[Big Data] Location Intelligence

Ответить на тему

Автор

Сообщение

news_bot ^®

Стаж: 6 лет 9 месяцев
Сообщений: 27286

news_bot ^® написал(а)
20-Май-2021 19:31

Цитировать

Направление «Location Intelligence» не назовешь новым или инновационным. Технология появилась на кривой «Gartner Hype Cycle of Emerging Technologies» в далёком 2013-м году. Его старшие родственники BI и геоинформационные системы (ГИСы) тоже широко используются уже не первый десяток лет. В военно-промышленном комплексе технологии LI активно использовались и того раньше. При этом востребованность и сфера применения LI с каждым завидной динамикой растут. Сегодняшние конференции по большим данным и искусственному интеллекту редко обходятся без выступлений на тему геоаналитики, геофенсинга, геолокационного маркетинга и других технологий, название которых начинается с «гео». Компании воодушевленно делятся успешным опытом определения оптимального месторасположения точек продаж, рассылки уведомлений клиентам, находящимся рядом с определенной локацией, хитроумного планирования помещений внутри магазинов с учетом знаний о поведении покупателей (да-да, наше с Вами поведение – объект нешуточных исследований), рассказывают о результатах анализа продаж по геопризнаку на основании чеков, решении логистических и других задач, нацеленных на повышение эффективности рекламы и улучшение клиентского опыта. Фонды недвижимости и того активнее размышляют на темы оценки недвижимости и best-use анализа активов с учетом сегодняшних возможностей Data Science и Machine Learning (далее - ML). Маркетинговая погоня за нашими кошельками только один небольшой пример применения LI.За последние 7 - 10 лет эффективность применения LI серьёзно увеличилась благодаря трём основным причинам:

росту количества источников данных. Объем ежедневно генерируемых в мире данных с привязкой к географическому месторасположению, потрясает воображение и уверенно позволяет назвать их BIG DATA (BIG GEO DATA или BIG SPATIAL DATA, одного чёткого определения, как водится, пока не удалось найти), и работать с ними по всем суровым законам Data Science. Это и сенсоры и датчики IoT, "умные города" и "умные дома", автомобили, мобильные устройства со встроенными GPS-приёмниками, онлайн-кассы, социальные сети, платежные системы, данные с видеокамер и другие.
активному развитию смежных комплиментарных направлений и технологий – BIG DATA, пространственного анализа, технологий идентификации и позиционирования и LIDAR-сканирования, а также использованию моделей ML и Data Science для извлечения, очистки, обогащения и анализа данных из самых разных источников, состав и разнообразие которых может удивить даже самого искушенного учёного, маркетолога, или писателя-фантаста.
популяризации математики и Data Science, и возникновение плеяды профессионалов, способных совместно с экспертами из разных отраслей реализовать весь цикл сбора и анализа датасетов из множества источников, а также аналитической визуализации и интерпретации данных.

Эти причины привели к тому, что LI стала использоваться для изучения поведения людей, выявлять пространственно-временные факторы среды, которые влияют на это поведение, а также взаимодействовать с потенциальными и действующими клиентами, конкурентами и поставщиками в контексте физического окружения. В основе LI лежат:

идентификация физического месторасположения по географическим широте и долготе (точность позиционирования - интересная тема для дополнительного обзора),
возможность объединения на цифровой карте данных из разнообразных источников о физических объектах, компонентах окружающей среды, городской и промышленной инфраструктуры, людях и их перемещениях, событиях и даже постов в социальных сетях.
анализ данных из разных источников в контексте месторасположения в комплексе, учитывая их влияние друг на друга.

Платформы и инструменты LI успешно применяются для научных исследований, развития и функционирования городских транспортных систем и градостроительного планирования, решения задач урбанистики, охраны окружающей среды, устранения последствий природных катаклизмов и катастроф, работу органов муниципального и государственного управления. Активными бизнес-пользователями технологии являются также ИТ-гиганты (Google, Amazon, Facebook, Apple, Яндекс и т.д.), телеком-операторы, сетевые ритейлеры и логистические компании м так далее. LI уверенно встраиваются и во все остальные сферы деятельности, а также становятся драйвером создания новых бизнес-моделей. Например, ставшая при жизни хрестоматийной бизнес-модель Uber, в которой данные о месторасположении и позиционирование используются для подбора исполнителей заявок, построения оптимального маршрута, определения времени и стоимости поездки, а собираемые всеми автомобилями данные используются для анализа пробок, прогнозирования ограничений и оценки влияния определенных событий на движение в городе, или сервисы курьерской доставки Postmates и DostaVista, и другие модели. По Москве бодро колесят беспилотники (пока в тестовом режиме) и роботы-доставщики еды Яндекса (уже в пилотном режиме), по полям США катается и собирает большие данные для сельского хозяйства робот Alphabet Mineral, дроны фотографируют львов в саваннах для последующего анализа данных об изменении численности и плотности популяции, - в развитии подобных инновационных решений важным компонентом является LI.Источники данных для LIВ дополнение к традиционным источникам данных, достижения четвертой промышленной революции позволили использовать также данные из следующих источников:

