Московский экономический журнал 1/2021

image_pdfimage_print

УДК 332.37

DOI 10.24411/2413-046Х-2021-10014

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ АВТОМАТИЗИРОВАННОГО ОБНОВЛЕНИЯ КАРТОГРАФИЧЕСКОГО МАТЕРИАЛА

FUTURE OPPORTUNITIES IN USING ARTIFICIAL INTELLIGENCES FOR AUTOMATIC UPDATING OF MAP DATA 

Жигалов Кирилл Юрьевич, кандидат технически наук, старший научный сотрудник, Институт проблем управления науки В.А. Трапезникова Российской Академии наук, Московский технологический институт, Москва

Аветисян Карэн Рафаелович, преподаватель кафедры информационной безопасности учебно-научного комплекса информационных технологий, Московский университет МВД России имени В.Я. Кикотя, Москва

Маркова Светлана Владимировна, доцент, департамент анализа данных, принятия решений и финансовых технологий, Финансовый университет при Правительстве Российской Федерации, Москва

Jigalov K.Y., KShakalov@mail.ru

Avetisyan K.R.,  Karen-Avetisyan-1989@bk.ru

Markova S.V., SVMarkova@fa.ru; 

Аннотация. Область исследования и разработки интеллектуальных машин, способных выполнять функции, характерные для человеческого мышления. Прообразом стало то, как люди используют свою нервную систему и тело, чтобы чувствовать, учиться, рассуждать и действовать. Сама задумка создания ИИ появилась относительно давно, но только появление в 20 веке цифровых компьютеров способствовало развитию и воплощению идеи в реальность. Хотя темпы прогресса в области ИИ были неоднородными и непредсказуемыми, с момента создания этой области произошел значительный прогресс, за все это время удалось перейти от теоретически описанной А.М. Тьюрингом абстрактной вычислительной машины к практическому программно-аппаратному обеспечению с возможностью распознавания лиц.

Summary. The article discusses field of research and development of intelligent machines that can perform functions characteristic of human thinking. The way people use their nervous system and body to feel, learn, reason, and act is a prototype. The idea of creating AI appeared relatively long ago, but only the appearance of digital computers in the 20th century contributed to the development and implementation of the idea into reality. Although the pace of progress in the field of AI has been uneven and unpredictable, significant progress has been made since the creation of this field, during all this time it was possible to move from the abstract computer theoretically described by A. M. Turing to practical software and hardware with the ability to recognize faces.

Ключевые слова: системы искусственного интеллекта, развитие картографии, задачи автоматизированного обновления, перспективы использования.

Keywords: artificial intelligence systems, development of cartography, tasks of automated updating, prospects for use. 

Глубокое обучение, форма машинного обучения, основанная на многоуровневом представлении переменных, называемых нейронными сетями, сделало понимание речи практико-применимым на наших телефонах и других устройствах, а его алгоритмы можно широко применять к множеству разнообразных приложений. Обработка естественного языка (NLP), путем быстрого представление знаний и мыслей позволила открыть новые возможности веб-поиска. Каждое приложение обычно требует многих лет специализированных исследований и тщательного, уникального строительства. В аналогичных целевых приложениях можно ожидать значительного увеличения использования технологий искусственного интеллекта в будущем, в том числе увеличения числа беспилотных автомобилей, медицинской диагностики и целевого лечения. [1]

Искусственный интеллект и робототехника также будут применяться по всему миру в отраслях, которые пытаются привлечь молодых работников, таких как сельское хозяйство [2], пищевая промышленность, центры выполнения заказов и фабрики. Они упростят доставку онлайн-покупок с помощью летающих дронов, беспилотных грузовиков или роботов, которые могут подниматься по лестнице к входной двери.

Исследования, которые подпитывают революцию в области ИИ, также претерпели большие изменения. Главным из них является развитие машинного обучения, отчасти стимулированное ростом цифровой экономики, которая как предоставляет, так и использует большие объемы данных. К другим факторам относятся рост ресурсов облачных вычислений и потребительский спрос на широкий доступ к таким сервисам, как распознавание речи и поддержка навигации.

