מה שבינה מלאכותית (AI) באמת עושה בתהליכי עבודה של תיעוד מציאות (Reality Capture) כיום

מבט מהשטח על המקומות שבהם הבינה המלאכותית מספקת ערך אמיתי, והיכן שההייפ עדיין עוקף את המציאות.

תיעוד מציאות היה תמיד תחום עתיר נתונים. פוטוגרמטריה, סריקת לידאר (lidar), מערכות GNSS ותחנות כוללות (total stations) מייצרות כמויות עצומות של מידע גולמי שחובה לעבד, לרשום (register), לנקות ולספק בצורה שמישה. במשך שנים, העבודה הזו נפלה כמעט כולה על טכנאים מיומנים שעבדו דרך תהליכי עבודה (pipelines) מבוססים היטב, ולעיתים קרובות מייגעים.

ה-AI משנה חלקים מהמשוואה הזו. עם זאת, השינוי פחות דרמטי ממה שהשיווק מציע, ומנגד משמעותי יותר ממה שהספקנים מוכנים להודות. הנה המקומות שבהם הבינה המלאכותית באמת מופיעה בתהליכי העבודה של תיעוד המציאות כיום.

עיבוד וסיווג של ענני נקודות (Point Cloud Processing and Classification)

אחד הניצחונות הברורים ביותר של ה-AI בתחום תיעוד המציאות הוא סיווג אוטומטי של ענני נקודות. באופן מסורתי, הפרדת נקודות קרקע מצמחייה ומבנים דרשה סינון ידני או כוונון פרמטרים עתיר עבודה. מודלי AI, במיוחד כאלה שגובו באימון על מאגרי נתונים גדולים ומתוייגים, יכולים כעת לסווג ענני נקודות בקנה מידה רחב ובדיוק סביר.

כלים כמו Leica Cyclone ומספר פלטפורמות מבוססות ענן שילבו סיווג מונחה AI שמסוגל להבחין בין קרקע, מבנים, עצים, קווי מתח ומאפיינים אחרים ללא צורך בהתערבות אנושית עבור כל נקודה ונקודה. התוצאות אינן תמיד מושלמות, במיוחד בסביבות עירוניות מורכבות או תחת כיסוי צמחייה צפוף, אך הן מפחיתות באופן דרמטי את הזמן שטכנאים משקיעים בניקוי הנתונים.

עבור סקרי תשתית ומסדרונות (corridor surveys) בקנה מידה גדול, יש לכך חשיבות עצומה. מה שפעם דרש ימים של עריכה ידנית יכול כעת לעבור סקירה ותיקון תוך שעות ספורות.

פוטוגרמטריה והפקת מאפיינים אוטומטית (Photogrammetry and Automated Feature Extraction)

ה-AI האיץ את העיבוד הפוטוגרמטרי בשתי דרכים: מהירות ואינטליגנציה.

בהיבט המהירות, ה-AI שיפר את התאמת המאפיינים (feature matching) על ידי זיהוי נקודות משותפות בין תמונות שונות לצורך בניית ענני נקודות ורשתות (meshes). פלטפורמות פוטוגרמטריה מודרניות משתמשות ברשתות עצביות כדי למצוא נקודות קישור (tie points) בצורה אמינה יותר, במיוחד בסביבות דלות מרקם (texture), כמו קירות בטון או שדות פתוחים, שבהן אלגוריתמים מסורתיים התקשו.

בהיבט האינטליגנציה, ה-AI מאפשר הפקת מאפיינים ישירות מתוך מודלים תלת-ממדיים. פלטפורמות מסוגלות כעת לזהות ולהפיק אובייקטים כמו סימוני כביש או עמודי חשמל ותשתית מבלי שטכנאי יצטרך לבצע דיגיטציה ידנית לכל אחד מהם. הדבר מועיל במיוחד עבור תהליכי עבודה של ניהול נכסים (asset management), שבהם הלקוחות רוצים נתונים מוכנים לקבלת החלטות, ולא רק ענן נקודות גולמי.

רישום ובקרת איכות (Registration and Quality Control)

רישום סריקות (Scan registration) – תהליך היישור של סריקות מרובות לכדי מודל קוהרנטי יחיד – דרש היסטורית הצבה ידנית של מטרות (targets) ותכנון קפדני של חפיפה בין הסריקות. רישום מונחה AI, המכונה לעיתים רישום ללא מטרות (target-free) או רישום מענן לענן (cloud-to-cloud), משתמש באלגוריתמים כדי למצוא התאמות בין סריקות חופפות באופן אוטומטי.

