Gastpost door Emily Folk
Zonder twijfel hebben drones de consumentenmarkt stormenderhand veroverd. Ze zijn elk gepensioneerd ingenieur en het favoriete speeltje van nieuwsgierige kinderen. De impact van drones op het commerciële landschap begint zich echter pas te ontvouwen. Van infrastructuurinspectie, locatieonderzoek en thuisbezorging tot landbouw- en productie-implicaties, drones zijn een rijke bron van productiviteit en gegevens.
Machine learning zal bestaande drones naar nog grotere hoogten brengen. Het zijn al zeer nuttige hulpmiddelen om onze omgeving te observeren, maar door machine learning kunnen drones niet alleen naar hun omgeving kijken, maar ook hun omgeving waarnemen en interpreteren. Hier zijn drie belangrijke manieren waarop het al verandering mogelijk maakt.
1. Verbetering van patroonherkenning voor geautomatiseerde inspecties
Fysieke constructies zoals bruggen en windturbines zijn complex en imposant. Tot nu toe waren er grote teams van hoogopgeleide ingenieurs nodig die elk onderdeel en elke installatie inspecteerden om de nationale infrastructuur in goede staat te houden. Maar hogere kosten en onjuiste politieke prioriteiten hebben geleid tot een steeds slechter rendement op onze publieke investeringen.
Machine learning geeft drones patroonherkenningsmogelijkheden. Met programmering en de juiste camera's en sensorapparatuur kunnen ze veilig, efficiënt en zelfs automatisch doorlopende en gedetailleerde inspecties uitvoeren voor grote bouw- en infrastructuurprojecten.
Op kleine schaal biedt technologie als deze getrainde modellen die kunnen worden gebruikt om productdefecten veel sneller en nauwkeuriger te vinden en uniformiteit te beoordelen, terwijl bestaande QA-medewerkers worden opgetild naar meer cognitief veeleisende en beterbetaalde banen. Deze ontwikkeling komt vaak zonder dat bedrijven werknemers op de koop toe laten vallen. Dezelfde technologische fundamenten schalen gemakkelijk naar de omvang van het aanpakken van het infrastructuurtekort van een land.
2. Activiteiten op de bouwplaats optimaliseren en plannen
Bouwplaatsmanagers weten maar al te goed dat ze niet overal tegelijk ogen kunnen hebben. En toch vinden er overal ter plaatse tientallen arbeidsintensieve en vaak risicovolle activiteiten plaats, van het storten van funderingen tot het verhogen van muren en het opnieuw vormgeven van het land.
Geautomatiseerde of op afstand bestuurde drones in de lucht zullen een enorme impact hebben in omgevingen als deze. Met behulp van machine learning en getrainde modellen konden bouwdrones een oogje houden op alle reilen en zeilen op een bouwplaats. Ze kunnen "begrijpen" hoe de site dagelijks en in de loop van het project verandert, kosten- en tijdlijnprojecties leveren en helpen bij het optimaliseren van de volgorde en manier waarop taken worden voltooid.
Volgens McKinsey's "Imagining Construction's Digital Future" moeten de landen van de wereld tegen 2030 gezamenlijk zo'n 57 biljoen dollar aan hun infrastructuur uitgeven om gelijke tred te houden met de wereldwijde bbp-groei. Hetzelfde rapport voorspelt dat geavanceerde landmeetkunde, geolocatie en andere technologieën in combinatie met drones "de nauwkeurigheid en snelheid" van deze vele noodzakelijke bouwprojecten drastisch zullen verbeteren.
Aangezien drones meer van de rollen op zich nemen die bouwplaatsmanagers doorgaans op zich nemen, is het redelijk om te verwachten dat we een vergelijkbare aanwezigheid voor drones in stadsplanning zullen zien. Het inzetten van drones om op intelligente wijze voertuig- en voetgangerspatronen te bestuderen en aanbevelingen te doen voor de lay-out en de verkeersstroom ligt vrijwel zeker om de hoek.
3. Stroperij en andere misdaden voorspellen en verbieden
Sommige steden in de VS hebben gezichtsherkenning en andere technologieën al verboden, of overwegen ze te verbieden, om te worden gebruikt door de wetshandhavingsgemeenschap. Volgens activisten moeten soortgelijke regels op federaal niveau worden overwogen. Geavanceerde technologieën hebben echter veel te bieden als het gaat om het voorspellen van crimineel gedrag - althans in bepaalde omstandigheden.
Als een goed voorbeeld hebben de Lindbergh Foundation en een dronetechnologiebedrijf genaamd Neurala een doorlopend partnerschap om de olifantenstroperij in Afrika te bestrijden. Neurala beweert dat zijn software, die wordt aangedreven door machine learning, in 20 minuten dezelfde hoeveelheid bewakingsbeelden kan verwerken die dagen of uren zouden duren met technologie van de vorige generatie.
In de strijd tegen stroperij impliceert de implicatie dat deze "luchtherders" automatisch grote hoeveelheden natuurlijke landschappen kunnen patrouilleren met zeer weinig begeleiding en stroperijactiviteiten kunnen herkennen voordat de probleemelementen de natuurreservaten kunnen bereiken. En zelfs als er geen criminelen in beeld zijn, is dit niveau van intelligentie nuttig voor het vinden en voorspellen van de bewegingen van beschermde dierpopulaties of die met onderzoekspotentieel.
Machine learning en drones:een consequente match-up
Dit is slechts een korte blik op enkele van de manieren waarop machine learning commerciële drones nuttiger, oplettender, productiever en zelfs proactiever maakt. Na verloop van tijd kunnen we verwachten dat zowel drones als machine learning aanwezig zullen zijn in zowat elke uithoek van de publieke en private sfeer, met nog indrukwekkendere resultaten naarmate de technologie vordert.
Auteur Bio:
Emily is een groene tech-schrijver die onderwerpen behandelt op het gebied van hernieuwbare energie en duurzaam ontwerp. Je kunt meer van haar werk lezen op haar blog, Conservation Folks.