Digitale veivisere: De livsviktige kartene

h

Foto: Jack Anstey/Unsplash
Digitaliseringens fortrinn er uransakelige: Det som begynte med et sommervikariat i Norkart bidrar nå til at jenter i fare for å bli omskjært, raskere kan få hjelp.

Det begynte med at Mathilde Ørstavik tok et sommervikariat i Norkart mens hun studerte for å bli sivilingeniør med spesialisering i geomatikk fra NTNU. Det førte til en masteroppgave om kartverk, fast jobb og langt videre ringvirkninger enn hun hadde sett for seg.

-Jeg ble tipset av en kollega om å se på hvordan geografisk data kan hentes ut automatisk fra flyfoto ved hjelp av maskinlæring. Det var få som hadde forsket på nettopp dette tidligere, sier Ørstavik.

Norkart er et av de få selskapene som jobber med å oppgradere og utfylle digitale kart ved hjelp av maskinlæring. Masteroppgaven Ørstavik satte i gang med etter vikariatet har blitt utgangspunktet for et pågående maskinlæringsprosjekt kalt autoKart.

Mathilde Ørstavik synes det er tilfredsstillende at Norkarts maskinlæringsprosjekt for å dra ut kartdata fra flyfoto allerede har viktige anvendelsesområder.

Ørstavik snakker om bildegjennkjenningteknologien som Snapchat bruker i sine filtre, generell bildeanalyse og maskinlæringsmetoder spesielt.

-Det utvikler seg virkelig raskt innen geografisk data. Det er stadig flere som bruker maskinlæring, men det er fortsatt relativt ny teknologi og det er ikke så mange som jobber med anvendelse av dette på geografiske data

Nytt fagfelt – store muligheter

Crowd2map er en frivillig organisasjon som jobber med frivillige over hele verden for å kartlegge Tanzania – for blant annet å mer effektivt kunne forhindre kvinnelig omskjæring og styrke samfunnsbyggingsprosjekter. Da Ørstavik holdt et foredrag om Norkart-prosjektet i London, var Crowd2map i salen. Siden april har Ørstavik jobbet med organisasjonen, og vil i sommer assisteres av tre ferske sommervikarer for å kunne levere data som organisasjonen kan bruke allerede i løpet av sommeren.

-Det er en maskinlæringsmodell. Vi gir den eksempler på hva den skal lære. For eksempel hvor i bildene vi presenterer det finnes bygninger eller veier vi ønsker å hente ut, forklarer Ørstavik.

-I land som Tanzania er det store områder hvor det ikke finnes kartdata i det hele tatt. Det finnes ikke oversikt på hvor bygninger, veier eller noe som helst befinner seg.

Det er denne informasjonen de jobber for å hente ut av flyfoto. Ofte kan problemet for organisasjoner som Crowd2map være at de må rykke ut for å forhindre en varslet omskjæring, men rett og slett ikke finner frem i tide.

-Det er ikke mulig å slå opp adressen eller området på Google Maps. Det er frustrerende for dem. De får tips om hvor jentene som skal omskjæres befinner seg, men rekker ikke frem.

Med Ørstaviks algoritmer kan dette endres.

Trener opp modellen

Prosjektet jobber med å utvide dekningsgraden til det eksisterende åpne globale datasettet, OpenStreetMap.

-Vi har trent opp modellen vår på masse eksempelbilder fra Norge. Vi kan sende et vilkårlig bilde av Norge og modellen vil finne ut hvor i bildet det befinner seg bygninger basert på hva som er felles i alle eksempelbildene den er blitt matet med, sier Ørstavik.

Modellen viser hvordan kunstig intelligens analyserer og henter data om bygningsstrukturer i flyfoto.

 

Tidligere ble dette gjort manuelt.

-Da var det noen som så på flyfotoene og tegnet inn hvor det var bygninger og veier. Den dataen har vi nå tilgjengelig for å trene opp modellen.

Viktigere enn å finne feil

De jobber nå med et treningsdatasett med bygninger fra Tanzania.

-Modellen er god på hvor i bildet det er bygninger, men foreløpig ikke på å gjenkjenne formen på bygningene. Vi jobber derfor med algoritmer for å rette opp formen i etterkant. Et variert og stort treningsdatasett er også avgjørende for å få en god modell, sier sivilingeniøren.

-Vi finner derfor områdene der modellen har gjort en dårlig jobb, og utvider datasettet med flere eksempler fra disse områdene slik at vi kan trene videre og gjøre modellen mer robust.

Ørstavik forteller at hun i utgangspunktet var i en «vestlig boble» da hun jobbet med masteroppgaven.

-Jeg tenkte bare på hvordan maskinlæring kunne brukes for å hente ut data for å oppdatere og finne feil i de allerede eksisterende datasettene. Jeg tok utgangspunkt i at det finnes geografisk data. Men det gjør det jo ikke overalt, sier hun.

-Med Tanzania-prosjeketet ser jeg hvordan teknologien kan brukes til noe virkelig viktig.



FacebookTwitterLinkedInEmail