В статье поговорим о задачах и применениях геоаналитики в ИИ и ИИ в геоаналитике. Распознавание изображений из космоса, прогноз экономических показателей магазина или цен на недвижимость, оценка и рейтингование потенциала локации, от дома и земельного участка до регионов одной страны или стран, — повсюду используются нейронные сети и ML. Попробуем структурировать знания и сформировать основные направления на стыке ИИ и геоинформатики.
Статья будет интересна всем аналитикам, управленцам из бизнеса и госсектора, принимающим решения на основе данных.
Тех, кто дочитает этот материал, ожидает сюрприз — эксперимент с GPT-3 (Bing Chat).
Искусственный интеллект должен ускорять и уточнять процессы принятия решения человеком, избавлять его от рутины — в этом основное предназначение ИИ. Геоаналитика — набор методов и инструментов, основанных на базе принципов геоинформатики, которые с использованием геоданных предоставляют человеку новые знания для принятия управленческих решений в самых разных сферах деятельности, будь то розничная торговля и услуги населению (геомаркетинг), или, к примеру, урбанистика (городское планирование). Это могут быть задачи размещения торговых точек, ресторанов, банков, аптек. Или более сложные задачи городского планирования с урбанистическим подходом («ближе к людям — комфортнее город»), где планируются социальные объекты (школы, детские сады, площадки), пункты раздельного сбора мусора, многофункциональные центры или видеокамеры для безопасного проживания населения.
Пока в Рунете не очень много систематизированных статей с примерами на тему того, можно ли совместить геоинформатику и ИИ? Есть ли применения? Есть ли сервисы или проектные работы? Может ли ИИ «предсказать», где ставить известный магазин продуктов данного формата? Или спрогнозировать цену на конкретную недвижимость в доме? А может ли ИИ указать локации в городе, где комфортно проживание для людей определенного профиля (где они обеспечены всем необходимым для городской жизни)?
На наш взгляд, по опыту работы 20 лет с геоданными и геоаналитикой в разных сферах (статья написана основателем «Геоинтеллекта» — первого российского сервиса для геоаналитики, компания работает с 2003 года, а сервису недавно исполнилось 10 лет), следует выделить два направления:
- Добыча данных, «превращение в геоданные», где уже давно используются нейронные сети для распознавания изображений из космоса или аэрофотосъемка (еще их иногда называют «дешифрирование данных дистанционного зондирования земли» (ДДЗ)).
- Прогнозирование каких-то показателей, например экономических, по конкретным объектам пространства с целью принятия управленческих решений на основе геоданных, в том числе полученных частично из п. 1, а частично — на основе ретроспективы, объектов-аналогов, подходов ML, а также гибридных математических моделей.
Именно с помощью этих двух пунктов хотелось бы понятийно раскрыть широкий спектр задач, не вдаваясь в математические подробности, но и не забывая о примерах из жизни. Ну и на основе обоих пунктов продемонстрировать «упаковку» геоинформационного продукта: либо в виде рекомендательной тепловой карты, либо в виде калькулятора с выводом основного результата.
Добыча геоданных
Добыча геоданных происходит различными путями. Для открытых источников активно используют RPA — эмуляции действия пользователей на сайтах и сбор данных с возможностью геокодирования (процесс изготовления геоданных из данных). Пропустим это, хотя про геокодирование важно поговорить отдельно, в нем тоже могут быть применены математические методы, использующиеся в ИИ.
Но более интересной выглядит добыча данных из космических снимков (ДДЗ) или аэрофотосъемки с использованием компьютерного зрения. Такие технологии уже давно существуют, но с удешевлением ДДЗ и появлением беспилотной техники эти методы стали весьма востребованными для добычи геоданных, связаные, как правило, с картой-схемой (но не только, но об этом позже) . Картографы вздрогнули, но работа их никуда не делась. Нейронные сети, которые помогают распознавать космические снимки аналогично лицам людей или котикам, также предоставляют возможность картографам проверять то, что изобразила машина на карте. Базовые слои карты-схемы имеют разные масштабы: дома, леса, дороги и т. д. Все это можно распознать с разной точностью, зависящей от технических характеристик картинки (в данном случае — снимка) и возможности ее разметить.
Основные цели — ускорить работу картографа и создание...
