Geospatial AI

Der Ursprung Künstlicher Intelligenz (KI, engl. Artificial Intelligence) liegt in der Informatik. Als Teilgebiet der Informatik wird das Ziel verfolgt, die menschliche Intelligenz und unsere kognitiven Fähigkeiten zu imitieren (menschenähnliches Verhalten). Die KI wird mit Daten "gefüttert" und kann diese entweder basierend auf fest programmierten Regeln oder durch maschinelles Lernen weiterverarbeiten. Das heißt, Computer können aus Daten lernen und basierend darauf Probleme lösen, planen, wahrnehmen, Sprachen verstehen und Entscheidungen treffen. Der Begriff „Artificial Intelligence (AI)“ geht auf den amerikanischen Informatiker John McCarthy zurück.

Heutzutage finden sich in nahezu jedem Bereich unserer Gesellschaft Technologien, Tools und Systeme, in denen Künstliche Intelligenz integriert ist. Neben der Integration in Geographischen Informationssystemen (GIS) wie ArcGIS von Esri liegen Anwendungsbereiche beispielsweise in intelligente Fahrzeug- oder Sprachassistenten oder dem autonomen Fahren. Aber auch die klassische Bilderkennung ist ein typischer Anwendungsbereich (siehe Bilddaten und Fernerkundung). Grundsätzlich lernt ein Algorithmus hierbei, Muster in Daten zu erkennen und kann so die Optimierung von Prozessen, Planungen und Vorhersagen sowie die Entscheidungsfindung unterstützen.

Insbesondere der Bereich des maschinellen Lernens (Machine Learning) entwickelt sich durch die stetig steigende Verfügbarkeit und die Menge an Daten rasant weiter (hohe Datenverfügbarkeit). Mit immer mehr Daten steigt dementsprechend das Potenzial von KI. Auch die steigende Rechenleistung begünstigt die Entwicklungen im maschinellen Lernen.

Insbesondere bei sich wiederholenden Aufgaben, die mit einem hohen Zeitaufwand verbunden sind, kann uns KI maßgeblich unterstützen und entlasten. Durch die Mustererkennung und umfangreiche Analyse großer Datenmengen, können wir im Bestfall schneller zu besseren, informierten Entscheidungen gelangen. So versetzt uns Künstliche Intelligenz dazu etwa in die Lage, Prozesse, Planungen und Vorhersagen zu optimieren.

Viele Prozesse und Abläufe können durch den Einsatz von KI beschleunigt und ihre Effizienz gesteigert werden. Die Vorteile von KI-Systemen liegen auf der Hand, müssen dabei jedoch zu den damit verbundenen Risiken ins Verhältnis gesetzt werden. Insbesondere der sichere Umgang mit Künstlicher Intelligenz und den Daten, die durch bzw. mit KI analysiert und verarbeitet werden, ist zu betrachten. Das ist insbesondere in Bereichen der kritischen Infrastruktur relevant. Denn auch in Anwendungen auf Basis von Künstlicher Intelligenz können Fehler oder Fehlfunktionen auftreten. Nicht nur ein verantwortungsbewusster Umgang mit KI, sondern auch ein sicheres System, das alle modernen IT-Anforderungen erfüllt, sind dabei entscheidend.

In ArcGIS, dem Geographischen Informationssystem (GIS) von Esri, ist KI bereits seit vielen Jahren integriert und wird ständig weiterentwickelt. Nutzende können sowohl eigene Machine-Learning- und Deep-Learning-Modelle entwickeln, als auch auf eine umfangreiche Bibliothek vortrainierter Modelle zugreifen. Diese vortrainierten Modelle ermöglichen es, komplexe KI-basierte Analysen in ArcGIS direkt durchzuführen, ohne selbst große Datenmengen aufbereiten oder umfangreiche Rechenressourcen bereitstellen zu müssen.

In naher Zukunft wird Esri zudem verschiedene KI-gestützte Assistenzfunktionen in seine Produkte integrieren. Diese AI Assistants werden Nutzenden dabei helfen, Arbeitsprozesse zu optimieren und effizienter zu gestalten.

Maschinelles Lernen (engl. Machine Learning) ist ein Teilbereich der Künstlichen Intelligenz, der sich darauf fokussiert, Computern die Fähigkeit zu vermitteln, aus Daten zu lernen und Muster zu erkennen, ohne dass sie explizit für jede Aufgabe programmiert werden müssen. Statt fester Regeln und vorgegebenen Lösungswegen nutzen diese Systeme Algorithmen, die auf der Basis großer Datenmengen trainiert werden. Dadurch lernen sie, Vorhersagen zu treffen, Entscheidungen zu unterstützen oder komplexe Zusammenhänge zu analysieren. Maschinelles Lernen wird häufig bei strukturierten Daten eingesetzt, wie sie beispielsweise in Tabellen oder Datenbanken vorliegen. Anwendungsbeispiele sind Standortanalysen, Zeitreihenanalysen und Prognosen.

Unterschieden wird maschinelles Lernen auch in die Arten „überwachtes Lernen“, „unüberwachtes Lernen“ und „bestärkendes Lernen“. Der Vorteil von maschinellen Lernverfahren liegt darin, dass sie es ermöglichen, große Datenmengen nicht nur zu analysieren, sondern auch intelligent zu verarbeiten. Die Analyse und Verarbeitung ist dabei besonders schnell und präzise.

Beim sogenannten Deep Learning handelt es sich um ein Teilgebiet des Machine Learning. Deep Learning verwendet neuronale Netze, die dem Aufbau des menschlichen Gehirns mit Neuronen und Synapsen ähneln. Auf dieser Grundlage kann das System komplexe Probleme in mehrere Schichten aufteilen und Knotenpunkte identifizieren. Dank dieses mehrschichtigen Ansatzes ist Deep Learning besonders gut dazu in der Lage, Muster zu erkennen und detaillierte Erkenntnisse zu gewinnen. Das ist vor allem bei der Arbeit mit großen, unstrukturierten Daten (Bilder, Videos, Texte, Audiodaten usw.) hilfreich. So wird Deep Learning oft verwendet, um zum Beispiel Objekte in Bildern zu erkennen, Objekte in Videos zu tracken oder Pixel zu klassifizieren.

Ein Anwendungsbereich, bei dem KI auf räumliche Informationen trifft, liegt in der Identifikation und Klassifikation von Objekten. Bei der Erkennung von Fahrzeugen auf Bild- oder Videoaufnahmen kann der Algorithmus beispielsweise mit Aufnahmen angereichert werden, auf denen die Objekte zuvor durch einen Menschen korrekt klassifiziert bzw. identifiziert wurden. Mit diesen Testdaten als Grundlage erhält der Algorithmus zusätzliche Informationen, die ihm bei der selbstständigen Ausführung des Tasks helfen.

Diese wiederkehrenden Durchläufe erzeugen den gewünschten Lern-Effekt. Mit jedem Durchlauf wird das Modell trainiert und so kontinuierlich in seiner Genauigkeit optimiert. Die Qualität der Trainingsdaten und eine ausreichender Trainingsumfang sind dabei besonders wichtig.