Участок обзора с улицы спасает глубокое обучение облегчает создание безопасных зданий

Преимущество внешнего обзора интенсивное обучение для безопасного строительства

Изображения, такие как те, что представлены в Google Street View, получают новое назначение в руках доцента Университета Флориды по искусственному интеллекту Чаофенг Вана.

Он использует их вместе с глубоким обучением в исследовательском проекте по автоматизации оценки городских зданий. Проект направлен на помощь правительствам в смягчении ущерба от природных бедствий, предоставляя информацию, необходимую для принятия решений по укреплению строений или осуществления посткатастрофического восстановления.

После природных бедствий, таких как землетрясение, местные власти отправляют команды для проверки и оценки состояния зданий. Если это делается вручную, потребуется до нескольких месяцев, чтобы пройти всю городскую застройку.

Проект Вана использует искусственный интеллект для ускорения процесса оценки, сокращая время, необходимое до нескольких часов. AI-модель обучается с использованием изображений из Google Street View и местных органов власти для назначения оценок зданиям на основе стандартов Федерального управления по чрезвычайным ситуациям (FEMA) P-154, которые предоставляют руководство по оценке на основе таких факторов, как материал стен, тип конструкции, возраст здания и других. Ван также сотрудничал с Программой мирового банка по устойчивому жилью для сбора изображений и выполнения аннотаций, которые использовались для улучшения модели.

• Исследователи МИТ представляют новую процедуру декодирования языковой модели на основе игровой теории без необходимости обучения.
• Исследователи из Университета Амстердама и Qualcomm AI представляют VeRA новый метод AI донастройки, который сокращает количество обучаемых параметров в 10 раз по сравнению с LoRA.
• Исследователи из UCSD и Microsoft представляют ColDeco инструмент для проверки вычисляемых столбцов без кодирования.

Собранные изображения размещаются в хранилище данных. AI-модель считывает хранилище и выполняет вывод на изображениях – процесс, ускоренный системами NVIDIA DGX A100.

“Без графических процессоров NVIDIA мы не смогли бы сделать это”, – сказал Ван. – “Они значительно ускоряют процесс, обеспечивая своевременные результаты”.

Ван использовал узлы DGX A100 в суперкомпьютере Университета Флориды HiPerGator. HiPerGator является одним из самых быстрых суперкомпьютеров искусственного интеллекта в академической среде, обеспечивая производительность AI 700 петафлопс, и был создан при поддержке основателя NVIDIA и выпускника Университета Флориды Криса Малаховского, а также оборудования, программного обеспечения, обучения и сервисов от NVIDIA.

Выход AI-модели компилируется в базу данных, которая питает веб-портал, отображающий информацию – включая оценку безопасности, тип здания и даже материал крыши или стены – в виде карты.

Исследования Вана были финансированы программой ускорительного приложения NVIDIA, которая поддерживает исследовательские проекты, которые имеют потенциал оказывать влияние на реальный мир через развертывание NVIDIA-ускоренных приложений, принятых коммерческими и государственными организациями.

Помощь глазу

Ван говорит, что портал может обслуживать разные потребности в зависимости от сценария использования. Для подготовки к природным бедствиям правительство может использовать прогнозы исключительно на основе изображений с улицы.

“Это статические изображения – один из примеров – это изображения Google Street View, которые обновляются каждые несколько лет”, – сказал он. – “Но это достаточно для сбора информации и общего понимания определенной статистики”.

Но для сельских районов или развивающихся регионов, где такие изображения недоступны или обновляются нечасто, правительства могут собирать изображения самостоятельно. Благодаря графическим процессорам NVIDIA, своевременная доставка оценок зданий может помочь ускорить анализ.

Ван также предполагает, что с достаточной отработкой его исследования могут также повлиять на градостроительство и страховую индустрию.

В настоящее время проект проходит испытания в некоторых муниципалитетах Мексики и вызывает интерес в некоторых африканских, азиатских и южноамериканских странах. На данном этапе он может достичь более 85% точности в оценке в соответствии со стандартами ФЕМА Р-154.

Обзор местности

Одной из проблем, которую Ван указывает, является разнообразие городских ландшафтов в разных странах. Различные регионы имеют свои собственные культурные и архитектурные стили. Если модель искусственного интеллекта не обучена на большом или достаточно разнообразном наборе изображений, она может оказаться запутанной факторами, такими как цвет краски при анализе материала стены. Еще одной проблемой является разнообразие густоты населения города.

«Это очень общее ограничение текущей технологии искусственного интеллекта», – сказал Уанг. «Для того, чтобы быть полезным, требуется достаточное количество тренировочных данных, чтобы отображать распределение реального мира, поэтому мы прилагаем усилия к процессу сбора данных, чтобы решить проблему обобщения».

Для преодоления этого вызова Уанг планирует обучать и тестировать модель для большего числа городов. До сих пор он протестировал около восьми городов в разных странах.

«Нам необходимо создавать более детальные и высококачественные аннотации для обучения модели», – сказал он. «Только таким образом мы сможем улучшить модель в будущем, чтобы ее можно было использовать более широко».

Цель Уанга – довести проект до того уровня, чтобы его можно было применять в качестве сервиса в различных отраслях.

«Мы создаем интерфейсы прикладного программирования, которые могут оценивать и анализировать здания и домохозяйства для бесшовной интеграции с другими продуктами», – сказал он. «Мы также разрабатываем пользовательский интерфейс, который смогут использовать все государственные органы и организации».