Машинное обучение значительно продвинулось вперед благодаря впечатляющим эмпирическим успехам искусственных нейронных сетей, которые теперь можно обучать, работая с огромными объемами данных и крупномасштабными вычислениями. Скачок в производительности алгоритмов обработки информации сопровождался значительным прогрессом в аппаратных технологиях для многих операций. Эти тенденции стимулируют области исследований ИИ как в фундаментальных методах, так и в областях приложений: крупномасштабное машинное обучение касается разработки алгоритмов обучения, а также масштабирования существующих алгоритмов для работы с чрезвычайно большими наборами данных. Класс процедур обучения, способствовал распознаванию объектов в изображениях, маркировке видео и распознаванию активности, а также значительно продвинулся в другие области восприятия, такие как обработка звука, речи и естественного языка. [3]

С развитием технологий хранения и визуализации данных, а также непосредственно искусственного интеллекта, стало возможным решение задач автоматизации обновления картографических материалов. [1]

Будучи тесно связанным с большими данными, привлекающая внимание область машинного обучения и искусственного интеллекта также станет более важной для картографической области. От новых подходов к дизайну и производству карт до методов и приемов анализа данных. За пределами картографической области растущие исследования машинного обучения в сообществе визуализации информации могут вдохновить будущие варианты использования картографических исследований и практики. Тенденция, заметная на конференциях IEEE VIS, заключалась в создании интерфейсов и систем, которые либо визуализировали внутреннюю работу систем машинного обучения, либо помогали пользователям контролировать процесс обучения.

Понимание принципов машинного обучения и их влияния на картографическую практику будет иметь важное значение для формирования этого влияния. GAN — это генерирующая состязательная сеть (GAN) — класс фреймворков машинного обучения. Нейронная сеть генерирует изображения, а другая оценивает, насколько они «настоящие». Учитывая сетевой обучающий набор карт, этот метод учится создавать новые карты с той же статистикой, что и обучающий набор. Учитывается именно статистика, потому что изображения — это не что иное, как массивы значений пикселей, какими бы они не были. Так что в основном после обучения появляется возможность создавать почти бесконечное количество изображений, которые являются картами. [1]

Согласно недавнему прогрессу и техническому развитию в области географической информатики, а также в информационных технологиях мы можем проследить прогрессивное значение роли карт, изображений и компьютерной графики в различных контекстах, включая экологическое и городское планирование, управление ресурсами, научные исследования и образование.

Карты стали инструментом обмена знаниями между людьми. Они воспринимаются как уникальный инструмен, используемый для различных целей, который можно в общих чертах сгруппировать вокруг двух основных принципов: карты как инструмент для анализа, решения проблем и принятия решений, «визуального мышления», и карты как инструмент для передачи идей между людьми. Хотя коммуникативная роль карт, полностью соответствует картографической традиции, следует иметь в виду, что концепция картографической коммуникации в последнее время расширилась. [3, 6]

Карты являются уникальным средством передачи достаточного количества пространственной информации. Визуализация позволяет нам уловить и запомнить больший объем информации по сравнению с использованием слов. Без визуального образа для того, чтобы вспомнить ту же информацию, потребовалось бы запомнить длинный список описаний местности. Если карты обрабатываются правильно, они передают пространственную информацию точно и быстро. Если некоторые правила картографии нарушаются, коммуникация пространственной информации является весьма неточной. Передача пространственной информации иногда бывает совершенно неправильной. Следовательно, результат отображения информации может существенно повлиять на картографа.

С другой стороны, плохое исполнение карты может иметь фатальные последствия. В этом контексте карта играет роль символического оператора, способного действовать при принятии такого решения, характеризующегося срочностью и критичностью. Знание принципов проектирования может помочь пользователю создать узкоспециализированный софт для просмотра данных. Настроенные и правильно визуализированные данные могут помочь зрителям определить закономерности, которые могут быть потеряны при использовании неадекватного метода.

Процесс создания карты может быть выполнен двумя основными способами. Во-первых, пользователи составляют карту из некоторых наборов данных с использованием соответствующего программного обеспечения. В противоположной ситуации требуется картографический сервер в качестве конечного инструмента для визуализации наборов данных. В обоих случаях необходим набор знаний работы в этих системах. Существует необходимость внедрения картографических правил непосредственно в программы построения карт, особенно в программное обеспечение ГИС. Использование интеллектуальных систем стало возможным благодаря развитию в области искусственного интеллекта. Таким образом, эти системы находят применение во многих отраслях картографии. Отчасти настоящего картографа можно заменить использованием системы знаний (интеллектуальной системы).

