Nel nostro campo, l’esempio primordiale delle applicazioni di IA (Intelligenza Artificiale) risale alla analisi automatica delle immagini satellitari con gli algoritmi di change detection.
Questi algoritmi hanno prodotto le prime situazioni in cui modelli predittivi potevano apprendere e memorizzare situazioni adatte a riconoscere elementi di variazione di stato del territorio. Un esempio è il paragone di più riprese satellitari o aeree che analizzate con questi algoritmi, consentono di mappare in automazione nuove costruzioni, incendi, inondazioni e altre brusche variazioni del territorio. Una attività standardizzata e insita nei processi tipici dell’osservazione della Terra e suo monitoraggio da almeno 30 anni.
Nel tempo l'IA si è evoluta come tutte le altre tendenze tecnologiche del momento, spesso con un concetto vivace con dimostrazioni molto interessanti e molto poco pratiche e quasi nessun modo di prevedere come potrebbe influenzare la nostra vita quotidiana. Questo fino al 2022 quando OpenAI ha rilasciato ChatGPT, che è entrato prepotentemente sul nostro lavoro quotidiano. Un valore immediatamente constatabile quando ChatGTP scrive email per noi, oppure fornisce informazioni su una vasta gamma di argomenti, dalle definizioni di concetti complessi alle curiosità quotidiane, assiste nella risoluzione di problemi matematici, dilemmi logici o a fornire suggerimenti su questioni pratiche, può tradurre testi e assistere nella scrittura con correzioni grammaticali, suggerimenti stilistici e revisione di testi.
Il trend nel settore della geomatica, specialmente quello che assiste il mondo delle costruzioni, è di continuo avanzamento in quanto ha iniziato ad offrire un modo intuitivo per automatizzare le attività che consentono agli esseri umani di concentrarsi sulle decisioni più critiche piuttosto che sulle minuzie che fanno perdere tempo.
Il responsabile marketing per Building Construction Field Systems di Trimble, Nathan Patton, ci riporta che l’adozione, gli investimenti e il valore della IA sono in aumento in una varietà di settori. Secondo McKinsey & Company, il 50% delle organizzazioni ha adottato l’IA in almeno un’area di business. L’IA diventerà sempre più fondamentale per il successo e la crescita delle imprese in questo ambito.
La percezione del momento è che coloro che impareranno a sfruttare queste tecnologie sopravvivranno a quelli che non lo fanno.
Di contro siamo ormai abituati a non fidarsi più delle mode passeggere del momento, ove specialmente nel mondo digitale si può sprecare molto tempo inutilmente. E allora quali aspetti della attuale tendenza della IA dobbiamo prediligere?
Il primo, già illustrato, è quello delle analisi delle immagini del territorio riprese da velivoli o da satelliti. Non è una novità l'analisi automatica delle immagini satellitari che consente il rilevamento di cambiamenti ambientali, la classificazione del terreno, il monitoraggio delle colture agricole, la mappatura delle risorse naturali e altro ancora. Qui l'evoluzione e l'apprendimento delle macchine può molto.
Il secondo è quello della elaborazione di grandi quantità di dati geospaziali provenienti da diverse fonti, come immagini satellitari, dati lidar, mappe digitali e sensori terrestri. Algoritmi dedicati possono identificare pattern, riconoscere oggetti, estrarre informazioni geografiche e generare modelli 3D del terreno con una precisione e una velocità superiori rispetto ai metodi tradizionali.
Anche questi comunque già in uso da tempo, specialmente nel campo della fotogrammetria digitale ove ad esempio vengono facilmente riconosciuti gli oggetti in differenti fotogrammi, generalmente per i processi di calcolo delle posizioni dei fotogrammi nello spazio.
Per i dati LiDAR ad alta risoluzione, si stanno creando sistemi per modelli 3D del terreno e delle strutture presenti sulla superficie terrestre, cioè processi cartografici e produzione di mappe.
Ma anche se gli algoritmi di machine learning possono identificare automaticamente oggetti di interesse, come edifici, strade, fiumi e vegetazione, contribuendo a creare mappe dettagliate e aggiornate, potremo mai rilasciare una mappa così creata senza la revisione umana che possa certificare che quanto riportato in mappa è corrispondente alla realtà?
Pensiamo però che l’intelligenza artificiale in geomatica non è una singola tecnologia e nemmeno un singolo algoritmo. È un termine ampio per indicare strumenti che utilizzano i dati per risolvere problemi e ragionare anche per modificare le proprie decisioni sulla base di input appresi, imitando essenzialmente l’intelligenza umana. L’intelligenza artificiale presenta una narrazione attorno ai dati.
Sotto l'IA in geomatica ci sono tecnologie reali come la visione artificiale, la localizzazione e mappatura simultanea basata su immagini (SLAM), strumenti di modellazione 3D, sistemi fotogrammetrici automatici (Structure from Motion) ecc. L'IA è utilizzata per filtrare i segnali GNSS e mitigare gli errori causati da effetti atmosferici, multipath, ritardi ionosferici e altri fattori che possono influenzare la precisione del posizionamento. Gli algoritmi di machine learning possono analizzare i dati storici e in tempo reale per identificare pattern e correlazioni tra i segnali GNSS e i fattori ambientali, consentendo di correggere o compensare gli errori in modo efficace per avere una precisione e accuratezza migliorate, specialmente quando si tratta di costruzioni, nell’intero processo, dall'inizio alla fine.
