Κέρδη:
- Να είναι σε θέση να διακρίνει ποια βήματα της ροής εργασιών γεωματικής εξοικονομεί πραγματικό χρόνο και ποιες αποφάσεις πρέπει να παραμείνουν με την έγκριση του αρμόδιου μηχανικού
- Δυνατότητα εφαρμογής μιας πειθαρχίας που επικυρώνει κάθε έξοδο AI με τάξη μεγέθους, γεωδαισιακή αληθοφάνεια και στοιχεία εδάφους/πόρων
- Αποκτήστε τη συνήθεια να δημιουργείτε ασφαλείς προτροπές αναγνωρίζοντας τους κινδύνους σύγχυσης συντεταγμένων/δεδομένων, ψευδαισθήσεων και απορρήτου προσωπικών δεδομένων και ανωνυμοποιώντας το πλαίσιο.
Η Γεωματική Μηχανική είναι ο κλάδος της μηχανικής που μετρά, επεξεργάζεται, αναλύει και χαρτογραφεί τη θέση της γης και των αντικειμένων σε αυτήν. Αυτό το επάγγελμα λειτουργεί με συντεταγμένες, ακρίβεια χιλιοστού σε εκατοστό, όρια ιδιοκτησίας και επίσημα έγγραφα. Άρα τα λάθη είναι ακριβά. Σε αυτήν την ενότητα, καθορίζουμε πού η τεχνητή νοημοσύνη (τεχνητή νοημοσύνη εν συντομία: συστήματα λογισμικού που μπορούν να επεξεργάζονται κείμενο, εικόνες και δεδομένα και να παράγουν απαντήσεις που μοιάζουν με ανθρώπους) εξοικονομεί πραγματικό χρόνο στη ροή εργασιών γεωματικής, πού είναι επικίνδυνο και πώς να επαληθεύει κάθε έξοδο. Ας το πούμε από την αρχή: η τεχνητή νοημοσύνη είναι βοηθός, αν και παράγει τις συντεταγμένες, ο αρμόδιος μηχανικός παίρνει την απόφαση και την υπογραφή.
Αρχικά, ας διευκρινίσουμε πού διασταυρώνονται το επάγγελμα και η τεχνητή νοημοσύνη. Ένα έργο γεωματικής συνήθως περνά από τα ακόλουθα βήματα: συλλογή δεδομένων (τοποθέτηση εδάφους με GNSS, συνολικός σταθμός, UAV, LiDAR), επεξεργασία δεδομένων (μετατροπή πρωτογενούς παρατήρησης σε συντεταγμένες, εξισορρόπηση), ανάλυση (χωρικές ερωτήσεις με GIS/GIS), παραγωγή (χάρτης, ορθοφωτογραφία, μοντέλο), παράδοση (αναφορά, φύλλο, εγγραφή). Η τεχνητή νοημοσύνη λειτουργεί σε διαφορετικά επίπεδα σε κάθε κρίκο αυτής της αλυσίδας: σε ορισμένα σημεία κάνει την κύρια δουλειά (για παράδειγμα, ταξινομεί χιλιάδες εικόνες), σε ορισμένα σημεία παράγει μόνο προσχέδια (κείμενο αναφοράς) και σε ορισμένα σημεία είναι ένας βοηθός που δεν πρέπει να εμπιστευόμαστε καθόλου (η ακριβής αξία ενός κτηματολογικού περιγράμματος).
Η Αρχή που Καθορίζει Τι να Δώσουμε στην ΤΝ
Μπορείτε να μετρήσετε τον κίνδυνο κάθε εργασίας τεχνητής νοημοσύνης με μια πρόταση: ο κίνδυνος μιας εξόδου είναι ίσος με τη ζημιά που θα προκαλέσει εάν αυτή η έξοδος είναι ελαττωματική. Ένα μικρό λάθος σε μια περίληψη της βιβλιογραφίας είναι σχεδόν αβλαβές. Ωστόσο, ένα σφάλμα 20 cm στις συντεταγμένες μιας αίτησης (σημείωση των σημείων του έργου στο οικόπεδο) σημαίνει θεμέλιο που χύνεται σε λάθος μέρος, ένα κτίριο που ξεχειλίζει στο γειτονικό αγροτεμάχιο και διαμάχη στο δικαστήριο. Επομένως, κλιμακώνουμε την ένταση επαλήθευσης σύμφωνα με πιθανή βλάβη.