Компьютерная тематическая картография была выдвинута на первый план в связи с последующими разработками в области ГИС и картографировании, а также благодаря распространению неправильного картографирования. Использование различных методов в тематической картографии сильно зависит от конкретного типа карты, пользователя и получаемой информации.

Картограф очень часто обращается к этой стадии и определяет, что подходит, а что нет. На этом этапе можно найти возможность использования интеллектуальной системы. Однако количество используемых методов тематической картографии, различные типы и качество входных данных и другие факторы могут вызвать проблемы. Создание качественной и комплексной системы тематической картографии — чрезвычайно сложная задача. Основная идея построения системы поддержки принятия решений в тематическом картографировании — использование всевозможных технологий и методов.

Цель состоит в том, чтобы решить проблемы принятия решений в тематическом картографировании, чтобы сделать идеальную карту с помощью интеллектуальной системы управления пользователями. Ключевые вопросы принятия решений, относящиеся к тематическому дизайну карты, должны быть четко проанализированы в начале разработка хорошей интеллектуальной системы.

Тем не менее, соответствующие модели принятия решений и методы рассуждений должны быть предложены в соответствии с различными задачами. Для эффективной передачи картографической информации она должна уменьшать шум, скрытый за картографической информацией, и предотвращать чрезмерный объем картографической информации.

Существует более 10 широко известных типов тематических карт, а именно карты точечных диаграмм, карты линейных диаграмм, карты монохроматической мозаики, карты изолиний, методы стереоскопической перспективы, карты номинальных точечных символов, карты пропорциональных символов, точечные методы (точечное отображение), метод соотношения классификации, статистические карты (методы площадных диаграмм), методы картографической стрелки, треугольная диаграмма. Различные географические данные имеют разную структуру данных. Каждый метод должен соответствовать характеристикам географических данных. Более того, только некоторые специфические типы картографических изображений отражают специфические географические явления. Это очень важная часть тематической картографии. [4, 5]

Разные методы по-разному подчеркивают разные характеристики картографических данных. Более того, некоторые характеристики данных могут быть выражены только определенными методами. И только тогда есть возможность различать тип данных и их структуру. Производители программного обеспечения ГИС включили картографические знания суб-экспертов как часть функциональности программы.

Например, мы можем рассматривать предложение цветовой шкалы как конкретную программу, кодифицированную картографическими знаниями в программном обеспечении. Программа показывает ответствующие шкалы в соответствии с качественными или количественными данными визуализации. Когда выбран количественный тип данных, автоматически будут предлагаться предварительно определенные цветовые шкалы тонов, основанные на одном цвете с разной насыщенностью.

Это предложение является картографически правильным. Однако здесь пользователь может ошибиться, потому что также предлагаются шкалы с неправильным выбором. Эта ошибка, заключающаяся в неправильном выборе цветовой шкалы для качества или количества выражения.

Это качественное явление может быть выражено разными оттенками цвета для каждой недели. Неправильное использование цвета для выражения дней, недель, месяцев, с помощью градуированной цветовой шкалы. Эта градуированная цветовая шкала может использоваться только для количественных данных.

Например, светлый цвет может выражать меньшую, а темный цвет большую ценность. При разработке интеллектуальной системы существует два связанных набора проблем. Преобразование существующей картографической практики в знания, основанные на правилах, является первоочередной задачей, а вторая заключается в том, чтобы направлять систему именно через задачу создания карты. Знания в предметной области закодированы в виде правил, которые составляют строительные блоки базы знаний. Логика приложения и процедурная информация системы описываются правилами и работают с объектами, классами и слотами. [3]

Структура и организация базы знаний имеют решающее значение для эффективности и общей производительности системы. Могут быть представлены только функции, относящиеся к использованию карты, и, с другой стороны, только важные элементы могут быть показаны, когда их слишком много. Вот почему необходимо включать все потенциальные факторы в базу данных при проектировании такой системы, или необходимо сосредоточиться только на малом количестве главных вопросов в процессе создания карты.