טכנולוגיית SLAM (מיקום ומיפוי סימולטניים), שוויליאם ווינג (William Wing) הזכיר בוובינר האחרון של Geo Week News על פרויקט המכרות שלו בטומבסטון (Tombstone), לוקחת את זה צעד אחד קדימה. סורקים מבוססי SLAM בונים מפה של הסביבה שלהם בזמן אמת, תוך מעקב אחר המיקום שלהם עצמם ביחס לנתונים שהם אוספים. זה מה שהופך סריקה ניידת וידנית למעשית בסביבות נטולות GPS כמו מכרות תת-קרקעיים, חניונים מרובי קומות וחללים פנימיים של מבנים.

ה-AI מופיע גם בתהליכי בקרת איכות (QC) אוטומטיים על ידי סימון שגיאות רישום, זיהוי פערים בנתונים ובדיקת צפיפות הנקודות אל מול מפרטי הפרויקט, עוד לפני שמאגר הנתונים מגיע בכלל לשולחנו של הטכנאי.

זיהוי שינויים ותחזוקת תאומים דיגיטליים (Change Detection and Digital Twin Maintenance)

אחד היישומים המבטיחים ביותר שנמצאים במגמת צמיחה הוא זיהוי שינויים מבוסס AI. כאשר סריקה חדשה של מתקן, נכס תשתית או אתר בנייה מושווית למודל בסיס (baseline model), ה-AI יכול לזהות אוטומטית מה השתנה מבלי שבן אנוש יצטרך לבחון כל משטח ומשטח.

זהו כלי בעל ערך רב במיוחד בתהליכי עבודה של סקרים חוזרים ונשנים: ניטור בנייה, בדיקת נכסים וניהול מחזור חיים של תשתיות. המטרה היא ליצור תאום דיגיטלי חי שמתעדכן בצורה חכמה, במקום לדרוש מאמץ עיבוד מלא מחדש בכל מחזור.

היכן ה-AI עדיין פוסח ומאכזב (Where AI Still Falls Short)

למרות שאין ספק שה-AI משנה את חוקי המשחק, עדיין כדאי להיות כנים לגבי המגבלות שלו. AI בתחום תיעוד המציאות אינו מהווה תחליף לצוותי שטח מנוסים, וגם לא לשיקול הדעת של טכנאי עיבוד מיומן.

מודלי סיווג נכשלים בסביבות חדשות שהם לא אומנו עליהן. כלים להפקת מאפיינים מפספסים דברים שבני אדם עשויים לקלוט מיד. רישום אוטומטי יכול לייצר התאמות שנראות הגיוניות לעין אך הן שגויות בצורה עדינה, שרק עין מנוסה תדע לזהות. לבסוף, לכלי AI באופן כללי אין שום תפיסה של ההקשר המשפטי, החוזי או הפיזי שמנחה מודד או איש מקצוע בתחום ה-GIS בבואו לפרש נתונים, אלא אם כן מכוונים אותם לכך במפורש.

קיים גם פער נגישות. רבים מכלי ה-AI בעלי היכולות הגבוהות ביותר מוטמעים בתוך פלטפורמות תוכנה ארגוניות (enterprise) הנושאות תגי מחיר ארגוניים. חברות קטנות יותר ואנשי מקצוע עצמאיים לרוב אינם יכולים לגשת לאותם תהליכי עבודה אוטומטיים שחברות תשתית גדולות מפעילות בשגרה.

השורה התחתונה והכנה (The Honest Bottom Line)

ה-AI אינו מחליף את אנשי המקצוע בתחום תיעוד המציאות. בהקשרים הנכונים, הוא הופך את עבודתם למהירה יותר, את תהליכי העבודה שלהם ליעילים יותר ואת התוצרים שלהם לעשירים יותר בנתונים. אנשי המקצוע שירוויחו מכך הכי הרבה הם אלו שמבינים הן את היכולות של הטכנולוגיה והן את מצבי הכשל שלה. אנשים שיודעים להגדיר, לפקח ולתקן את כלי ה-AI, במקום פשוט לסמוך עליהם בעיניים עצומות.

תהליכי העבודה אינם נבנים מעצמם. כך גם התבונה להשתמש בכלים הללו בצורה טובה – זו עדיין חייבת להגיע מהאנשים.