‏ה-GeoAI והדור הבא של תובנות מרחביות

זרימות עבודה גיאו-מרחביות מבוססות AI פותחות הזדמנויות חדשות לחדשנות וליעילות

הערך של מידע גיאו-מרחבי לקבלת החלטות ולהבנה של עולמנו אינו ניתן להפרזה. נתונים גיאו-מרחביים מאפשרים לנו לראות דפוסים נסתרים המעצבים את העולם הבנוי והטבעי שלנו, והתובנות המופקות מהם עשויות להיות משנות חיים. ככל שהבינה המלאכותית משנה תעשיות רבות, היא תופסת אחיזה גם בעולם הגיאו-מרחבי. הופעתו של “GeoAI”, המוגדר כמיזוג של נתונים גיאו-מרחביים, טכנולוגיות חישה ותובנות מבוססות AI, מהווה שינוי קריטי וסביר שתגדיר מחדש את האופן שבו ארגונים לוכדים ומפרשים מידע גיאו-מרחבי.

באתר Geo Week News שוחחו עם ד"ר אהרון מוריס, מוביל חדשנות ב-Woolpert, כדי לבחון כיצד GeoAI משנה זרימות עבודה מסורתיות, מה מצב הטכנולוגיה כיום, ומה מצפה לנו באופק. לד"ר מוריס ניסיון של יותר מ-25 שנים בתחומי AI, רובוטיקה ותאומים דיגיטליים, והוא בעל דוקטורט ברובוטיקה מאוניברסיטת קרנגי מלון ומייסד מספר סטארט-אפים בתחום מערכות אוטונומיות ותשתיות מבוססות AI.

האם תוכל להתחיל בהגדרת GeoAI, ומדוע זה הפך לתחום חדשנות מרכזי עבור ארגונים כמו Woolpert?

ה-GeoAI הוא ביסודו יישום של טכנולוגיות AI להבנת נתונים גיאו-מרחביים. ה"Geo" הוא מרכיב קריטי, שכן הוא מגדיר תחום בעיה ייחודי והזדמנות ייחודית לתעשייה הגיאו-מרחבית. מבחינתי, GeoAI הוא שילוב של חישה, AI ונתוני GIS. בעוד ש-AI הוא תחום רחב הכולל גם מודלים שפתיים גדולים, רכיב החיישנים והיקף הנתונים הגיאו-מרחביים הופכים את GeoAI לייחודי.

עבור Woolpert, ולמעשה עבור כל גורם בעולם הגיאו-מרחבי, GeoAI הוא גורם משבש. היסטורית, נתונים גיאו-מרחביים היו קשים לניהול בשל היקפם—התמודדות עם פרטים קטנים וקריטיים על העולם בקנה מידה עצום. לדוגמה, תהליך על נתוני עיר עשוי לייצר 100,000 אובייקטים גלויים, שלוקח זמן עצום לנתח ידנית. GeoAI יהפוך את המשחק, ויאפשר לנו להבין את העולם בדרכים שלא היו אפשריות בעבר.

אילו גורמים הופכים את הרגע הנוכחי לייחודי ליישום AI על נתונים גיאו-מרחביים?

ההאצה הנוכחית מתאפשרת בזכות מספר התפתחויות טכנולוגיות עיקריות. ראשית, הבשלת תשתיות הענן. כיום אנו יכולים להקים בקלות מופעים הכוללים מראש פלטפורמות למידת מכונה כמו TensorFlow—משימה שהייתה קשה בהרבה לפני כמה שנים. בתחילת הקריירה שלי, היית צריך לבנות את הכלים האלה בעצמך.

בנוסף, אנו רואים הבשלה של כלים לסימון אנושי, שעדיין מהווה מרכיב משמעותי בפיתוח AI. זה כולל התפתחות של תעשיות סימון ושל פלטפורמות כמו reCAPTCHA שפועלות "מאחורי הקלעים".

השילוב בין מסגרות אלו וההתלהבות הכללית סביב AI דוחפים את התחום קדימה. אנשים שהיו סקפטיים בעבר או התעכבו באימוץ—מצטרפים כעת. השינוי בגישת התעשייה ל-AI בשנה וחצי האחרונות פשוט מדהים.

האם תוכל לתת דוגמאות לשימושים שבהם Woolpert מיישמת GeoAI?

הGeoAI נמצא בשימוש במגוון רחב של יישומים. אמנם רבים חושבים תחילה על זיהוי אובייקטים, כמו איתור טביעות מבנים מתמונות לווין או אורתו, אך המציאות רחבה הרבה יותר. אנו עוסקים רבות בזיהוי ובסגמנטציה—ציור קווים וסימון מאפיינים ספציפיים בתמונות.

