Skip to content

LOCATIEDATA SLIMMER MAKEN MET MACHINE LEARNING

30 april 2021 – Of 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 is overal. Denk bijvoorbeeld aan Google, Facebook of LinkedIn, waarvan de zoekfuncties door verschillende Machine Learning algoritmen worden ondersteund. Hetzelfde geldt voor Netflix of Spotify, waarbij series, films en muziek worden aanbevolen op 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.

Machine Learning

Waarom is Machine Learning nodig?

Ongeacht de onvoorziene aard van dit voorbeeld, is het potentieel van Machine Learning heel duidelijk zichtbaar en heeft zich dat al goed laten zien. ‘Machine Learning’ is momenteel een gevestigd fenomeen en wordt de laatste jaren steeds meer binnen het geografische domein gebruikt. In 2018 bracht Hexagon Geospatial nieuwe releases uit die Machine Learning en Deep Learning analyses mogelijk maakt op geografische data. Toch zijn de allereerste Machine Learning algoritmen al meer dan zestig jaar oud1. Je kunt je afvragen wat Machine Learning 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 Machine Learning 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.

Question-Mark

Tegenwoordig gebruikt vrijwel iedereen onbewust een zekere vorm van Machine Learning. Ook in de geospatial wereld.

Alledaagse taken eenvoudig gemaakt

Een mooi voorbeeld van Machine Learning toegepast in onze locatie intelligentie oplossingen is het werk binnen waterschappen. Zoals veel andere overheidsorganisaties zijn waterschappen druk bezig met het digitaliseren van tijdrovende processen. De inspectie van waterwegen, ook wel de schouw, is zo een proces. Deze kan gedeeltelijk geautomatiseerd worden door kunstmatige intelligentie te integreren in de verwerking, waarbij gebruik wordt gemaakt van satellietbeelden.

Machine Learning technieken worden toegepast om de waterwegen op satellietbeelden te classificeren voor geautomatiseerde kwalificatie. De integratie van algoritmen in analysemodellen maakt het mogelijk geautomatiseerd afwijkingen in watergangen te detecteren, zonder dat men daadwerkelijk in het veld moet inspecteren. En dit is slechts één voorbeeld uit de veelheid van mogelijkheden die beschikbaar zijn met Machine Learning.

Deze techniek is gevormd tot de oplossing Schouw M.App, een managementsysteem dat door verschillende waterschappen wordt ingezet bij hun schouw inspectieprocessen. Onder meer Waterschap Drents Overijsselse Delta zet deze oplossing in om de schouw uit te voeren vanaf hun bureaus. Inspecties worden veel gerichter uitgevoerd, waardoor de inzet van mankracht, tijd en geld efficiënter wordt.

Het belang van data

Data is de sleutel voor een effectieve en nauwkeurige implementatie. Een belangrijke voorwaarde hiervan is dat de ingevoerde data wel correct is. Als de basisdata die in analyses gestopt worden niet correct is, krijgt men ook geen juiste resultaten. Meer dan ooit is het daarom cruciaal dat brondata ‘ABC’ is: actueel, betrouwbaar en compleet. Als er binnen een bepaald beheergebied (zoals de ligging van watergangen in een waterschap) de data niet klopt, kan dat oplopen tot een flink foutpercentage.

Daarom moeten eerst zulke fouten gecorrigeerd moeten worden. Met een aantal specifieke modellen binnen onze mutatiesignalering oplossing DELTA kan men geautomatiseerd afwijkingen opsporen en voorleggen aan een beheerder. Door deze analyses geautomatiseerd over een geheel areaal uit te voeren weet een beheerder precies waar de afwijkingen zijn en kan hij of zij gericht werken aan het corrigeren en actualiseren. Deze techniek kan ook toegepast worden in het detecteren van veranderingen in verschillende basis- en kernregistraties.

De volgende stap

Hoewel deze voorbeelden al worden gebruikt binnen verschillende organisaties, staan we nog aan het begin van deze interessante mogelijkheden. De technologie staat binnen het geospatial domein nog in de kinderschoenen, maar zal zich blijven ontwikkelen en verbeteren, want de mogelijkheden zijn eindeloos. Ook binnen IMAGEM zijn de ontwikkelingen volop bezig en zijn er interessante technologieën te gebruiken.

Tieme de Jonge

Tieme de Jonge

Marketing Communicatie Specialist bij IMAGEM