30. April 2021 – Ganz gleich, ob du gerade eine Inspektion anhand von Satellitenbildern durchführst oder einfach nur auf der Couch Videos auf YouTube anschaust: Machine Learning ist überall. Denk zum Beispiel an Google, Facebook oder LinkedIn, deren Suchfunktionen von verschiedenen Machine-Learning-Algorithmen unterstützt werden. Das Gleiche gilt für Netflix oder Spotify, wo Serien, Filme und Musik auf der Grundlage deiner bisherigen Auswahl empfohlen werden. Selbst auf deinem Smartphone, wenn du beispielsweise Siri, Google Assistant oder Alexa nutzt, wird Machine Learning für die Spracherkennung oder Suchanfragen eingesetzt.
Viele dieser Funktionen wurden entwickelt, um das Nutzererlebnis zu verbessern, doch es kann auch in die andere Richtung gehen. Facebook stellte ein Programm für künstliche Intelligenz ein, nachdem die Entwickler festgestellt hatten, dass das Programm eine eigene Sprache entwickelt hatte, die sie selbst nicht verstehen konnten. Forscher des „Facebook AI Research Lab“ (FAIR) stellten fest, dass Chatbots vom Skript abwichen und ohne menschliches Zutun in einer neuen Sprache kommunizierten.
Warum ist maschinelles Lernen notwendig?
Ungeachtet des unvorhersehbaren Charakters dieses Beispiels ist das Potenzial des maschinellen Lernens ganz klar erkennbar und hat sich bereits bewährt. „Maschinelles Lernen“ ist mittlerweile ein etabliertes Phänomen und wird in den letzten Jahren zunehmend im geografischen Bereich eingesetzt. Im Jahr 2018 brachte Hexagon neue Versionen auf den Markt, die Machine-Learning- und Deep-Learning-Analysen auf geografischen Daten ermöglichen. Dennoch sind die allerersten Machine-Learning-Algorithmen bereits über sechzig Jahre alt. Man könnte sich fragen, was Machine Learning heute so wichtig und relevant macht. Die Antwort lautet schlicht und einfach: „Daten“.
In dieser sich schnell verändernden Welt nehmen die Datenmengen ständig zu. All diese Daten erfordern immer mehr Speicherplatz, Rechenleistung und Fachwissen, um sie zu strukturieren. Der Einsatz von maschinellem Lernen ist dabei unvermeidlich. Das Konzept des maschinellen Lernens beinhaltet den Einsatz von Statistik und mathematischen Verfahren, durch die Computer lernen können, ohne dass jeder Schritt explizit programmiert werden muss.
Heutzutage bietet maschinelles Lernen im Geodatenbereich zahlreiche Möglichkeiten. Diese werden durch den „Spatial Modeler“ in ERDAS oder GeoMedia® der Geodaten-SparteHexagon bereitgestellt, was sich in den Anwendungen verschiedener Nutzer widerspiegelt.
Heutzutage nutzt fast jeder unbewusst eine bestimmte Form des maschinellen Lernens. Auch in der Geodatenbranche.
Alltägliche Aufgaben leicht gemacht
Ein gutes Beispiel für den Einsatz von maschinellem Lernen in unseren Standortintelligenz-Lösungen ist die Arbeit bei den Wasserverbänden. Wie viele andere Behörden sind auch die Wasserverbände intensiv damit beschäftigt, zeitaufwändige Prozesse zu digitalisieren. Die Inspektion von Wasserwegen, auch „Schouw“ genannt, ist ein solcher Prozess. Dieser lässt sich teilweise automatisieren, indem künstliche Intelligenz unter Verwendung von Satellitenbildern in die Verarbeitung integriert wird.
Maschinelle Lernverfahren werden eingesetzt, um Wasserwege auf Satellitenbildern für eine automatisierte Bewertung zu klassifizieren. Die Integration von Algorithmen in Analysemodelle ermöglicht es, Abweichungen in Wasserläufen automatisch zu erkennen, ohne dass eine tatsächliche Inspektion vor Ort erforderlich ist. Und dies ist nur ein Beispiel aus der Vielzahl der Möglichkeiten, die maschinelles Lernen bietet.
Aus dieser Technik ist die Lösung „Schouw M.App“ hervorgegangen, ein Managementsystem, das von verschiedenen Wasserverbänden bei ihren Inspektionsprozessen eingesetzt wird. Unter anderem nutzt der Wasserverband Drents Overijsselse Delta diese Lösung, um die Inspektionen von seinen Büros aus durchzuführen. Die Inspektionen werden viel gezielter durchgeführt, wodurch der Einsatz von Personal, Zeit und Geld effizienter wird.
Die Bedeutung von Daten
Daten sind der Schlüssel zu einer effektiven und präzisen Umsetzung. Eine wichtige Voraussetzung hierfür ist, dass die eingegebenen Daten korrekt sind. Sind die in Analysen verwendeten Basisdaten nicht korrekt, erhält man auch keine korrekten Ergebnisse. Daher ist es heute mehr denn je entscheidend, dass die Quelldaten „ABC“ sind: aktuell, zuverlässig und vollständig. Wenn die Daten innerhalb eines bestimmten Verwaltungsbereichs (wie beispielsweise der Lage von Wasserläufen in einem Wasserverband) nicht stimmen, kann dies zu einer erheblichen Fehlerquote führen.
Deshalb müssen solche Fehler zunächst korrigiert werden. Mit einer Reihe spezifischer Modelle innerhalb unserer Lösung zur Erkennung von Datenänderungen, DELTA, lassen sich Abweichungen automatisiert aufspüren und einem Administrator zur Bearbeitung vorlegen. Durch die automatisierte Durchführung dieser Analysen über eine gesamte Fläche hinweg weiß ein Verwalter genau, wo die Abweichungen liegen, und kann gezielt an deren Korrektur und Aktualisierung arbeiten. Diese Technik kann auch zur Erkennung von Änderungen in verschiedenen Basis- und Kernregistern eingesetzt werden.
Der nächste Schritt
Obwohl diese Beispiele bereits in verschiedenen Organisationen zum Einsatz kommen, stehen wir noch ganz am Anfang dieser interessanten Möglichkeiten. Die Technologie steckt im Geodatenbereich noch in den Kinderschuhen, wird sich aber weiterentwickeln und verbessern, denn die Möglichkeiten sind endlos. Auch bei IMAGEM die Entwicklungen auf Hochtouren, und es stehen interessante Technologien zur Verfügung.
Weitere Informationen
Harald ist Business Consultant bei IMAGEM. Er fungiert als Bindeglied zwischen Wirtschaft, Vertrieb und Technik und kümmert sich inhaltlich um die Kunden. Gemeinsam mit den Entwicklern erarbeitet er Lösungen für den Bereich öffentliche Ordnung und Sicherheit, für Bildungseinrichtungen oder für digital twins.
Möchtest du mehr über dieses Thema erfahren? Schick Harald eine E-Mail oder hinterlasse eine Nachricht über unser Kontaktformular.
Harald Görtz
Unternehmensberater
