AI ja GIS

Visualisoidaan maailma AI:n ja GIS:n avulla

Osallistuin AI & Urban Design tapahtumaan Turussa 9.2.2018 ja sain kunnian kertoa miten visualisoidaan karttoja. Hetken mietin onko minulla mitään annettavaa tähän aiheeseen. AI eli tekoäly kuulostaa pelottavalta, futuristiselta ja tekniseltä. Tavallaan sitä se juuri onkin.

Tapahtumassa puhuttiinkin paljon eettisyydestä ja mitä tapahtuu jos kaupunkisuunnittelussa tulevaisuudessa hyödynnetään tekoälyä, automaattista kuvantunnistusta ja muita virtuaalitodellisuuden ja tiedonhaun keinoja. Kenen algoritmejä käytämme, kenen näkemys on parempi kuin toisen? Jos tekoäly pyrkii kompromissiin miellyttääkseen kaikkia tahoja, onko lopputulos kuitenkaan se mitä yhteiskunnan kannalta pitäisi viedä eteenpäin? Emme kuitenkaan ole ihan vielä siellä.

Se mistä alunperin ajattelin puhua tapahtumassa oli visualisointi ja kartat. Nykyisillä välineillä ja avoimella datalla on mahdollista luoda mielettömän hienoja visualisointeja ja tiedolla johtamisen tueksi näkymiä jopa ihmisten sisäiseen sielunkarttaan (riippuen kuinka avoin olet Somessa). Avoimen lähdekoodin välineillä tämä tottakai onnistuu helpoiten.

Käytin esimerkkinä Suomen (oma mielipide) parhaita karttavisualisointitaitureita Spin Unit- tutkimusryhmän tuloksia ja Topi Tjukanovin blogia, jotka molemmat hyödyntävät mm. QGIS:ä datan visualisointiin. Molemmissa esimerkeissä ollaan vielä ihmisen muodostaman datan ja visualisoinnin kanssa tekemisessä, vaikka kone laskeekin algoritmit jotka muodostavat lopputuloksen. Ihmissilmä erottaa vielä visualisoinnin kauneuden ja määrittää omat mieltymyksensä luokittamalla dataa ja valitsemalla miellyttäviä värejä ja symboleita kartalle. Mitä jos tämän kaiken voisi tuottaa koneellisesti?

Gispo Oy:n Sanna Jokela joutui esiintymään Turun AI weekissä aiheesta AI ja GIS. Ja piti siitä kirjoittaa sitten vähän laajemminkin.

Mapillary hyödyntää katunäkymäkuvien rakenteiden tunnistuksessa koneälyä ja ihmisiä

Visualisointiesimerkki Topi Tjukanovin blogista

Salla Multimäen kokeiluja Deebdreamgeneratorilla

Kuvista valmiita karttoja?

Kollegani Salla Multimäki vinkkasi hauskasta tekoälysovelluksesta DeepDreamGenerator, jossa käyttäjä voi yhdistää kaksi kuvaa ja tekoäly luo niistä uuden yhdistelmän: tietokoneen tekemää taidetta. Sovellus hyödyntää Googlen avaamaan DeepDream koodia, jossa toinen referenssikuva antaa tyylin ja toinen kohteiden asettelun. Mitä jos palvelu söisikin ilma- tai satelliittikuvia? No tottakai tätä piti testata. Aika upea! Kartanpiirtäjä sisälläni innostuu! Tässä linkki Sallan satelliittikuvakokeiluihin.

Mitä jos koneälylle opettaisi mikä on "kaunis kartta" tuottaisiko se sitten automaattisesti meille opaskarttoja tai taustakarttoja, ilman loputtoman pitkää visualisointiprosessia? Algoritmi pitäisi siis optimoida juuri tätä varten. 

Vielä ihmisen pitää siis opettaa hieman koneita ja se onnistuu vain sillä, että oikeasti kerrotaan mikä on väärin ja mikä ei. Mapillary tekee tätä kuvantunnistusalgortiminsa parantamiseen. Kuvilta pystytään jo nyt tunnistamaan rakenteita, liikennemerkkejä, kasvillisuutta jne. Mutta lisää työtä tarvitaan ja eri ympäristöissä. Sen lisäksi tarvitaan verifiointia, tarkistuksia ja lisää opettamista.

Olen itse tehnyt ilmakuvatulkintaa joskus ammoisina aikoina ja silloin kuvien vaihtelevat heijastukset ja väriarvot vaikeuttivat niiden automaattista kuvantunnistusta. Erityisesti reuna-alueilla ja ranta-alueilla ongelmia syntyi (missä menee veden ja maan raja ruovikossa?). Varmaankin samat ongelmat ovat vieläkin olemassa. Yhdistämällä eri tietolähteitä, ilmakuvia ja tekoälyä voidaan tulevaisuudessa tunnistaa maankäytön rakenteita yhä paremmin. 

Kaupunkisuunnittelun näkökulmasta asia on mielenkiintoinen. Kyselimme yleiskaavoittajilta juuri miten aluevaraukset nykyisin määritellään. Miten ne rajataan jos kiinteistörajat eivät ole yleiskaavoituksessa tärkeitä rajoittavia tekijöitä? Ja vastaus oli, että alueet ovat loogisia kokonaisuuksia jotka vain ovat sopivan kokoisia ja alueellisesti yhtenväisiä. "Me vain tiedetään ne". Kaavan kohteet myös linkittyvät toisiinsa siten, että jos jotain kohdetta ei hyväksytä, se vaikuttaa mahdollisesti koko kohteen ympäristöön tai koko kaavaan. Miten opettaa koneille paikallistuntemusta ja ottamaan huomioon kohteiden suhteet toisiinsa? Ja lisäksi koneälyn pitää ottaa huomioon poliittiset (eriävät) näkemykset ja historiatiedot, joista ei ole välttämättä digitaalista jälkeä olemassa. Todella mielenkiintoista ja varmasti ratkaisuja löytyy, mutta opettamista pitää tehdä. 

Jos lukijoilla on ajatuksia tai ideoita tämän suhteen, kannattaa osallistua AI Societyn toimintaan ja keskusteluihin. Itse ainakin innostuin!