IoT и мобильные устройства. Сенсоры и датчики IoT и мобильные устройства генерируют огромные массивы данных с привязкой к географическому месторасположению. Например, сбор данных можно организовать силами пользователей мобильных приложений с использованием функции геопозиционирования или локального позиционирования. Таким образом отзывы и другие данные о местах посещения пользователей собирают социальные сети, платформы FourSquare (мобильное приложение для чекинов Swarm), TripAdvisor, Yelp и другие.
Фотоснимки высокой точности поверхности Земли со спутников, самолетов, дронов и других. Современные технологии Deep Learning позволяют, например, выделить на снимке автомобили или парковочные места, или найти все пальмы, дороги, здания нужного типа в заданном регионе и так далее, и подготовить данные для анализа на LI-платформе.Сформировался и развивается рынок сервисов для решения подобных задач идентификации и классификации нужных объектов на снимках поверхности Земли. Есть компании, которые производят съемку, обрабатывают снимки, извлекают из них различные данные (в том числе, с использованием Deep Learning), а также поддерживают весь жизненный цикл данных. Появляются также облачные платформы, предоставляющие сложные сервисы спутникового мониторинга на условиях подписки.Снимки можно как приобретать у коммерчески игроков, так и использовать открытые ресурсы, например, OpenAreialMap и подобные.
Внешние датасеты. Анализ больших данных постепенно становится доступным не только ИТ-гигантам и корпорациям, но и самым разным компаниям крупного, среднего и даже малого бизнеса. Многие компании давно предоставляют бесплатно или продают доступ к данным для анализа и использования в различных приложениях и системах как государственным (транспортным, дорожным, коммунальным и другим службам), так и коммерческим организациям от корпораций до стартаповОткрытые данные и API. Интересные для анализа наборы данных, в том числе с привязкой к географическому месторасположению, публикуются на открытых ресурсах в рамках реализации концепции открытых данных. В открытом доступе во всем мире размещаются наборы данных, полученные в результате научных исследований, а также данные государственных и других компаний, геологических, метеорологических и многих других служб. В качестве интересного примера можно привести наборы данных Environment Agency Великобритании, собранные в ходе LIDAR-сканирования. Они содержат в том числе характеристики холмов, рек и долин в заданных областях, и могут быть использованы для прогнозирования наводнений и расчёта страховых взносов. Наборы данных размещены на федеральном портале открытых данных Великобритании (data.gov.uk/dataset/) и доступны для всех. Тенденция демократизации знаний постепенно докатилась даже до моделей машинного обучения. Например, в открытом доступе можно найти уже обученные нейросети, которые умеют распознавать снимки поверхности Земли и идентифицировать на них заданные объекты. Появляются open source ресурсы, на которых разработчики размещают модели машинного обучения для доработки или переиспользования.Приобретение данных. Приобретать доступ к данным (через API или SDK) и/или отчеты и выгрузки данных можно у коммерческих игроков (например, Google Maps, Airbus, Yelp, TripAdvisor, Foursquare, 2ГИС, телеком-операторов, платежных систем и так далее), постепенно появляются и становятся доступными сервисы провайдеров больших данных с привязкой к месторасположению (например, «Платформа больших данных» ВТБ и Ростелекома, «МТС-Маркетолог», «Первый ОФД» и подобные).
Краудсорсинг сбора и обработки данных. Для сбора данных можно использовать цифровые платформы краудсорсинга, где на основании размещенного задания пользователи сделают фотографии или нужные измерения в заданных локациях и сохранят данные в специализированных мобильных приложениях или заданном формате. Таким же образом можно организовать работу по разметке для последующего обучения нейросетей. Примеры таких платформ - Amazon Mechanical Turk, Яндекс.Толока, YouDo и другие.

ЗаключениеБлагодаря современным возможностям геопозиционирования у больших данных появился новый компонент – географическое месторасположение. Этот компонент становится связующим звеном между цифровой деятельностью и физическим миром. Использование LI обеспечивает возможность сбора, интеграции и анализа больших данных из разнородных источников, мониторинга и контроля событий и процессов, организации взаимодействия в контексте физического окружения, а также возможность организации удобного интерфейса между человеком и роботом.LI обладает большим потенциалом в части объединения достижений разных современных технологий, и её использование становится необходимой составляющей для цифровой трансформации многих отраслей. *Данная статья отражает применение и развитие LI гражданском секторе промышленности, хотя, как и для многих других технологий, основными драйверами развития этой концепции является решение задач военно-промышленного сектора. Задачи военных, которые решаются с использованием LI (из открытых источников, конечно), будут отражены в других обзорах.Список использованных материалов:

===========
Источник:
habr.com
===========
Похожие новости:

Теги для поиска: #_big_data, #_location_intelligence, #_gis, #_ml, #_spatial_data, #_big_data

Профиль ЛС

Ответить на тему

Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы

Текущее время: 25-Ноя 19:21
Часовой пояс: UTC + 5