В нарушение основных правил могут быть ограничения на отображение возможностей карты, или картографическое выражение станет нечитаемым. Интеллектуальная система может помочь в правильном выборе цвета в соответствии с принципом условности (синий цвет для воды, коричневый цвет для контурных линий). принцип сохранения ассоциативности (зеленые леса для топографических карт), правильный выбор цветов для качественных данных или правильный оттенок цвета для выражения интенсивности явления. Основной принцип интеллектуальной системы заключается в разделении всего процесса на части, которые влияют на результат. [1]

Предлагаемая в результате система должна быть последовательной и всеобъемлющей. Хорошая комплексная интеллектуальная система тематической картографии должна уметь предлагать подходящие решения проблемы. Превосходная интеллектуальная система должна даже предлагать не только одно возможное решение, но также давать объяснения и обоснования пользователю. С развитием цифровой картографии и переводом карт в цифровую форму возрастает потребность в векторизации и надлежащем обобщении. Оба процесса широко используются в последнее десятилетие. Однако этот процесс требует присутствия эксперта и корректировки процесса. Программное обеспечение, которое напрямую векторизует карты сканированных изображений, можно разделить на автоматические и полуавтоматические, в зависимости от режимов обработки информации.

Большинство современных автоматических векторных систем применяют один и тот же метод для всех карт и не учитывают их различную природу. От пользователя ожидается максимально точная ручная настройка, которая предполагает хорошее знание проблем и знание используемой системы. Один из вариантов — использовать базу знаний и, таким образом, снизить общую потребность в картографическая грамотность пользователей и облегчение всего процесса векторизации.

В сочетании с базой знаний мы получаем систему, которая может давать результаты, очень похожие на результаты высокотехнологичной ручной оцифровки. Кроме того, она обеспечивает более гибкий пользовательский интерфейс, который позволяет выбрать соответствующие параметры в соответствии с визуальной информацией, содержащейся в исходной карте. Даже обобщающие алгоритмы существующих систем часто игнорируют роль карт или нечеткой логики для оптимизации процесса и в этом содержится их главный недостаток.

Таким образом, из вышесказанного следует вывод о том, что системы искусственного интеллекта уже находят свое применение в автоматизации обновления картографического материала. На сегодняшний день существует множество разработок, находящихся на стадии тестирования и начала ввода в эксплуатации. Но нельзя не отметить значительный потенциал развития данной области в связи с использованием новейших технологий аэрокосмического направления. 

Литература

  1. Распоряжение Правительства РФ от 30.07.2010 № 1292-р «Об утверждении Концепции развития государственного мониторинга земель сельскохозяйственного назначения и земель, используемых или предоставленных для ведения сельского хозяйства в составе земель иных категорий, и формирования государственных информационных ресурсов об этих землях на период до 2020».
  2. Земельный кодекс Российской Федерации от 25 октября 2001 г. № 136-ФЗ.
  3. Жигалов К.Ю. Автоматизация управления и мониторинга процессов строительства с использованием ГИС систем//Фундаментальные исследования. 2014. № 12-3. С. 492-494.
  4. Земельные ресурсы и их использование // Итоги Всероссийской сельскохозяйственной переписи 2016 года: Москва.: ИИЦ «Статистика России», 2016.
  5. Предварительные итоги Всероссийской сельскохозяйственной переписи 2016 года по Российской Федерации // Предварительные итоги Всероссийской сельскохозяйственной переписи 2016 года: в 2 т. Том 2: – Москва: ИИЦ «Статистика России», 2017. – 290 с.
  6. Официальный сайт Федеральной службы государственной регистрации, кадастра и картографии [Электронный ресурс]. – Режим доступа: www.rosreestr.ru.

References

  1. Decree of the Government of the Russian Federation of 30.07.2010 No. 1292-R «On approval of the Concept of development of state monitoring of agricultural land and land used or provided for farming as part of other categories of land, and the formation of state information resources about these lands for the period up to 2020».
  2. «Land code of the Russian Federation» No. 136-FL of October 25, 2001.
  3. Zhigalov K. Yu. Automation of management and monitoring of construction processes using GIS systems / / Fundamental research. 2014. No. 12-3. PP. 492-494
  4. Land resources and their use // results of the all-Russian agricultural census of 2016. Moscow: IIC «Statistics of Russia», 2016.
  5. Preliminary results of the all-Russian agricultural census of 2016 in the Russian Federation / / Preliminary results of the all-Russian agricultural census of 2016: in 2 vols. Volume 2: — Moscow: IIC «Statistics of Russia», 2017. — 290 p.
  6. Official website of the Federal service for state registration, cadaster and cartography [Electronic resource]. – Mode of access: www.rosreestr.ru.