Uczenie maszynowe pozwala odkryć sekrety ukryte w całym katalogu Ziemi
Unijny Program obserwacji Ziemi Copernicus łączy ciągłe, zautomatyzowane i obszerne dane na temat stanu naszej planety pochodzące z szerokiej gamy źródeł, w tym obrazów satelitarnych, a także naziemnych i powietrznych czujników. Choć dane te są niezwykle cenne dla wszelkich sektorów, od zarządzania kryzysowego po planowanie środowiskowe, sama ich ilość oznacza, że pojedyncza osoba nie jest w stanie ich przeanalizować.
Uczenie maszynowe
Sztuczna inteligencja (SI) jest w stanie zautomatyzować niektóre analizy, przekopując się przez petabajty danych, aby wyłonić ważne i istotne informacje. Twórcy finansowanego ze środków UE projektu PerceptiveSentinel opracowali usługę pośredniczącą związaną z obserwacją Ziemi, aby wykorzystać wartość danych z programu Copernicus na potrzeby użytkowników końcowych. „Uczenie maszynowe to dobrze prosperująca dziedzina, jednak narzędzia te nie są przystosowane do złożoności danych z obserwacji Ziemi”, opowiada Grega Milcinski, koordynator projektu. „Technologie rozpoznawania obrazów są zoptymalizowane pod kątem identyfikacji ludzkich twarzy oraz kotów w mediach społecznościowych, nie multispektralnych i multitemporalnych danych z satelitów”. Poprzez integrację procesów przetwarzania danych oraz dobrze znane narzędzia, takie jak TensorFlow firmy Google oraz LightGBM firmy Microsoft, Anze Zupanc, kierownik ds. naukowych, wraz ze współpracownikami stworzyli narzędzie eo-learn. To oprogramowanie typu open source posłużyło do połączenia uczenia maszynowego z danymi z obserwacji Ziemi i zostało zaprojektowane z myślą o skali i złożoności danych z programu Copernicus.
Sektor komercyjny
Jeszcze przed zakończeniem projektu holenderska firma TomTom zajmująca się nawigacją satelitarną wdrożyła u siebie część osiągnięć projektu i wykorzystała je w swoich własnych badaniach wewnętrznych. Milcinski mówi, że korzystając z tego oprogramowania, „samodzielnie przetworzyli kilka miliardów kilometrów kwadratowych danych satelitarnych w celu stworzenia globalnego produktu dla swych użytkowników”. W rzeczy samej, PerceptiveSentinel już teraz generuje dochód w oparciu o wykorzystanie oprogramowania eo-learn; przewiduje się, że przychody firmy przekroczą milion euro w roku obrotowym kończącym się w 2021 roku. Głównymi klientami są analitycy danych, zarówno w sektorze badań, jak i sektorze komercyjnym. Oprogramowanie pobrano ponad 26 000 razy; dodatkowo ponad 180 twórców oprogramowania stworzyło swą własną wersję eo-learn. „Oczywiście nie znamy wszystkich użytkowników, jako że oprogramowanie jest dostępne w modelu open source, w związku z czym każdy może je wykorzystać w dowolny sposób, nie informując nas o tym”, wyjaśnia Milcinski. „Jest też wielu użytkowników, których nie możemy tu wymienić z uwagi na poufność”.
Ścisła współpraca
Twórcy projektu PerceptiveSentinel korzystali ze wsparcia programu Horyzont 2020, zaś prace koordynowało Laboratorium Sinergise – Systemy Informacji Geograficznej w Słowenii. „Fundusze pomogły nam wykorzystać w tym celu najlepsze dostępne zasoby i realizować projekt”, dodaje Milcinski. „Partnerzy również byli nieodzowni dla sukcesu projektu ze względu na to, że przekazane przez nich informacje znacząco przekraczały nasze możliwości. Tego rodzaju ścisła współpraca prawdopodobnie nie miałaby miejsca, gdyby nie ten projekt”. Badacz dodaje, że finansowanie publiczne zmotywowało też zespół do wydania oprogramowania w formie open source, co przyniosło duży sukces. Decyzja ta przyczyniła się do powstania społeczności wokół oprogramowania eo-learn; społeczność ta stale rośnie, a wielu jej członków staje się płacącymi klientami. Prace nad eo-learn trwają. Zajmuje się nimi nie tylko zespół projektu PerceptiveSentinel, ale także tysiące zewnętrznych użytkowników, którzy mają swój wkład w ten projekt dostępny w modelu open source. „Jesteśmy przekonani, że wyniki projektu przetrwają lata”, podsumowuje Milcinski.
Słowa kluczowe
PerceptiveSentinel, Perceptive, Sentinel, Copernicus, ziemia, obserwacja, maszyna, uczenie, Sentinel, satelita