Nel campo del monitoraggio strutturale la tendenza attuale vede anche la possibilità di rilevare e monitorare i cambiamenti di lesioni, come ad esempio avviene nel progetto denominato TACK (Tunnel Automatic CracK Monitoring using Deep Learning), che combina tecniche avanzate di deep learning e algoritmi fotogrammetrici innovativi per sviluppare una procedura automatica per il rilevamento e la misurazione delle crepe utilizzando immagini di gallerie e ponti acquisite con un sistema di mobile mapping. I risultati hanno dimostrato che è possibile rilevare efficacemente crepe in immagini invisibili e che la principale fonte di errori è il rilevamento falso positivo di oggetti simili a crepe (ad esempio fili di contatto, cavi e bordi delle piastrelle).
Crediti immagine: Belloni, Valeria & Sjölander, Andreas & Ravanelli, Roberta & Crespi, Mattia & Nascetti, Andrea. (2020). TACK PROJECT: TUNNEL AND BRIDGE AUTOMATIC CRACK MONITORING USING DEEP LEARNING AND PHOTOGRAMMETRY. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLIII-B4-2020. 741-745. 10.5194/isprs-archives-XLIII-B4-2020-741-2020.
In conclusione possiamo dire che siamo in grado di automatizzare attività ripetitive manuali, noiose, imitando le funzioni cognitive umane con l’obiettivo di una sostituzione di alta qualità, il che significa che il risultato prodotto dagli strumenti basati sull’intelligenza artificiale dovrebbe essere il più vicino possibile alla qualità dell’intelligenza umana. Questa automazione non solo può accelerare i flussi di lavoro, ma può anche ridurre le possibilità di errore umano.
Come lavorare con l'intelligenza artificiale?
1 – Centralizzare e condividere i dati
L’intelligenza artificiale è valida tanto quanto l’accuratezza e l’ampiezza dei dati che utilizza e le domande a cui risponde. Perciò la prima cosa da fare è quella di attivare una centralizzazione dei dati, si deve lavorare su grandi quantità e su diverse situazioni per far si che le “macchine imparino”. Raccogliendo dati diversi e centralizzandoli in una posizione comune, si sarà in grado di migliorare notevolmente la qualità dei risultati.
Un esempio recente viene da HxGN Connect, un nuovo spazio di lavoro SaaS (Software as a Service) collaborativo con cui organizzazioni, città e regioni possono condividere dati e prendere decisioni in un ambiente sicuro. Si tratta di una soluzione che aiuta a superare sfide utilizzando l’analisi di molti dati con l’IA.
HxGN Connect - https://reimaginecollaboration.com/it/
2 - Acquisire dati di qualità.
Garbage in, garbage out, è il classico motto degli informatici, spazzatura dentro, spazzatura fuori. I modelli di intelligenza artificiale sono validi tanto quanto la qualità dei dati a cui fanno riferimento. Per ottenere il massimo dall’intelligenza artificiale, si devono implementare processi efficaci per garantire la fedeltà e controllare e confermare la qualità dei dati.
Dobbiamo comunque considerare le risposte illogiche e inadeguate dell’IA, come ad esempio quelle che possono venire da ChatGPT. I modelli di intelligenza artificiale debbono essere stimolati con gli strumenti giusti per il lavoro che può fare.
Iniziare con casi d'uso piccoli e mirati automatizzando un'attività semplice può essere un buon punto di partenza. Bisogna assicurarsi di disporre di solidi processi di raccolta e gestione dei dati prima di implementare soluzioni di intelligenza artificiale per massimizzarne l'efficacia. In questo le attuali banche dati di immagini satellitari open, come ad esempio quelli della costellazione Copernicus e quelli che verranno con simile impostazione, saranno una notevole base di partenza per applicare un intelligenza artificiale basata su algoritmi comprovati e sperimentati.
In conclusione, le soluzioni automatizzate massimizzano la produttività e l’efficienza, ma questo lo sapevamo anche prima. Possono portare a una maggiore precisione e accuratezza, a una migliore analisi dei dati e a un processo decisionale più rapido, teniamo presente però la necessità di collaudare i risultati, proprio come si faceva nei processi di acquisizione dei dati col metodo del campione percentuale da verificare in situ.
Nell'immagine di apertura dell'articolo troviamo un'elaborazione di IA ove si mostra che i dati vettoriali possono essere tradotti in immagini simili alle satellitari reali e possono riflettere rapidamente gli aggiornamenti nelle mappe cartografiche basate sulla rete, come nuovi ostacoli o cambiamenti nell'infrastruttura della rete stradale. Fonte: https://arxiv.org/pdf/2111.03384.pdf
