Undrar du ifall AI, machine learning och det som kallas för deep learning kommer påverka hur du använder GIS i framtiden så är svaret ja. Den goda nyheten är att verktygen redan finns i ArcGIS.
Med allt mer tillgängliga och allt större datamängder – big data – blir det i det närmaste omöjligt för oss människor att hitta mönster och skapa ny information av dessa data. Den snabba utvecklingen av våra datorer innebär dock att vi kan låta dem göra det åt oss istället. Det är här AI, maskininlärning och deep learning kommer till stor nytta inom GIS.
Det här betyder begreppen
Låt oss börja med att reda ut begreppen, för även om det finns massor av begrepp i den här tekniken så kan de delas in i tre vanligen förekommande huvudkategorier:
- AI (artificiell intelligens). Är lite förenklat en nygammal paradigm inom datavetenskapen som strävar efter att få datorer lika intelligenta som människor. John McCarthy myntade begreppet redan 1956 och definierade det som ”vetenskapen och tekniken att skapa intelligenta maskiner.”
- Machine Learning. Kallas maskininlärning på svenska. Är en underkategori till AI. Det handlar om att låta programvaror lära sig av befintligt data för att formulera regler och hitta mönster i data utan att vara direkt programmerad att utföra en speciell analys i syfte att få fram ett specifikt svar.
- Deep learning. En specifik teknik inom maskininlärning som oftast använder så kallade neuronnät av datorer för att utföra enorma mängder beräkningar. Detta är speciellt bra vid hantering av högdimensionella data som till exempel röstigenkänning, bildtolkning eller för att identifiera olika typer av objekt i videofilmer.
Dra nytta av maskininlärning i GIS
Kan vi dra nytta av detta i ArcGIS? Svaret är som sagt ja, men varför?
De stora anledningarna till att dra nytta av det är dels att våra datorer numera har processorkraften och algoritmerna som behövs för att det inte ska ta för lång tid, och dels för att data blir allt mer tillgängligt och dessutom allt större – det vi kallar big data.
Att analysera så stora datamängder, och dessutom skapa information av det, är en uppgift som snabbt blir ohållbar för oss människor.
Så, vill du analysera big data, och/eller data som kontinuerligt uppdateras, behöver du använda dig av tekniken inom AI, och då mer specifikt tekniken inom maskininlärning.
ArcGIS har (och har faktiskt haft länge) ett flertal verktyg som rör detta. Med ArcGIS kan du dessutom koppla ihop dig med olika tredjepartsramverk som till exempel Scikit-learn för Python om du vill bygga ut möjligheterna ännu mer.
Exempel på ArcGIS-verktyg inom maskininlärning.
Tre huvudgrupper av verktyg för maskininlärning i ArcGIS
De verktyg som faller inom segmentet maskininlärning i ArcGIS delar vi vanligen in i tre ganska distinkta grupper. Det är verktyg för prediktioner, klustring och klassificeringar av data.
- Prediktionsverktygen använder du för att förutspå händelser eller troliga förekomster. Du kan till exempel använda algoritmerna till att utifrån globala klimatförändringar beräkna temperaturen på lokala platser. Ett specifikt exempel på ett verktyg för prediktion i ArcGIS är Empirical Bayesian Krieging, en slags statistisk version av interpolation som du kan använda för att beräkna utbredningsområden som beror på olika faktorer.
- Klustringsverktygen använder du när du vill hitta gemensamma nämnare i data. I segmentet klustringsanalyser ingår bland annat verktyget Space Time Cubes som i stora datamängder kan analysera fram växande eller sjunkande trender (alltså hotspots eller coldspots). Det gör den på ett sätt som inte bara tar platsen i beräknande, utan även tiden – alltså när något inträffade, som exempelvis trafikolyckor.
- Klassificeringsverktygen använder du när du har behov av klassa data. Här ingår bland annat verktyget Support Vector Machine som du kan använda för att med hjälp av högupplösta satellitscener klassa till exempel hårdgjorda ytor i landskapet och skilja ut dem från omkringliggande strukturer, kanske för att skapa bättre underlag vid analyser av översvämningsrisker eller för att automatisera analyser av hur landskap och strukturer förändras.
