Автор: Хамед Алемохаммад, ведущий специалист по геопространственным данным, Radiant Earth Foundation

Как нейтральная организация Radiant Earth Foundation пользуется уникальной возможностью работать с различными партнерами по всему миру и признает важную роль, которую он играет в привлечении и содействии людям и организациям в совместной работе на благо сообщества разработчиков.

Поскольку сообщество, занимающееся машинным обучением для наблюдений за Землей, продолжает расти, мы гордимся той лидирующей ролью, которую Radiant Earth Foundation может играть, используя нашу нейтральную позицию и опираясь на наши возможности для созыва.

Вот почему в декабре мы собрали экспертов по машинному обучению и дистанционному зондированию со всего мира на вечер общения и обмена идеями в Вашингтоне. Округ Колумбия, сразу после осенней встречи Американского геофизического союза 2018 года. Спонсируемое Omidyar Network мероприятие по развитию сообщества, в котором приняли участие более 80 представителей академических кругов, правительства, бизнеса и некоммерческих организаций.

Прием также предоставил возможность представить новую инициативу Radiant Earth Foundation, ML Hub Earth, общедоступную платформу машинного обучения для наблюдения Земли с открытым исходным кодом. ML Hub Earth приведет к устойчивой, общедоступной центральной библиотеке с помеченными данными, моделями и стандартами обучения. Хотя эта библиотека поддерживает глобальное благо за счет разработки передовых аналитических инструментов с открытым исходным кодом, приоритетные усилия включают различные приложения, в том числе классификацию типов сельскохозяйственных культур и растительного покрова.

Питер Рэбли, венчурный партнер Omidyar Network, был с нами на мероприятии и подчеркнул необходимость наращивания потенциала глобального сообщества разработчиков за счет совместных инициатив, особенно тех, которые приводят к созданию маркированных изображений и алгоритмов для продвижения машинного обучения для глобального Юга.

Мы также обсудили, как Фонд активно собирает первые из этих наборов данных открытой библиотеки для определения основных сельскохозяйственных культур в Африке. Команда собирает лучшие наземные данные о сельскохозяйственных культурах, выращиваемых в Африке, и создает набор обучающих данных с использованием изображений Sentinel-2. Кроме того, разрабатывается второй набор обучающих данных для классов земного покрова в глобальном масштабе. Мы надеемся на дальнейшее вовлечение сообщества посредством предоставления экспертного инструмента краудсорсинга для маркировки спутниковых изображений на платформе Radiant Earth Foundation.

«ML Hub Earth намерена стать катализатором демократизации приложений машинного обучения».

Дополнительная информация о ML Hub Earth

Обсуждаемые выше наборы обучающих данных будут размещены на ML Hub Earth с лицензией Creative Commons, что приведет к созданию живой открытой библиотеки изображений для машинного обучения и наблюдений за Землей.

ML Hub Earth намерена стать катализатором для демократизации приложений машинного обучения. Поэтому мы призываем к участию все заинтересованные группы и организации, которые хотели бы работать над наборами данных или моделями для обучения с открытым исходным кодом, используя наблюдения Земли.

Вы можете присоединиться к разговору через слабый канал или связаться с командой через [email protected]

Использование растущих процентов

Интерес к машинному обучению и наблюдению Земли резко возрос в последние годы, отчасти из-за того, что они обладают потенциалом создания ценности из больших данных и выработки решений для постоянных глобальных проблем.

Доктор Кили Рот, старший научный сотрудник по дистанционному зондированию из The Climate Corporation, резюмировал взгляды многих, описывающих будущее машинного обучения как возможность внедрять научные решения в новых масштабах и во всем мире.

Кандидат наук. Кандидат Каскад Тухольске выразил заинтересованность в использовании машинного обучения для более быстрого и эффективного картирования бедности в городах.

Участники также обсудили возможность изучить больше мировых данных, повысив удобство их использования в секторе развития и географических регионах. На мероприятии были выявлены интересы, в том числе возможность машинного обучения для достижения глобального охвата следов зданий и дорог, усиление оперативных приложений наблюдения Земли для поддержки принятия решений, а также создание глобальных карт земного покрова и изменений в землепользовании.

«Для различных приложений требуются модели машинного обучения, а также дополнительные обучающие данные с открытым исходным кодом и эталонными тестами, сопоставленные с исходными изображениями».

Что ждет машинное обучение при наблюдении Земли?

Многие участники приема заявили, что ключевым приоритетом на 2019 год должно быть участие, гарантирующее, что разнообразная группа заинтересованных сторон активно способствует развитию открытых данных, в частности машинного обучения. Содействие взаимодействию особенно важно для решения проблем Глобального Юга, где необходимы усилия всего сообщества для обеспечения создания новых моделей и их ориентации с учетом географических проблем и возможностей.

Было отмечено, что для различных приложений требуются модели машинного обучения и большее количество обучающих данных с открытым исходным кодом и эталонных тестов, соответствующих исходным изображениям. Достижение этой цели требует, чтобы различные заинтересованные стороны вносили свой вклад в данные обучения с открытым исходным кодом, а также в стандарты каталогизации этих наборов данных.

Дополнительные идеи участников по дальнейшему развитию машинного обучения в наблюдении Земли

  • Разработка и публикация наборов открытых обучающих данных, сопоставленных с изображениями с разным пространственно-временным разрешением;
  • Создание центрального реестра и репозитория помеченных наборов обучающих данных;
  • Определение эталонных наборов обучающих данных для продвижения моделей машинного обучения;
  • Сборка лучших практик моделирования машинного обучения для данных дистанционного зондирования;
  • Документирование лучших практик управления данными и каталогизации;
  • Изучение текущих проектов для выявления существующих возможностей и устранения дублирования усилий; и
  • Разработка и организация учебных пособий, вебинаров и обучающих семинаров по методам машинного обучения для наблюдения Земли.

Спасибо всем, кто посетил мероприятие и уже внес свой вклад в ML Hub Earth. Мы надеемся на укрепление и расширение сообщества специалистов по машинному обучению для наблюдения за Землей в следующем году.

Приветствую всех за совместный 2019 год!