Για να γίνει αυτό συγκεκριμένο, ας χωρίσουμε τα πράγματα σε τρεις κουβάδες:
τύπο επιχείρησης
Ο ρόλος του AI
Πυκνότητα επαλήθευσης
παράδειγμα
Χαμηλού κινδύνου/βοηθητικό
αρχικός κατασκευαστής
Ελαφρύ (κριτική)
Μετατροπή σημειώσεων μέτρησης σε πίνακες, σχέδιο αναφοράς
Μεσαίου κινδύνου/βύθισμα
επιταχυντής
Μέσο (δείγμα ελέγχου + λογική)
Προκαταρκτική ταξινόμηση κάλυψης γης, δημιουργία κωδικών
Υψηλού κινδύνου/κρίσιμο
Απλώς δίνει μια ιδέα
Βαριά (πλήρης ανεξάρτητη επαλήθευση)
Κτηματολογικό περίγραμμα, εφαρμογή, υψομετρική τιμή, μετατροπή δεδομένων
Αυτός ο πίνακας πρέπει να είναι αντανακλαστικός: όταν λαμβάνετε μια έξοδο AI, ρωτάτε πρώτα "σε ποιον κάδο βρίσκεται αυτό;" », στη συνέχεια ξοδέψτε την ενέργεια επαλήθευσης ανάλογα.
Επαλήθευση πειθαρχίας: Τρία φίλτρα
Στο Geomatics, περάστε κάθε έξοδο AI μέσα από τρία φίλτρα.
- Έλεγχος μεγέθους. Είναι ο αριθμός εντός λογικού εύρους; Η ανατολή τιμή ED50/UTM ενός σημείου στην Τουρκία είναι περίπου 6 ψηφία μέτρα. μοίρες γεωγραφικού μήκους από -180 έως +180. Το εμβαδόν ενός αγροτεμαχίου είναι σε τετραγωνικά μέτρα. Εάν η τεχνητή νοημοσύνη επέστρεφε ένα 3ψήφιο αποτέλεσμα για μια αναμενόμενη 6ψήφια σωστή τιμή, θα ξέρετε ότι υπήρχε σφάλμα χωρίς να διαβάσετε το περιεχόμενο της απάντησης. Αυτό είναι το φθηνότερο και ισχυρότερο φίλτρο.
- Γεωδαιτική/χωρική αληθοφάνεια. Είναι το αποτέλεσμα συμβατό με τη φυσική και τη γεωμετρία; Η απόσταση μεταξύ δύο γειτονικών σημείων δεν μπορεί να είναι αρνητική. Το άθροισμα των εσωτερικών γωνιών ενός κλειστού πολυγώνου πρέπει να συγκλίνει σε μια ορισμένη τιμή. Το αποτέλεσμα μιας λειτουργίας buffer πρέπει να είναι μεγαλύτερο από τη γεωμετρία εισόδου. Εάν το AI είπε κάτι που είναι λογικά αδύνατο, εξαλείφεται.
- Ανεξάρτητες αποδείξεις. Συγκρίνετε την έξοδο με μια πηγή που η τεχνητή νοημοσύνη δεν έχει δει: ένα γνωστό σημείο ελέγχου, μια αλήθεια γείωσης, ένα επίσημο έγγραφο, μια δεύτερη μέθοδος υπολογισμού. Ένα παράδειγμα αυτού είναι η δοκιμή ενός αποτελέσματος μετασχηματισμού με μια αναφορά της οποίας οι συντεταγμένες είναι ήδη γνωστές.
Συμβουλή: Εφαρμόστε τα τρία φίλτρα με τη σειρά, αλλά ποτέ μην παραλείψετε τα δύο πρώτα. επειδή ο έλεγχος σειράς και αληθοφάνειας διαρκεί δευτερόλεπτα και εντοπίζει τα περισσότερα λάθη προτού καν πάνε σε ανεξάρτητες αποδείξεις.
