledige vervanging zal zijn voor klassieke computers, biedt het potentieel een exponentiële snelheidsverbetering bij het oplossen van problemen die voor klassieke computers moeilijk te verwerken zijn. Dit komt niet per se doordat kwantumcomputers sneller zijn in de zin van supercomputing, maar doordat hun aanpak van probleemoplossing fundamenteel verschilt van die van klassieke computers. Klassieke computers werken door bits te manipuleren die zich in een 1- of 0-positie bevinden. Door voldoende van deze bewerkingen aan elkaar te koppelen, kunnen computers nuttig werk verrichten. Kwantumcomputers verschillen hierin doordat hun fundamentele bouwsteen de qubit is , die in een superpositie van zowel 1 als 0 kan bestaan. Er bestaan ook verschillende soorten kwantumcomputing. Circuitgebaseerde kwantumcomputers zijn die computers die de veelbesproken ontbinding van grote getallen kunnen uitvoeren en daardoor in staat zullen zijn om RSA-encryptie te kraken (die gebaseerd is op het principe dat het ontbinden van grote getallen moeilijk is ). Het tweede type kwantumcomputing is kwantumannealing of adiabatische kwantumcomputing , die zich leent voor het oplossen van optimalisatieproblemen.
Het geospatiale domein kent talloze optimalisatieproblemen. Een typisch voorbeeld is het handelsreizigersprobleem, waarbij een verkoper verschillende geografisch verspreide locaties moet bezoeken met de beperking dat elke locatie slechts één keer bezocht mag worden, en dat alles tegen de laagste kosten (kortste afstand, snelste reistijd). Een ander optimalisatieprobleem is het structurele onevenwichtsprobleem , waarbij een algoritme probeert een sociaal netwerk (vaak met een geospatiaal element) op te delen in bevriende groepen. In een evenwichtige grafiek zijn alle relaties binnen de groepen bevriend, terwijl alle relaties tussen de groepen vijandig zijn. In de praktijk is een perfect resultaat meestal niet haalbaar. Dit benadrukt relaties die niet in het model passen (gespannen relaties), wat een voorspeller van conflicten kan zijn.
Praktische quantum computing is nu mogelijk, er zijn verschillende aanbieders zoals Rigetti, D-Wave en bedrijven als Amazon, Google en Microsoft die hun quantum computing-bronnen beschikbaar beginnen te stellen via de cloud. Hoewel geen van de quantumcomputers groot genoeg is om een quantumvoordeel te bieden in de optimalisatieruimte, zijn er nieuwe quantumcomputers gepland die dat wel kunnen. Als noodoplossing zijn er klassieke/quantum hybride benaderingen die voordelen bieden van quantum computing, maar praktische problemen kunnen oplossen.
Zoals bij veel opkomende technologieën zijn de interactiepatronen voor deze nieuwe quantumcomputers en hybride solvers nog niet gestandaardiseerd en zijn ze op maat gemaakt tot aan de hardware. Het D-Wave-systeem met de Ocean SDK voor quantumcomputing heeft patronen en calls die veel van de optimalisatiestijl calls bestrijken waarvoor je een quantumsolver zou kunnen gebruiken. Misschien is de volgende stap voor de OGC om de impact van quantumcomputing te begrijpen via een Domain Working Group om geospatiale optimalisatiestijl problemen te ondersteunen via een groep die zich toelegt op quantumcomputing en de kansen die het biedt.
Waar volgende?
Door opkomende technologieën nauwlettend in de gaten te houden en voorop te lopen in adoptie, kunnen standaarden worden gecreëerd die helpen bij integratie en organisaties zinvolle verandering kunnen bieden. De technologie is het opwindende onderdeel en kan ongekende kansen bieden, en hoe sneller en soepeler deze technologieën kunnen worden geadopteerd in de organisaties die ze gebruiken, hoe beter het rendement voor bedrijven, gebruikers en burgers. Goede, domeingestuurde standaarddefinitie is de sleutel tot een FAIRer technologielandschap.
Op 15 maart 30 om 27:2024 uur CET wordt een ad-hocsessie over quantumcomputing gehouden als onderdeel van de 128e OGC-ledenvergadering in Delft, Nederland, om de mogelijkheid van standaardisatie in het domein van quantum computing te bespreken.
Het algemene thema van de bijeenkomst is "Geo-BIM voor de gebouwde omgeving" en zal daarnaast een Geo-BIM-top, een speciale sessie over landbeheer, een speciale sessie over observatiegegevens, een gezamenlijke sessie over de gebouwde omgeving, een bijeenkomst van het Europaforum, evenals de gebruikelijke SWG- en DWG-bijeenkomsten en sociale en netwerkevenementen omvatten. Leer meer en registreer hier.
Sam Meek is de Chief Technology Officer bij Helyx Secure Information Systems Ltd.
