Концепция искусственного интеллекта и машинного обучения AI/ML (Artificial Intelligence Markup Language), помогающая аналитикам быстрее выполнять свою работу, обсуждается в геопространственной индустрии, но зачастую только в контексте рассмотрения одного изображения. Что происходит, когда аналитик получает до 15 изображений одной и той же территории каждый день, при этом отвечая за мониторинг сразу нескольких мест? Когда огромные объемы геопространственных данных поступают ежедневно, даже целая команда аналитиков не сможет тщательно изучить все детали.
На примере анализа одного спутникового снимка мы хотим показать вам, почему искусственный интеллект должен стать частью рабочего процесса каждого аналитика.
Сценарий
В начале рабочего дня аналитик получает список мест, которые нужно отслеживать, и вещей, которые нужно искать в различных областях. В частности, необходимо выполнить мониторинг транспортных средств вокруг завода Hyundai в Ульсане, Южная Корея. Готовые автомобили хранятся на открытых площадках и припаркованы близко друг к другу. Аналитику нужно выяснить, сколько автомобилей находится на стоянке, и сравнить количество с запасами предыдущих дней, проанализировав изображение со спутника Maxar WorldView-3 с разрешением 30 см.
Ручной подсчет автомобилей
При решении этой задачи методом ручного подсчета были получены следующие результаты. Аналитик Адам насчитал 1117 автомобилей, аналитик Джо — 1129. Команда высококвалифицированных специалистов по обработке данных, с которыми работает Джо, пересчитала автомобили и результаты снова разные: 880, 883, 953, 1013 и 1049. К подсчету подключились мама и племянница Адама и в итоге получили 1041 и 1182 машины соответственно. На ручной подсчет у каждого человека ушло от 20 до 30 минут.
Есть причины, по которым результаты всегда разнились: некоторые принимали тень от автомобиля за еще один автомобиль; думали, что видят часть машины; не учитывали автомобиль, потому что им казалось, что объект похож на что-то другое.
Давайте взглянем на спутниковый снимок.
Масштабирование фрагмента на снимке вызывает довольно много споров. На этой части парковки пять машин или шесть? Некоторые видят тень чего-то между белым и темным автомобилями на правой стороне изображения, поэтому автомобиль должен быть там. Но другие говорят, что парковка явно пуста. Такая аналитика крайне субъективна, даже при том, что используется спутниковый снимок самого высокого разрешения — 30 см. Посмотрите, что происходит с изображением, когда разрешение снижается до 80 см, и становится все труднее различать отдельные автомобили, не говоря уже о тенях.
Подсчет автомобилей искусственным интеллектом по снимкам из космоса
Аналитик имеет доступ к базе машинного обучения Maxar, который позволяет разрабатывать алгоритмы для подсчета автомобилей на спутниковом изображении. Он запускает алгоритм анализа того же снимка с разрешением 30 см, исследуя один квадратный километр за долю секунды. Вместо средних 25 минут, которые потребовались людям для подсчета, алгоритм генерирует свой результат менее чем за полсекунды: 1267 автомобилей.
Ценность алгоритма искусственного интеллекта заключается в том, что он дает ответ в 150 раз быстрее, чем только один человек, не говоря уже о девяти людях, которые подсчитывали автомобили, чтобы получить медианное число.
Данные WorldView Legion заставят аналитиков использовать искусственный интеллект в своих интересах. Когда в первой половине 2021 года Maxar запустит эти спутники, они будут передавать на Землю до 15 снимков территории с высоким разрешением в течение одного дня. У аналитика не будет возможности за одну смену пересчитать автомобили вручную на каждом из этих 15 изображений. Но у них будет достаточно времени, чтобы пропустить все 15 изображений через алгоритм подсчета автомобилей DeepCore, получить практически точное число, заметить тенденции, когда количество автомобилей меняется, и исследовать причину, создавая критически важную информацию для влияния на решения.
Один фактор является ключевым для того, чтобы полагаться на AI/ML для управления массовым притоком данных, которые будут генерироваться из расширенного созвездия Maxar: разрешение. Точно так же, как люди должны были сделать суждение о том, видели ли они шестую машину или тень, алгоритмы должны быть обучены делать то же самое. А когда разрешение снимка ухудшается, алгоритм получает меньше информации для работы. Посмотрите GIF, чтобы увидеть, как меняются оценки алгоритма по мере ухудшения разрешения.
Поскольку аналитики имеют доступ к лучшим спутниковым снимкам, им придется использовать AI/ML, чтобы максимально качественно следить за несколькими местоположениями. Именно поэтому Maxar нанимает более 1000 специалистов по обработке данных и геопространственных аналитиков — чтобы предвидеть и решать сложные задачи клиентов.
