Syntetyczne zobrazowania satelitarne i trenowanie AI

Analitycy są obecnie wręcz zalewani strumieniem danych pochodzących z satelitarnej obserwacji Ziemi. Dopiero jednak przetworzenie i interpretacja tych danych pozwalają na wyciągnięcie z nich cennych informacji, ukazując ich rzeczywistą wartość dla użytkownika końcowego. W związku z tym oczywista jest konieczność przyspieszenia oraz automatyzacji pracy z danymi. Ale algorytmy, które mogą nam to zapewnić, najpierw same potrzebują się „wykształcić”, analizując duże zbiory danych uczących. Te właś­nie kwestie były jednym z ciekawszych tematów poruszanych podczas GEOINT Symposium, które odbyło się w kwietniu w stanie Kolorado. (...)

W czasie tegrocznego sympozjum prelegenci przekonywali, że choć zbiory zobrazowań satelitarnych dostępne dziś dla naukowców, analityków czy przedstawicieli wywiadów wojskowych bezustannie się rozrastają, to niektóre typy obiektów wciąż bardzo rzadko się na nich pojawiają. (...) W efekcie nie będziemy mogli przygotować narzędzi opartych na sztucznej inteligencji (Artificial Intelligence – AI) czy też uczeniu maszynowym (Machine Lear­ning – ML), które mogłyby w przyszłości automatycznie rozpoznawać interesujące nas obiekty na nowo pozyskiwanych zobrazowaniach.

• Niewystarczająca ilość danych

(...) Podczas kwietniowego GEOINT (...) kierujący firmą Orbi­tal Insight Kevin O’Brien zapowiadał, że przyszłością są dane syntetyczne, czyli sztucznie kreowane zobrazowania satelitarne. Wykorzystanie tego typu danych referencyjnych do ćwiczenia algorytmów w wykrywaniu rzadko spotykanych obiektów może być przydatne nie tylko z wojskowego punktu widzenia, np. dla odbiorców takich jak amerykańska NGA (National Geospatial-Intelli­gence Agency, Narodowa Agencja Wywiadu Geoprzestrzennego), ale również dla szeroko rozumianego przemysłu. Orbital Insight pracuje na zlecenie NGA nad potencjalnym wykorzystaniem syntetycznie generowanych danych do trenowania sztucznej inteligencji w kierunku wykrywania nowych obiektów na zobrazowaniach satelitarnych RGB...