Συντεταγμένες, δεδομένα και απόρρητο: Παγίδες Specific to Geomatics
Εκτός από τους γενικούς κινδύνους της τεχνητής νοημοσύνης, αυτό το επάγγελμα έχει δύο μεγάλες παγίδες που είναι μοναδικές σε αυτό. Το πρώτο είναι η σύγχυση συντεταγμένων/ δεδομένων. Το δεδομένο είναι μια μαθηματική επιφάνεια αναφοράς που αντιπροσωπεύει την επιφάνεια της γης (π.χ. WGS84, ED50, ITRF). Το ίδιο φυσικό σημείο εκφράζεται με διαφορετικούς αριθμούς σε διαφορετικά σημεία αναφοράς και η διαφορά μεταξύ τους μπορεί να είναι μέτρα σε ορισμένα σημεία στη χώρα μας. Εάν δεν προσδιορίσετε για ποιο σημείο μιλάτε, το AI κάνει μια υπόθεση και το μετατρέπει σιωπηλά σε λάθος σύστημα. Δεύτερον, προσωπικά δεδομένα και απόρρητο ιδιοκτησίας: τα κτηματολογικά αρχεία περιέχουν όνομα ιδιοκτήτη, αριθμό αναγνώρισης, ακριβή τοποθεσία. Η αποστολή τους ανεξέλεγκτα σε εξωτερικό μοντέλο είναι αντίθετη τόσο στη νομοθεσία όσο και στην επαγγελματική δεοντολογία.
Προσοχή: Σταματήστε πριν επικολλήσετε το όνομα του πραγματικού κατόχου, τον αριθμό TR ID ή τις ακριβείς συντεταγμένες μιας ευαίσθητης εγκατάστασης σε ένα μήνυμα προτροπής. Ανωνυμοποιήστε (κάντε ονόματα "Malik-1", αγροτεμάχια "Νησί/Οικόπεδο-Α") ή χρησιμοποιήστε ένα εσωτερικό/εγκεκριμένο περιβάλλον.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Το φίλτρο κατάταξης σώζει ζωές. Ένας ασκούμενος είχε το έργο AI ένα σημείο από μια γεωγραφική συντεταγμένη και πήρε ένα αποτέλεσμα 4.281 m προς τα δεξιά. Στην Τουρκία, οι σωστές τιμές UTM είναι στη ζώνη 100.000-900.000 m. Ένα 4ψήφιο αποτέλεσμα ήταν αδύνατο. Μόνο με τον έλεγχο παραγγελίας, το σφάλμα εντοπίστηκε αμέσως επειδή το μοντέλο υπέθεσε ότι η έξοδος ήταν ακτίνια και όχι μοίρες. Η συντεταγμένη διορθώθηκε πριν μεταφερθεί στο CAD.
Περίπτωση 2 — Μετατόπιση δεδομένων. Μια ομάδα πήρε 12 σημεία ελέγχου από έναν παλιό χάρτη (ED50) και τον έδωσε στο AI ως "μετατροπή σε UTM", χωρίς να προσδιορίσει το δεδομένο. Υποτιθέμενο μοντέλο WGS84; Τα αποτελέσματα μετατοπίστηκαν συστηματικά περίπου 3-4 μέτρα από τις μετρήσεις GPS στο πεδίο. Σε σύγκριση με μία γνωστή αναφορά, η συστηματική διαφορά ήταν αμέσως εμφανής και η εργασία επαναλήφθηκε με τις σωστές παραμέτρους μετασχηματισμού. Ο ανεξάρτητος έλεγχος ενός σημείου έσωσε ολόκληρη την καμπάνια.
