Cogito ergo sum, сказал Декарт, знаменитый французский философ и математик; это означает, что я мыслю, следовательно, я существую. В более широком смысле когнитивные навыки могут привести к навыкам обучения. Один из самых быстрых способов учиться в наши дни — учить тому, чему вы научились. Эта философия побудила меня принять участие в виртуальном учебном лагере, организованном Radiant Earth Foundation для инструкторов, которые позже будут обучать машинному обучению для наблюдения за Землей.
Наблюдение за Землей, согласно моему определению, включает в себя использование всех доступных инструментов для сбора соответствующей информации о Земле во всей ее полноте. Из-за огромных размеров глобальной поверхности невозможно физически посетить все достопримечательности на Земле, прежде чем проводить такие измерения. Вот тут и приходит на помощь дистанционное зондирование. С помощью спутниковых изображений или снимков с дронов мы можем измерять связанные с Землей величины, такие как поверхность воды, температура, площадь растительности и т. д., без физического доступа к этим частям Земли.
У меня не было опыта в географии или экологии. Я также не получил степень, связанную с географией. Но у меня был первый опыт того, как мы можем использовать данные ГИС для удаленного решения проблем в сетях сотовой связи. Таким образом, этот интерес к данным ГИС естественным образом заставил меня присоединиться к сообществу дистанционного зондирования.
С этой целью ассоциации я был выбран для этого семинара Bootcamp, успешно написав код для тестового задания для оценки площади совмещенных ферм с использованием Geopandas и Rasterio; это специфичные для Python библиотеки, используемые для управления геопространственными данными.
Bootcamp был очень интересным с точки зрения содержания. Тренеры обучали фокусируясь на концепциях геопространственного анализа и геообработки с использованием библиотек Rasterio и Fiona. Также был представлен стандарт STAC (Spatio-Temporal Asset Catalog) — формат создания открытых геопространственных данных для машинного обучения. Наконец, инструкторы провели с нами вводные лекции по алгоритмам машинного обучения (алгоритмы с учителем и без учителя), а также тематические исследования, включающие классификации типов культур и модели прогнозирования скорости шторма с использованием сверточных нейронных сетей.
Этот Bootcamp был особенным; это был учебный лагерь для тренеров. В этом отношении одного участия было недостаточно. Участникам было поручено обучить еще пять человек, чтобы они завершили курс и получили свои сертификаты. Лично для меня был важен не сам сертификат, а возможность обучить еще пять человек изученному материалу. Если бы я смог преодолеть эту проблему, я бы добился двух вещей:
1. Углубить свои знания в области машинного обучения и искусственного интеллекта, а также
2. Станьте частью многообещающего сообщества дистанционного зондирования Земли в Африке.
Но здесь было мое ограничение; мой первоначальный инженерный опыт был связан не только с дистанционным зондированием или географическими исследованиями, но я мог видеть, что большинство членов сообщества исходят из этого центра интересов. Поэтому я составил план, как набирать потенциальных стажеров. Я использовал тизер-презентацию во время вебинара Института профессионалов в области ИКТ, Гана, членом которого я являюсь, чтобы пригласить заинтересованных участников.
30 потенциальных кандидатов выразили заинтересованность в участии в семинаре по машинному обучению для наблюдения за Землей. Однако это число сократилось до 7, прежде чем мы в конце концов начали; многие не ответили на последующее письмо. Это также иллюстрирует воронкообразную концепцию выполнения действий в Интернете.
Затем с группой из 7 человек мы провели четыре двухчасовых занятия, чтобы пройти контент Bootcamp. Среди участников были студенты университета, преподаватель, агроном, метеоролог и специалист по машинному обучению. Совпадение всего этого заключалось в том, что участвующий агроном имел предыдущий опыт сбора наземных данных, которые мы могли использовать для проектов машинного обучения в сельском хозяйстве.
Извлеченные уроки:
- Концепция воронки в Интернете, похоже, верна; новая идея не прилипает ко всем одинаково.
Привлекая потенциальных кандидатов к обучению методам машинного обучения для наблюдения за Землей, я начал с группы, не проявлявшей особого интереса к этой теме. Но из этого агроном будет использовать эти методы для сельскохозяйственных приложений, таких как прогнозирование урожайности, а метеоролог будет использовать те же методы для приложений прогнозирования погоды.
2. Чтобы использовать машинное обучение, вам не обязательно иметь высшее образование в области компьютерных наук. Пришло время изучить концепцию AI+X (искусственный интеллект + знание предметной области). Эта концепция предполагает использование методов машинного обучения во всех аспектах деятельности, где собирается большой объем данных. С помощью этих больших наборов данных можно разрабатывать модели ИИ на основе методов машинного обучения. Однако эти модели обычно не работают в вакууме; существуют модели ИИ, разработанные для прогнозирования цен на акции, так же как и для классификации типов культур. В определенный момент знание предметной области важно для принятия правильных предположений или интерпретаций, чтобы сделать модели пригодными для использования.
3. Наблюдение за Землей не является страстью для всех, но может послужить хорошей отправной точкой для изучения методов машинного обучения. Наблюдение за Землей в основном включает использование методов дистанционного зондирования для измерения температуры, растительности, водоемов и т. д., связанных с землей. В настоящее время над Землей висит множество спутников, и множество доступных наборов данных, как бесплатных, так и коммерческих, можно использовать для создания приложений машинного обучения. Доступность таких наборов данных значительно сокращает время, необходимое для сбора наборов данных перед началом работы над моделями наблюдения Земли. Кроме того, такие организации, как Radiant Earth Foundation, также настаивают на том, чтобы такие наборы данных были доступны в обучаемом формате для таких приложений. Тем не менее, одним из ключевых требований является страсть к данным наблюдения Земли, позволяющим глубоко погрузиться в эту область.
