Locatiedata slimmer maken met machine learning Tegenwoordig gebruikt vrijwel iedereen onbewust een zekere vorm van machine learning. Zeker ook in de geospatial wereld. f je nou bezig bent met het uitvoeren van een inspectie met satellietbeelden of simpelweg video’s op YouTube zit te kijken op de bank, machine learning (ML) is overal. Denk bijvoorbeeld aan Google, Facebook of LinkedIn, waarvan de zoekfuncties door verschillende machine learning algoritmes worden ondersteund. Hetzelfde geldt voor Netflix of Spotify, waarbij series, films en muziek worden aanbevolen op basis van jouw eerder gemaakte keuzes. Zelfs op je telefoon, bij gebruik van bijvoorbeeld Siri, Google Assistent of Alexa, wordt machine learning ingezet voor spraakherkenning of zoekopdrachten. Veel van dit soort functionaliteiten is gemaakt om de gebruikerservaring beter te maken, maar het kan ook de andere kant op gaan. Facebook beëindigde een Artificial Intelligence Programma, nadat de ontwikkelaars ontdekten dat het programma een eigen taal had gecreëerd die ze zelf niet konden begrijpen. Onderzoekers van het Facebook AI Research Lab (FAIR) ontdekten dat chatbots afweken van het script en dat zij communiceerden in een nieuwe taal, zonder menselijke inbreng. O Waarom is machine learning nodig? Ongeacht de onvoorziene aard van bovenstaande voorbeelden, is het potentieel van machine learning heel duidelijk zichtbaar en heeft zich dat al goed laten zien. ML is momenteel een gevestigd fenomeen en wordt de laatste jaren ook steeds meer binnen het geografische domein gebruikt. In 2018 bracht 50 Hexagon Geospatial nieuwe releases uit die machine learning en deep learning analyses mogelijk maken op geografische data. Toch zijn de allereerste machine learning algoritmes al meer dan zestig jaar oud.1 Je kunt je afvragen wat ML nu zo belangrijk en relevant maakt. Het antwoord is simpelweg: data! In deze snel veranderende wereld worden de hoeveelheden data steeds groter. Al deze data behoeven een steeds groter wordende hoeveelheid aan dataopslag, computerkracht en expertise om het te kunnen structureren. De noodzaak voor machine learning is hierin onvermijdelijk. Het concept van machine learning houdt in dat statistieken en wiskundige technieken worden gebruikt waardoor computers kunnen leren zonder dat elke stap expliciet geprogrammeerd hoeft te worden. Tegenwoordig is er veel mogelijk met ML binnen het geospatial domein. Dit wordt beschikbaar gemaakt met de ‘Spatial Modeler’ binnen ERDAS IMAGINE® of GeoMedia® van Hexagon’s Geospatial divisie en dat zien we terug in toepassingen bij verschillende gebruikers. Alledaagse taken eenvoudig gemaakt Een mooi voorbeeld van machine learning toegepast in onze locatie-intelligentie-oplossingen is het werk binnen de waterschappen. Zoals veel andere overheidsorganisaties zijn waterschappen druk bezig met het digitaliseren van tijdrovende processen. De inspectie van waterwegen, ook wel de schouw genoemd, is zo’n proces. Dit kan gedeeltelijk geautomatiseerd worden door kunstmatige intelligentie te integreren in de verwerking, waarbij gebruik wordt gemaakt van satellietbeelden. ML-technieken worden toegepast om de waterwegen op satellietbeelden te classificeren voor geautomatiseerde kwalibeeld: getty images
51 Online Touch Home