Περίπτωση 3 — Πρόληψη παραβίασης της ιδιωτικής ζωής. Ένα γραφείο θα φορτώνει μια κτηματολογική βάση δεδομένων με 850 αγροτεμάχια σε ένα εξωτερικό μοντέλο για να "βρίσκει ασυνέπειες". Ο πίνακας περιείχε ονόματα κατόχων και αριθμούς αναγνώρισης. Χάρη στη λίστα ελέγχου, πρώτα την ανωνυμοποίησαν: αφαιρέθηκαν οι προσωπικές στήλες, στάλθηκαν μόνο πληροφορίες γεωμετρίας και περιοχής. Το όφελος της ανάλυσης παρέμεινε το ίδιο, τα προσωπικά δεδομένα δεν κυκλοφόρησαν ποτέ.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Μετατρέψτε αυτές τις συντεταγμένες σε UTM και γράψτε μια αναφορά.[συντεταγμένες]
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός γεωματικής δεδομένων. Εργασία: μετατρέψτε τα ακόλουθα σημεία από το σύστημα SOURCE στο σύστημα TARGET.- Πηγή CRS: EPSG:4326 (WGS84 geo, βαθμός)- Στόχος CRS: EPSG:5256 (TUREF / TM33)- Εάν υπάρχουν ασαφείς πληροφορίες ή λείπουν πληροφορίες, ΜΗ ΜΕΤΑΤΡΟΠΗΣΤΕ, προσδιορίστε τα 6 αναμενόμενα ψηφία.-Σημείωση για κάθε αναμενόμενο σημείο. ότι η έξοδος πρέπει να επικυρωθεί, σε σύγκριση με ένα γνωστό σημείο ελέγχου. Δεδομένα (ανώνυμα): [πίνακας κουκκίδων]
Η ισχυρή προτροπή δηλώνει ξεκάθαρα την πηγή και τον στόχο, δίνει εντολές να σταματήσει σε ελλιπείς πληροφορίες και ξαναγράφει την αναμονή κατάταξης και την υποχρέωση επαλήθευσης. Έτσι, το αποτέλεσμα είναι και πιο ακριβές και ελεγχόμενο.
Τέσσερα αντιγράψιμα πρότυπα
1) Φίλτρο ταξινόμησης θέσεων εργασίας:
Τοποθετήστε την ακόλουθη εργασία σε έναν από τους τρεις κάδους: (α) χαμηλού κινδύνου/χρήσιμη, (β) μεσαίου κινδύνου/σχεδίου, (γ) υψηλού κινδύνου/κρίσιμης σημασίας. Γράψτε το σκεπτικό και τα προτεινόμενα βήματα επαλήθευσης. Εργασία: [περιγραφή εργασίας]
2) Αίτημα ελέγχου κατάταξης:
Γράψτε την αναμενόμενη τάξη μεγέθους (μονάδα και τυπικό εύρος) πριν παράγετε το αποτέλεσμα παρακάτω. Εάν το αποτέλεσμα είναι εκτός αυτού του εύρους, εκδώστε μια "ΠΡΟΕΙΔΟΠΟΙΗΣΗ ΕΥΡΟΥΣ" και ελέγξτε τον υπολογισμό. Εισαγωγή: [δεδομένα]
3) Σάρωση πριν από την ανωνυμοποίηση:
Το παρακάτω κείμενο περιέχει προσωπικά δεδομένα (όνομα, αριθμός ταυτότητας, στοιχεία κατόχου τίτλου ιδιοκτησίας, ευαίσθητη τοποθεσία) ή εμπιστευτικές πληροφορίες; Αν ναι, απαριθμήστε τα και προτείνετε ανώνυμα ισοδύναμα. ΜΗΝ αλλάξετε το κείμενο, απλώς αναφέρετέ το. Κείμενο: [κείμενο]
4) Δημιουργός σχεδίου επαλήθευσης:
Γράψτε ένα σχήμα επαλήθευσης για τα ακόλουθα αποτελέσματα τεχνητής νοημοσύνης: (1) έλεγχος κατάταξης, (2) γεωδαιτική/χωρική αληθοφάνεια, (3) ανεξάρτητη πηγή αποδεικτικών στοιχείων. Γράψτε ξεκάθαρα τι θα λαμβάνεται υπόψη σε κάθε βήμα. Έξοδος: [Έξοδος AI]
Συνήθη λάθη
- Λειτουργικές συντεταγμένες χωρίς να προσδιορίζεται το Dataum/CRS. Το πιο συνηθισμένο και πιο ακριβό λάθος. Προκαλεί αθόρυβη ολίσθηση για μέτρα.