אחד היישומים הראשונים שהתמודדנו איתו ב-Woolpert היה ניקוי נתונים. כאשר ענן נקודות מתקבל, הוא כולל רעשי חיישן, רעשי סביבה ונקודות אקראיות שיש לסנן. מסננים מסורתיים קיימים, אך GeoAI מסייע בזיהוי דפוסים מורכבים כמו סיווג נקודות קרקע כאשר קיימת ערימת חומרים—בעוד שבעבר אדם היה צריך לזהות אם מדובר בגבעה או בערימה. אנו מקודדים ומייעלים את הידע האנושי.

מעבר לסיווגים טיפוסיים (טביעות מבנים, שימושי קרקע וכו'), אנו מתמקדים יותר ויותר בזיהוי שינויים. העולם עצום, ומעקב אחרי שינויים קטנים לאורך זמן הוא קשה. GeoAI מאפשר לנו לעקוב ולהבין שינויים שלא נראו בעבר, כולל זיהוי מפולות קרקע ושקיעה. שילוב עם נתוני מזג אוויר עשוי לזהות אזורים שבהם עשויה להתרחש מפולת קרקע ליד תשתיות קריטיות.

מעניין לציין כי יישום AI גם מחייב ארגון טוב יותר של הנתונים. כדי לאמן מערכת AI, הנתונים חייבים להיות מאורגנים היטב בשרתים: שמות קבצים עקביים, הרשאות נכונות ומבנה תיקיות מסודר.

מהם האתגרים הגדולים ביותר בהפיכת נתונים גיאו-מרחביים למידע שימושי?

אתגר זה מסביר מדוע GeoAI ייחודי ביחס ל-AI כללי—הכול קשור לחישה. בניגוד למודלים שפתיים גדולים שמנתחים תוכן אנושי כתוב, נתונים גיאו-מרחביים מבוססים על חיישנים—לידאר, מצלמות ומכשירים אלקטרו-אופטיים—המספקים פרשנות של העולם. זה דורש רמת פרשנות נוספת.

האתגרים נובעים משלושה תחומים מרכזיים:

1. רעש ושגיאות חיישן – לכל חיישן יש רעש וסטייה מובנית.

2. הסביבה – עננים, לחות, חופת עצים ואף גרפיטי יוצרים קושי.

3. אופן הלכידה – כיצד החיישן מותקן (רכב, ידני וכו’) וכיצד הוא נע—יוצרים אי-ודאות נוספת.

זהו בדיוק "זבל נכנס—זבל יוצא". אתגר מרכזי כיום הוא לגרום ל-AI להבין היכן הבעיות קיימות, כמו זיהוי נתונים רועשים. עדיין יש מקרים חריגים רבים שהמודלים לא מאומנים להתמודד איתם.

אתגר שני משמעותי הוא היכולת לבצע סימון. כדי לאמן מודל, צריך “מידע קודם”—כלומר מומחה המאשר: “כן, זה תמרור עצור”. ללא אישור כזה, ה-AI לא יודע מה לעשות עם הנתונים. תהליך זה מוגבל בקצב בהתאם לכמות המומחים הזמינים. זה מוביל לשיחות על שימוש עתידי בנתוני אימון סינתטיים.

האם תוכל לשתף סיפור הצלחה שבו GeoAI שיפר תוצאות?

אנו מיישמים את העבודה הזו באופן אינטנסיבי בזרימות העבודה הפנימיות שלנו, וראינו יתרונות רבים.

היתרון הראשון הוא בדרך כלל הסיבה שאנשים מאמינים שהם משקיעים ב-AI, אך הוא לרוב הכי לא מובן: לא מדובר רק במהירות. תוצאה מהירה ללא אמינות אינה יוצרת אמון. במקום זאת, אנו רואים הצלחה כאשר GeoAI מאפשר למנתחי GEOINT להתמודד עם אתגרים מורכבים יותר במסגרת זרימות עבודה המוגברות ב-AI.

לדוגמה, כאשר נדרשת פעולה על ענן נקודות, המערכת מזהה את הבעיה ומציעה עריכה אוטומטית—בדומה ל-Spellcheck. גישה זו יצרה שיפור משמעותי באיכות, עם פחות בעיות ב-QAQC.

בנוסף, ראינו שמודלי AI משפרים את דיוק האינפרנסים בעבודות הפקת מידע. לדוגמה, בפרויקט שסיווג סוגי קרקע לאורך מסדרון תחבורה באורכו עשרות מיילים, השתמשנו רק בחלק קטן מהנתונים לאימון. המומחה סימן גבולות גסים—פוליגונים "קופסתיים"—אך לאחר האימון, ה-AI סימן גבולות מדויקים סביב כל שיח, אבן, מדרכה ותעלה. גם אנחנו וגם הלקוחות היינו בהלם מהדיוק.

