First OpenAI came for the artists and I did not speak out - because I was not an artist.
Then OpenAI came for the writers and I did not speak out - because I was not a writer.
Then OpenAI came for the visual effects artists and I did not speak out - because I was not a visual effects artist.
Then OpenAI came for the programmers - and there was nobody left to speak out for them.

—Steve Coast

Quelle: https://twitter.com/SteveC/status/1761554509916967285, eig. Hervorhebung

Generative AI has the potential to change the world in ways that we can't even imagine. It has the power to create new ideas, products, and services that will make our lives easier, more productive, and more creative. It also has the potential to solve some of the world's biggest problems, such as climate change, poverty, and disease.

—Bill Gates

Quelle: forbes.com, eig. Hervorhebung

KI, GIS, EO & FOSS

Erfahrungen & offene Fragen rund um artifizielle Intelligenz

Carmen Tawalika, mundialis
Marc Jansen, terrestris

FOSSGIS 2024 | 21. März 2024 | Hamburg

Carmen Tawalika | mundialis

Anwendungsentwicklerin & Technical Lead bei mundialis
Kernentwicklerin & PSC actinia
Umweltmanagementbeauftragte
OSGeo Foundation Charter Member

tawalika@mundialis.de

github.com/mmacata

Marc Jansen | terrestris

Geschäftsführer terrestris
Kernentwickler & PSC OpenLayers
GeoExt, SHOGun, GeoStyler …
Sprecher & Trainer
national & international
OSGeo Foundation Charter Member

jansen@terrestris.de

github.com/marcjansen

Earth Observation und GIS mit FOSS aus Bonn

Freie Daten und Freie Software
generisch und maßgeschneidert, immer kundenorientiert
Softwareentwicklung,
-konzeption & -wartung
Datenprozessierung und sonstige Geo-Dienstleistungen
mundialis.de | terrestris.de

info@mundialis.de

github.com/mundialis

DIN-konformes und zertifiziertes Qualitäts- und Umweltmanagement bei mundialis

info@terrestris.de

github.com/terrestris

DIN-konformes und zertifiziertes Qualitäts- und Umweltmanagement bei terrestris

Über was wir sprechen wollen:

Begriffsklärungen
Einige Beispiele / Software / Produkte
Offene Fragen

Begriffsklärungen

Künstliche Intelligenz (KI / AI)
Intelligente Maschinen, die Aufgaben erfüllen, die eigentlich menschliche Intelligenz benötigen

Machine Learning (ML)
Selbstständiges Lernen aus Daten

Deep Learning (DL)
Imitiert menschliches Lernverhalten mittels großer Datenmengen, …

Quellen: Bild und Inhalte nach datasolut.com, inspiriert durch phind.com

Deep Learning (DL)
Imitiert menschliches Lernverhalten mittels großer Datenmengen, ...
... indem es Neuronale Netze (NN) als Technologie nutzt, welche viele Layer enthalten

(Künstliche) Neuronale Netze ((K)NN)
Imitieren menschliche Gehirnstruktur
Nicht alle NNs sind DL

DL Architekturen:
- CNN: Convolutional NN für räumliche Klassifizierungen, Bilderkennung (z.B. U-Net, ResNet)
- RNN: Recurrent NN speziell für Zeitreihenanalysen, Text, Sprache

Quellen: Bild und Inhalte nach datasolut.com, inspiriert durch phind.com

Large Language Models (LLM)
Modell zur Verarbeitung und Generierung natürlicher Sprache, trainiert auf großen Mengen an Textdaten (z.B. GPT-3-Modell von OpenAI)
CNNs und RNNs können Teil eines LLMs sein

Artifizielle Generelle Intelligenz (AGI)
den menschlichen Fähigkeiten entsprechend oder darüber hinaus
Endziel der KI Forschung, bisher nicht realisiert

Quellen: Bild und Inhalte nach datasolut.com, inspiriert durch phind.com

Beispiele

... auf der Konferenz (mind.)

Verarbeitung hochaufgelöster Umweltdaten auf Basis von OGC API Processes
Automatisierte Bestimmung der Straßenbeschaffenheit mit Machine Learning
Workflow zur Erstellung von Trainingsdaten für die KI-Gebäudeerkennung
Evaluierung von Hausumringen: ALKIS, OSM, Microsoft und unsere KI im Vergleich
KI-Gebäudeerkennung – Deep-Learning-Modelle zur Aktualisierung der ALKIS-Gebäude
Open Source and Web-Based GeoAI tool for Transparent Forest Fire Prediction
Einsatz von Machine Learning zur Erstellung von XPlanGML
Oberflächenklassifikation aus Luft- und Satellitenbildern mit Hilfe von actinia (WS)

Überwachte Oberflächenklassifizierung mit GRASS GIS

ML
GRASS GIS Modul r.learn.ml2 (basiert auf scikit-learn)
Automatisierte Erstellung von Trainingsdaten, z.B. regelbasiert über Grenzwerte
Trainieren des Modells mit r.learn.train
Anwenden des Modells auf andere Gebiete mit r.learn.predict
Beliebt: der RandomForestClassifier

Bildquellen: GRASS GIS - r.learn.ml2 Dokumentation

Landsat 7 bands 7,4,2 color composite

Random forest classification result

El Niño Prognose

DL
CNN Architektur inklusive zeitlicher Dimension (Raumzeitwürfel)
Erstellung des Netzes mit pytorch (torch.nn)
Beispiel in jupyter notebook
Input Daten:
- Equatorial Pacific Sea Surface Temperatures (SST)
- COBE Sea Surface Temperature
GPU System von Vorteil