Invloed van Artificial Intelligence op Geografische Informatiesystemen

Afgelopen jaar zijn de ontwikkelingen rondom Artificial Intelligence in een stroomversnelling gekomen. Er schieten allerlei nieuwe toepassingen uit de grond die we tot voor kort nog als Science Fiction beschouwden. Ook de GIS-wereld begint hier in een steeds hoger tempo zijn voordeel uit te halen. Wat voor invloed heeft AI op de wereld van Geografische Informatiesystemen? En wat kunnen we hiervan verwachten in de toekomst? In deze blog geef ik antwoord op deze vragen. 

Artificial Intelligence en GIS

Met Machine Learning-technieken kunnen we onder andere voorspellingen maken met een regressie analyse, een model bouwen dat classificaties maakt, of datapunten met ruwweg dezelfde eigenschappen clusteren in aparte groepen. Vaak kun je al een heel eind komen met traditionele Machine Learning-technieken. Bijvoorbeeld het voorspellen van de verkoop van producten in de supermarkt op basis van tijd, producteigenschappen, plaats in de winkel en het analyseren van de concurrentie. Ook banken maken gebruik van ML. Zij gebruiken classificatiemodellen om fraudeurs te herkennen aan de hand van opvallende patronen in transacties.

Image Recognition is ook een voorbeeld van ML. Bij deze techniek worden de verbanden tussen groepjes pixels achterhaald, om zo objecten op foto’s te kunnen herkennen. Verder zou je met Natural Language Processing (NLP) het ophalen van alleen relevante stukken tekst uit gigantische PDF- bestanden kunnen automatiseren. AI-platform AlphaFold voorspelt 3D modellen van proteïnestructuren met state-of-the-art Deep Learning-technieken, waarmee doorbraak na doorbraak wordt gerealiseerd in de geneeskunde.

Maar wat is er allemaal mogelijk in de wereld van Geo AI, waar de werelden van AI en GIS elkaar overlappen?

Wat is er mogelijk met Geo AI?

De mogelijkheden met Geo AI zijn buitengewoon interessant, omdat zowel de input- als de output-data wordt verrijkt met het ruimtelijke component. Hierdoor wordt de data een stuk dynamischer en wordt het presenteren en interpreteren van de resultaten een stuk eenvoudiger!

Zo kunnen de sales van een fastfoodketen worden voorspeld. Bijvoorbeeld door te berekenen hoeveel woningen binnen een kwartier bereikbaar zijn vanaf deze keten. Het herkennen van de gemiddelde hoeveelheid auto’s per week op de parkeergarage van een bouwmarkt, dat is ook een interessant voorbeeld. Aan de hand van die data kan een bouwmarkt veel gerichter actie ondernemen.

GeoAI biedt daarnaast kansen voor assetmanagement. Met behulp van IoT-sensoren kan de waterdruk in een leidingennetwerk in real-time worden gemeten, waarmee voorspeld kan worden welke delen van het netwerk (inclusief exacte locatie) het meest waarschijnlijk zijn om op korte termijn problemen te veroorzaken. Met Image Recognition kun je schade aan het wegdek in real-time vastleggen (zie de bewegende GIF hieronder). Dat is ook een heel interessant voorbeeld van Geo AI.

AI kan ook helpen bij het digitaliseren van informatie die alleen op papier staat. AI maakt dit mogelijk voor zowel tekst als voor allerlei ruimtelijke elementen op getekende kaarten (denk aan wegen, kabels en leidingen). Wellicht wil je voor een gebied de CO2 uitstoot per m2 over tijd weten, dit is mogelijk met Spatial Forecasting. Dit zijn slechts een paar voorbeelden van de mogelijkheden, ik kan er nog veel meer bedenken!

Ik ben dan nog niets eens aangekomen bij de laatste ontwikkelingen omtrent de zogeheten Large Language Models (LLM) zoals bijvoorbeeld ChatGPT en Google Bard en de stormvloed aan open-source toepassingen zoals Facebook’s Segment Anything Model!

