November 14, 2025

Het Open Geospatial Consortium (OGC) vraagt ​​om commentaar van het publiek op het voorstel om een ​​nieuwe OGC Deep Learning Model Standards Working Group (SWG) op te richten.

De voorgestelde SWG heeft als doel een UML-model en coderingschema te ontwikkelen om de beschrijving van metagegevens van Deep Learning-modellen te standaardiseren, zoals framework (bijv. PyTorch, TensorFlow), neuraal netwerk, trainingsmethode, trainingsgegevens, taak, kwaliteit en licentie, zodat modellen op een uniforme, interoperabele manier kunnen worden gedeeld en beheerd.

Kunstmatige intelligentie (AI) zal naar verwachting een cruciale rol spelen bij de transformatie van vele domeinen en het revolutioneren van bestaande technologieën. De afgelopen tien jaar zijn deep learning-technieken aanzienlijk verbeterd dankzij de beschikbaarheid van grote datasets en verbeteringen in high-performance computing. Deep learning transformeert geografische informatiesystemen (GIS) en remote sensing (RS) en stimuleert innovatie en efficiëntie op diverse gebieden zoals slimme steden, milieubeheer en rampenbestrijding. Tegelijkertijd helpt het de wetenschappelijke gemeenschap om de groeiende hoeveelheid aardobservatiedata (EO) te benutten voor geospatiale analyses.

Deep Learning-modellen zijn het resultaat van AI-ontwikkeling en vormen de kern van AI-toepassingen. Het ontbreken van een gestandaardiseerde manier om metadata van Deep Learning-modellen te beschrijven, is echter een knelpunt geworden voor de ontwikkeling en toepassing van GeoAI. Om de acceptatie van Deep Learning-technieken voor geospatiale analyse door onderzoekers en professionals te vergroten, moeten verschillende uitdagingen worden aangepakt.

  1. Gebrek aan interoperabiliteit:Het ontbreken van een uniforme en machinaal leesbare beschrijving belemmert het delen van modellen en geautomatiseerd hergebruik.

  2. Gebrek aan herbruikbaarheid: Deep learning-modellen kunnen vaak niet effectief worden overgedragen tussen verschillende omgevingen vanwege verschillende afhankelijkheden en operationele methoden.

  3. Bezorgdheid over betrouwbaarheid: Zonder meta-informatie kunnen gebruikers de prestaties of beperkingen van het model niet volledig begrijpen, wat de geloofwaardigheid en transparantie ondermijnt.

  4. Gebrek aan reproduceerbaarheid: Variaties in datasets, architecturen en hyperparameters maken het moeilijk om resultaten te vergelijken en te reproduceren.

Om deze problemen aan te pakken, zal de voorgestelde SWG een gestandaardiseerd metadatamodel ontwikkelen voor georuimtelijke Deep Learning-modellen dat aansluit bij de FAIR-principes: vindbaar, toegankelijk, interoperabel en herbruikbaar.

Gezien de populariteit van JSON zal de SWG een JSON-codering hanteren die consistent is met gangbare webpraktijken en bestaande industriestandaarden.

Reageren

Het voorgestelde handvest voor de OGC Deep Learning Model Standards Working Group (SWG) is gedurende 30 dagen beschikbaar voor inzage en commentaar door het publiek en OGC-leden. Reacties dienen uiterlijk 14 december 2025 te worden ingediend.

Reacties kunnen worden ingediend via een speciaal daarvoor bestemd e-mailadres tot en met de hierboven vermelde "Verzoek tot sluiting sluiten". Ontvangen reacties worden verzameld en beoordeeld door OGC-leden voor verwerking in het document. Stuur uw reacties via dit e-mailadres en gebruik dit reactiesjabloon voor de berichttekst.

Over OGC

Het Open Geospatial Consortium (OGC) is een ledenorganisatie die zich inzet om de kracht van geografie en technologie te gebruiken voor het oplossen van problemen waarmee mens en planeet worden geconfronteerd. OGC creëert waarde en kansen voor haar leden door middel van standaarden, innovatie en samenwerking. Ons ledenbestand vertegenwoordigt een diverse en actieve wereldwijde gemeenschap, afkomstig uit de overheid, het bedrijfsleven, de academische wereld, internationale ontwikkelingsorganisaties, onderzoeks- en wetenschappelijke instellingen, het maatschappelijk middenveld en belangenbehartigers.

Bezoek ogc.org voor meer informatie over ons werk.