{{{sourceTextContent.title}}}

Droni con AI: incorporare UAV intuitivi nel flusso di lavoro

{{{sourceTextContent.subTitle}}}

I droni vengono sempre più incorporati nei flussi di lavoro per aiutare a raccogliere dati di alta qualità sulle risorse. Nel corso del tempo, gli sviluppatori hanno dovuto spingere la tecnologia dei droni a soddisfare le richieste degli utenti finali per un volo, una raccolta di dati, un'elaborazione e un'analisi più intuitivi e reattivi.

{{{sourceTextContent.description}}}

Nel webinar "Droni e AI: migliorare i flussi di lavoro", Commercial UAV News si è collegato con Yariv Geller di vHive, Toomas Välja di Hepta Airborne, Kabe Termes di Skydio e Eric Wittner di Intel Geospatial, per discutere di come AI e ML migliorano i flussi di lavoro dalla raccolta, elaborazione e analisi dei dati alla consegna finale. Di seguito è riportata una versione riassuntiva del webinar, quindi assicuratevi di controllare la versione completa per ulteriori approfondimenti su questo argomento.

Danielle Gagne: AI e ML sono spesso usati in modo intercambiabile, ma hanno alcune differenze. Puoi fornire la tua definizione di Intelligenza Artificiale (AI) e Machine Learning (ML)?

Yariv Geller: vHive è l'unica soluzione software che permette alle imprese di distribuire alveari autonomi di droni per digitalizzare i loro beni e generare gemelli digitali. Facciamo molto uso di AI e ML, e penso che la cosa più importante sia ciò che questi termini trasmettono, cosa c'è dietro. L'obiettivo che le industrie stanno cercando è il senso di automazione, dato che sempre più dati fluiscono attraverso i tubi delle organizzazioni, fornendo loro un valore enorme. Ma in molti casi, le organizzazioni stanno diventando sopraffatte dalla quantità di dati che stanno ricevendo. Parte della promessa dell'IA è nella cattura dei dati, nell'analisi dei dati, nell'automazione dei processi e nell'arrivare alle intuizioni molto più velocemente, salvando così l'organizzazione dall'annegamento nei dati e arrivando al punto molto più velocemente. C'è anche una nozione di sistemi che possono migliorare in termini di qualità nel tempo, quindi c'è un senso di ML, che è un'altra cosa interessante che vediamo in diversi settori.

Toomas Välja: AI è più un termine generale, che descrive un metodo di risoluzione dei problemi per risolvere problemi che non sono raggiungibili con metodi convenzionali. È qualcosa che permette di usare tecniche come la ML, un sottocampo dell'AI, dove il miglioramento dell'algoritmo o del programma è simile a come gli umani imparano. Cerchiamo di risolvere i problemi e di dare un senso ai dati. Non importa come lo chiamiamo, se è AI, Deep Learning, Reti Neurali, o qualsiasi altra cosa. Se non stai parlando con i veri scienziati dei dati, allora, nella mia esperienza, questi termini sono tutti usati in modo intercambiabile.

Eric Wittner: AI come categoria generale è una macchina che replica l'intelligenza umana per decidere o eseguire un compito basato su un insieme di regole o procedure. Queste regole possono essere definite dall'uomo, come il sistema di automazione del telefono che ti risponde quando parli, o imparare come un algoritmo di rilevamento del volto e Facebook, che ti mostra tutti i tuoi amici. ML è un sottoinsieme di AI, e permette all'AI di imparare le regole da sola sulla base dei dati forniti. Può migliorare nel tempo con più dati, che è uno dei motivi per cui penso che i droni e gli UAV, in generale, siano così eccitanti a causa del volume di dati che forniscono. Questi algoritmi di ML possono identificare e capire le caratteristiche delle cose che vedono in queste immagini, come ad esempio trovare tutte le case in una sorta di immagini, determinare quali sono danneggiate e segnalare quelle distrutte in risposta a uno tsunami. L'apprendimento profondo è una sorta di passo successivo in cui l'IA ricava intuizioni dai dati in modo più non supervisionato e vi dà le caratteristiche che vede. Ma penso che in questo spazio, l'IA comprenda la visione artificiale, l'analisi spaziale e la previsione spaziale. È tutto più o meno al servizio della fornitura di decisioni o azioni ai clienti.