Het Era van GEO AI

Sinds de entree van ChatGPT en andere LLM’s heeft de wereld rondom AI een enorme boost gekregen, zowel in aandacht als in productiviteit. Wat hiervoor nog als vage toekomstmuziek klonk, lijkt nu opeens mogelijk te worden op korte termijn! Langzaam maar zeker zijn dit soort tools voor velen al trouwe compagnons geworden die helpen bij het schrijven van teksten, presentaties, code en meer.  De open-source wereld heeft ook een boost gekregen en probeert soortgelijke LLM- modellen in het openbaar te bouwen, zodat iedereen hierop kan verder borduren. Door de explosie aan interesse zijn de ontwikkelingen hieromheen exponentieel gestegen!

De niche wereld van GIS begint hier ook voordeel uit te halen. Relatief complexe handelingen om geografische data te transformeren naar het juiste formaat en projectie, kunnen in theorie worden opgelost met behulp van een LLM-prompt. Zaken die tot nu toe vooral waren weggelegd voor GIS-specialisten die diep in de materie zitten, kunnen nu worden versimpeld zodat iedereen met een technische achtergrond in principe hetzelfde resultaat kan behalen.

Specialisten zijn echter niet zomaar te vervangen. De holistische kennis en ervaring van een GIS-specialist of Geospatial Data Scientist is nog steeds onmisbaar bij het ontwikkelen van productiewaardige applicaties. Het lijkt er dus wel op dat het werken met geografische data een stuk toegankelijker zal worden en vaker naar voren zal komen, ook bij bedrijven, sectoren en use-cases waar dat in de eerste instantie niet voor de hand ligt.

Zo zijn Facebook en andere grote namen de laatste tijd ook begonnen met het open-sourcen van hun nieuwste modellen, zodat iedereen hier ook hun eigen applicaties mee verder kunnen ontwikkelen. Zij hebben hun Segment Anything Model (SAM) openbaar gemaakt, waarbij alle objecten op foto’s gesegmenteerd en geclassificeerd kunnen worden op een slimme nieuwe manier. Door verder te bouwen op LLM’s en het SAM model, zijn hier ook al specialistische ruimtelijke tools voor gemaakt zoals Segment Geospatial. Hiermee kun je zelf ingevulde objecten segmenteren op luchtfoto’s door simpelweg in een tekstveld in te vullen wat je wilt herkennen!

En daar stopt het niet! Hetzelfde principe kan worden toegepast op LiDAR puntenwolken, waarbij je alle punten van aparte gebouwen van elkaar kunt onderscheiden. Zo worden er steeds meer GIS tools en applicaties ontwikkeld die de grenzen van wat mogelijk is voorbij gaan!

De Toekomst van Geo AI?

Er worden veel nieuwe ontwikkelingen op lichtsnelheid aan de man gebracht. Dat roept de vraag op: waar zijn we over 3, 5 of 10 jaar? Dit blijft koffiedik kijken. Maar ik durf wel te stellen dat de overlap tussen AI en GIS alleen maar groter gaat worden. Ik verwacht dat er steeds meer ruimtelijke applicaties uit de grond schieten die net zo makkelijk te bevragen zijn als ChatGPT. Sterker nog: in de tijd tussen dat ik dit artikel begon te schrijven en nu, heeft OpenAI ChatGPT-Vision uitgebracht die afbeeldingen als input kan gebruiken en ook als output kan genereren. Ik vermoed dat we binnen de kortste keren hier ook een ruimtelijke variant van kunnen raadplegen!

De kennis en ervaring van GIS-experts is en blijft het verschil maken, ook in het AI-tijdperk. Voor het aanvliegen van uitgebreide spatial vraagstukken zijn zij nog zeker nodig om deze op een slimme en praktische manier uit te werken. Al met al ziet de toekomst van AI en GIS er rooskleurig uit, waarbij de mensen die deze ontwikkelingen omarmen alleen maar productiever zullen worden, ten goede van ons allemaal!

Heb je vragen over AI en GIS? Stel ze gerust per mail!