בסדנה שלך ב-Geo Week אתה עוסק ב"פירוק" של GeoAI. מה אתה מקווה שהמשתתפים ייקחו איתם?

הדבר החשוב ביותר הוא לספק למשתתפים את השפה והבנה הנדרשת לשיחה מושכלת מול ספקים. כיום השוק מוצף בפתרונות AI, וקיים סיכון גדול של הבטחות-יתר ואי-קיום—מצב שפוגע בכלל התעשייה.

משתתפים צריכים להבין מה אמיתי ומה לא, ולהבחין בין יכולות לטווח קצר ליכולות לטווח רחוק. חשוב להבין את היסודות: כיצד מטפלים בתמונות לעומת לידאר, מה עומס החישוב של כל סוג נתון, ומה בכלל אפשרי.

כיצד אתה רואה את הקשר בין מומחיות אנושית ל-AI?

אני אוהב לתאר את המצב הנוכחי כ"עידן הקידוד הגדול". מומחים הקדישו שנים לפענוח נתונים גיאו-מרחביים וליצירת מודלים דיגיטליים. כעת הם מספקים את הסימונים הדרושים לאימון המודלים.

שלב זה יימשך זמן מה. בהמשך, התהליך יעבור משלב יצירת הסימונים למצב שבו בני אדם מאמתים את תוצרי ה-AI במקום לייצר אותם מאפס. ה-AI ייצור את הניסיון הראשון, והאדם יאשר.

לאחר מכן, ככל שהביטחון יגדל וכמה מודלים יספקו תוצאות דומות (קרוס-ולידציה), יתבסס אמון גבוה יותר. ייתכן שנגיע למצב שבו קשה יהיה להתחרות בדיוק של המכונות.

אילו תעשיות נוספות צפויות להרוויח מ-GeoAI?

עם כל הקושי לחזות את העתיד, ברור שיש הזדמנויות רבות. אנו מתקדמים לעבר יצירת תאום דיגיטלי אמיתי של התשתיות שלנו בקנה מידה עצום. היסטורית, תאומים דיגיטליים פנו בעיקר לאובייקטים מעשה אדם (מנועים, טילים וכו’). כיום הדגש כולל גם מרכיבים טבעיים.

כל מגזר של תשתיות—חשמל, גז, נפט—ירוויח מהבנה מדויקת של מיקום הנכסים. מפתיע כמה תשתיות קיימות בשטח ללא כל תיעוד רשמי.

תאומים דיגיטליים חשובים לא רק ליצירה אלא גם לתחזוקה. בעבר, לאחר מאמץ ענק לסרוק, למדוד ולדגום את הסביבה לתוך GIS—המידע התיישן מהר. אי-אפשר לסרוק מחדש הכול כל הזמן. GeoAI מאיץ את היצירה הראשונית וגם מזהה אזורים שבהם חלו שינויים.

כיצד GeoAI ישפיע על Woolpert ועל התעשייה בשנים הקרובות?

ב-Woolpert, GeoAI יהיה משולב בכל תחום וכל משימה. לא תהיה איסוף נתונים שלא יעבור ניקוי או ולידציה באמצעות AI. תוצרים גיאו-מרחביים—כמו שימושי קרקע—ייווצרו יותר ויותר באמצעות AI בזכות איכות משופרת ועלויות תחרותיות.

ברמה הלאומית, אין ארגון שלא יושפע. לדוגמה, בטיחות כבישים ותשתיות בארה"ב ישתפרו משמעותית באמצעות GeoAI בקנה מידה פדרלי.

בעתיד הקרוב, ככל שארה"ב מתקדמת לתחבורה אוטונומית ותשתיות חכמות, יש צורך דחוף בשני יסודות:

1. מפות HD סטנדרטיות לרכבים אוטונומיים

2. סטנדרטי IoT לניטור בזמן אמת של גשרים, כבישים ומסילות

מאמצים אלו ייכללו ככל הנראה בחוק התחבורה הלאומי הבא ב-2026.

מה הדבר החשוב ביותר שהקהילה הגיאו-מרחבית צריכה להבין לגבי GeoAI?

הדבר החשוב ביותר הוא הפוטנציאל לנגישות רחבה. נתונים גיאו-מרחביים הם בעלי ערך עצום—אך באופן מסורתי דרשו מומחיות עמוקה: הכשרה, תארים וכלים מורכבים.

ה-AI יכול להפוך את המידע הגיאו-מרחבי לנגיש בהרבה. התועלת לתעשייה עצומה: זה פותח דלת ליישומים חדשים, עסקים חדשים ויצירתיות שלא הייתה אפשרית בעבר. זו תהיה תרומתו הגדולה ביותר של GeoAI.