Näin tekoälybuumin huipulla moni yritys varmasti miettii, miten voisi hyödyntää tekoälyä omissa tuotteissa tai palveluissa. Uuden koneoppimismallin tai optimointialgoritmin luominen tyhjästä on kuitenkin melko haastavaa, vaikka peruskurssit tekoälystä olisikin suoritettu.

Helpotusta on kuitenkin luvassa. Me Location Innovation Hubissa olemme keränneet huippututkijoiden ja partneriyritystemme kehittämiä sijaintitietoon liittyviä tekoälymenetelmiä yksiin kansiin. Itse mallien lisäksi mukana on tekoälyn koulutusdataa, tutkimusjulkaisuja ja muuta dokumentaatiota.

Tällä hetkellä mukana on esimerkiksi:

• Syväoppimismenetelmiä, jotka tunnistavat muutoksia ilmakuvista ja laserskannausdatasta. Mahdollisuus havaita esimerkiksi uudet tai puretut rakennukset. Koulutusdataa rakennuksista, teistä ja hydrografisista kohteista.
• Syväneuroverkko tunnistamaan kirjanpainajakuoriaisen tuhoja metsissä. Koulutusdatana korkearesoluutioisia dronekuvia (RGB, hyper- ja multispektri).
• Syväoppimismenetelmä havaitsemaan GNSS-signaalin poikkeavuuksia ja jatkuvuutta. Koulutusaineistona GNSS-dataa FinnPos-asemilta ja CODE dataa Euroopan avaruusjärjestö ESA:lta.
• Tekoäly ennustamaan rehusadon määrää ja laatua kaukokartoitusdatan (RGB- ja hyperspektrikuvia, sekä latvusmalli eli Canopy Height Model) avulla.
• Tekoäly tuottamaan maankäyttökarttoja automaattisesti satelliittikuvista ja pistepilvistä. Koulutuksessa käytetty dataa mm. rakennuksista, puista, matalasta kasvillisuudesta ja vesialueista.
• Työkalu hyvälaatuisten mosaiikkikuvien poimimiseen satelliittikuvista ilman pilviä.
• Työkalupaketti mineraaliesiintymien arvioimiseen ja kartoittamiseen, sekä niiden potentiaalin arvioimiseen.
• Tekoälypaketti yksittäisten kaavamääräysten tunnistamiseen ja irroittamiseen PDF-muotoisista asiakirjoista digitaalisiksi ja indeksoitaviksi.
• Tekoälymenetelmä luvattomien / tuntemattomien rakennusten tunnistamiseen satelliitti- tai ilmakuvista. Vertaa kuvia kansallisiin tai kuntarekistereihin. Menetelmän avulla voidaan tunnistamaan esimerkiksi kiinteistöverotuksen tai kuntarekisterien tietojen parannuksen näkökulmasta kriittisimmät puutteet rakennustiedoissa.
• Tekoälyavusteinen maankäytön toteutuksen optimointimenetelmä, joka hyödyntää monikriteerioptimointiin liittyvää lähesymistapaa, joilla pyritään valitsemaan olemassa olevien rajoitteiden (esim. väestönkehitys, budjetti) puitteissa tavoitteisiin (esim. sijainti, laatu, koko) nähden mahdollisimman optimaalinen kokonaistoteutus sekä automaattisesti luodut skenaariot erilaisista mahdollisista optimaalisista toteutustavoista ja -järjestyksistä. Ratkaisu soveltuu esim. niin maapolitiikan, kiinteistökehityksen kuin infran ajoituksen toteutuksen suunnitteluun.

Voisiko joku yllä olevista tekoälymenetelmistä hyödyttää teidän organisaatiotanne? Nyt kannattaa ottaa yhteyttä ja kysellä lisää. Useimmat ratkaisut ovat asiakkaillemme täysin avoimia sellaisenaan.

Tämän lisäksi kauttamme pääsee testailemaan AI-menetelmiä CSC:n supertietokoneilla ja tarjoamme mahdollisuutta lainata huippututkijoiden asiantuntemusta maksimissaan muutamaksi päiväksi.

Aika herkullinen tilaisuus siis potkaista liikkeelle omat tekoälyprosessit.