21.11.2018

Die Schnittstelle von künstlicher Intelligenz (KI) und geographischen Informationssystemen (Geographic Information Systems, kurz GIS) schafft massive neue Möglichkeiten. Maschinelles Lernen ist eine Kernkomponente der räumlichen Analyse in GIS. Diese Tools und Algorithmen wurden auf Geo-Verarbeitungswerkzeuge angewendet, um eine Vielzahl von Herausforderungen zu lösen. Beispielsweise können durch Algorithmen mit einer geografischen Gewichtung Vorhersagen für eine gewisse Region getroffen werden. Für eine solche Methode müssen Experten diese Faktoren identifizieren und einspeisen. So kann die künstliche Intelligenz lernen. 

Der Aufstieg von Deep Learning 

Beim Deep Learning ermitteln Maschinen anhand dieser Daten, welche Faktoren für ein neuronales Netzwerk nötig sind. In einem tiefen neuronalen Netzwerk gibt es Neuronen, die auf Stimuli reagieren. Diese sind in Schichten miteinander verbunden. Ein Aspekt der KI, bei dem Deep Learning außerordentlich gut funktioniert hat, ist das sogenannte Computer Vision. Darunter versteht man maschinelles Sehen, das Robotern Sehvermögen beizubringen versucht. Eine simplere Aufgabe aus diesem Bereich ist die Bildklassifizierung, bei der ein Computer einem Bild ein Label wie “Katze” oder “Hund” zuweist. Dies kann in geographischen Informationssystemen zum Kategorisieren von mit Geotags versehenen Fotos verwendet werden. Weiterhin gibt es die Objekterkennung, bei der der Computer Objekte und deren Position in einem Bild findet. 

Eine weitere zentrale Aufgabe in der Computer Vision ist die semantische Segmentierung, bei der jedes Pixel eines Bildes zu einer bestimmten Klasse gehörig klassifiziert wird. Diesen Bereich nennt man “Semantic Segmentation”. Beim Extrahieren von Straßennetzen aus Satellitenbildern findet Semantic Segmentation beispielsweise Anwendung. 

Der Weg in die Zukunft

Einige der innovativen Anwendungen von Deep Learning dienen der Verbesserung der Detailtiefe, beispielsweise bei der Schärfung von Satellitenbildern. Die Technik verbessert das Bildmaterial, über Auflösung der verwendeten Sensoren hinaus. 

Eine weitere innovative Anwendung von Deep Learning ist die kreative künstliche Intelligenz. Neuronale Übertragungstechniken können eine Generierung von verbesserten Kartendarstellungen unterstützen. Die automatische Übertragung von Kartenstilen werden möglich. 

Mit Deep Learning können auch große Mengen strukturierter Daten verarbeitet werden.

Anwendungen solcher Techniken auf strukturierte Daten umfassen das Vorhersagen der Unfallwahrscheinlichkeit, die Umsatzprognosen und die Geokodierung. 

Unsere Experten der TWT Business Solutions beraten Sie gerne zu diesem Thema und ebnen Ihren Weg in die Zukunft der Künstlichen Intelligenz.