- Λάθος της ευχέρειας για την ακρίβεια. Το AI γράφει με αυτοπεποίθηση και τακτοποίηση. Αυτό δεν σημαίνει ότι το περιεχόμενο είναι ακριβές.
- Παράκαμψη του ελέγχου κατάταξης. Φέρνοντας σφάλματα που μια ματιά σε κλάσματα δευτερολέπτου θα έπιανε στο CAD.
- Αποστολή προσωπικών/περιουσιακών δεδομένων χωρίς έλεγχο. Η αιτιολόγηση "χρήσιμο ούτως ή άλλως" δεν αίρει την υποχρέωση εμπιστευτικότητας.
- Βασίζοντας την κρίσιμη εργασία σε μία μόνο έξοδο AI. Συνέχιση εργασιών όπως εφαρμογή, κτηματολόγιο και υψόμετρο χωρίς ανεξάρτητη επαλήθευση.
- Νομίζοντας ότι μεταβιβάζεις την ευθύνη στο μοντέλο. Η υπογραφή και η ευθύνη μένουν πάντα στον αρμόδιο μηχανικό.
Συνοπτικά
Η τεχνητή νοημοσύνη λειτουργεί με διαφορετικά βάρη σε κάθε βήμα της ροής εργασιών γεωματικής. Το κρίσιμο είναι να λάβετε υπόψη τον κίνδυνο κάθε αποστολής: "Τι χάνω αν υπάρχει σφάλμα;" ρωτήστε και κλιμακώστε την επαλήθευση ανάλογα. Τρία φίλτρα (πτυχίο, αληθοφάνεια, ανεξάρτητες αποδείξεις) πιάνουν τα περισσότερα λάθη φτηνά. Δύο σημαντικές παγίδες που αφορούν αυτό το επάγγελμα είναι η σύγχυση συντεταγμένων/στοιχείων και η εμπιστευτικότητα των προσωπικών/περιουσιακών δεδομένων. Και τα δύο διαχειρίζονται με τη δημιουργία μιας πειθαρχημένης προτροπής από την αρχή. Η τελική απόφαση και η υπογραφή παραμένουν στον αρμόδιο μηχανικό.
Εργασία εφαρμογής
Επιλέξτε τρεις εργασίες γεωματικής από τη δική σας επιχείρηση (ή υποθετικές): μία χαμηλού κινδύνου, μία μεσαίου κινδύνου, μία υψηλού κινδύνου. Για καθένα, σημειώστε (1) σε ποιο bucket ανήκει, (2) τον ρόλο του AI, (3) τα τρία βήματα φίλτρου που θα εφαρμόσετε. Για την εργασία υψηλού κινδύνου, προσδιορίστε συγκεκριμένα με ποια ανεξάρτητα στοιχεία (σημείο ελέγχου, έγγραφο, δεύτερη μέθοδος) θα ελέγξετε τα αποτελέσματα.
λίστα ελέγχου
- [ ] Μέτρησα τον κίνδυνο της αποστολής με τη «ζημία που θα προκύψει εάν υπάρξει σφάλμα».
- [ ] Τοποθέτησα την εργασία στον κάδο χαμηλού/μεσαίου/υψηλού κινδύνου.
- [ ] Έχω προσδιορίσει ρητά το σύστημα συντεταγμένων προέλευσης και στόχου (datum/EPSG) στη γραμμή εντολών.
- [ ] Πέρασα το αποτέλεσμα μέσω του ελέγχου κατάταξης.
- [ ] Δοκίμασα τη γεωδαιτική/χωρική αληθοφάνεια.
- [ ] Το έχω επαληθεύσει με τουλάχιστον ένα ανεξάρτητο αποδεικτικό στοιχείο.
- [ ] Έχω ανωνυμοποιήσει προσωπικά/ιδιόκτητα δεδομένα ή εργάστηκα σε εγκεκριμένο περιβάλλον.
- [ ] Πήρα την τελική απόφαση και την υπογραφή με ευθύνη του μηχανικού.