Kabe Termes: Farei eco a molti dei sentimenti sui termini di AI e ML in termini di scienza esatta e di come interagiscono tra loro, ma mi piace pensare più dal lato operativo della casa. Quando pensiamo al ML a Skydio, ci riferiamo a questo come a un blocco di costruzione dell'AI. Il ML può essere usato in un classificatore di immagini per identificare il danno, e si possono usare cose come i sensori a ultrasuoni per determinare dove si trova un ostacolo. Ma perché i droni possano sfruttare l'AI, è necessario un dispositivo che possa vedere, capire il mondo che li circonda. Oggi, sempre più aziende stanno commercializzando verso caratteristiche ML. Eppure, noi di Skydio siamo fermamente convinti che è necessario attraversare quella soglia per entrare nello spazio AI prima di poter avere un'esperienza veramente trasformativa per i vostri piloti. In questo modo, è possibile iniziare a scalare questi programmi e costruire le cose, che dipende dal tirare tutti i diversi pezzi di ML in un drone veramente AI-enabled.

Quando i droni sono stati introdotti nelle industrie commerciali, l'obiettivo era quello di raccogliere un sacco di dati di alta qualità. Ci siamo presto resi conto che questo creava un collo di bottiglia per i processi a valle. Poiché ci voleva più tempo per ingerire, elaborare, analizzare e poi produrre un risultato, qualsiasi efficienza o guadagno veniva perso nel processo. Può fornire un esempio che dimostri dove stiamo risolvendo questi colli di bottiglia e come AI e ML sono una parte importante di questa equazione?

Eric Wittner: Penso che abbiamo visto questa sfida ripetutamente nel mondo delle immagini e del geospazio nel corso del tempo. Ogni volta che avanziamo nella nostra capacità di raccogliere informazioni, lottiamo per gestire, usare e prendere decisioni da esse. Alla fine degli anni '90 e all'inizio del 2000, i set di dati lidar che abbiamo ottenuto erano così grandi che a volte erano addirittura difficili da elaborare sulla macchina. È davvero un problema in tre parti: la dimensione totale dei dati, e stiamo vedendo un sacco di soluzioni in cui possiamo gestire grandi dati nel cloud; poi c'è il rendere quei dati utilizzabili, come avere gli strumenti per manipolare e associare le immagini intorno a uno specifico; e infine eseguire l'analisi per guidare la comprensione da quei dati. Questa è la struttura. Quando è possibile gestire, visualizzare tutti i dati insieme e associarli con le caratteristiche del mondo reale per analizzare e prendere decisioni, questo ci dà la soluzione completa.

Toomas Välja: Alla Hepta Airborne, avevamo il compito di ispezionare linee elettriche che si estendevano per decine di migliaia di chilometri. Questo era un settore piuttosto stagnante dove le ispezioni venivano fatte a piedi, nelle foreste, scappando dagli orsi, perdendo gli stivali di gomma nelle paludi, o con gli elicotteri che sono costosi. Così, abbiamo iniziato a introdurre i droni e ci siamo subito resi conto che la quantità di lavoro per spostare foto e video tra le cartelle e gestire tutti quei dati diminuiva i guadagni ottenuti. Per risolvere questo, abbiamo iniziato a creare una semplice applicazione web per gestire e consolidare i dati per sviluppare un approccio strutturato, ma non aveva nulla a che fare con l'AI a quel punto. Oggi, stiamo usando l'AI per accelerare i processi di analisi manuale, e mentre non pretendiamo di avere strumenti magici che rilevano tutto, le persone che stanno facendo questo lavoro finiscono per farlo 2, 3, 5 volte più velocemente di prima.

Quando abbiamo iniziato a raccogliere tutti questi dati, qual era il fascino e il valore che la gente vedeva? Perché dovremmo guardare all'IA per migliorare la nostra comprensione e i risultati? Come fa l'IA a colmare il divario tra più e meglio?

Toomas Välja: Mentre cerchiamo di automatizzare il più possibile le procedure di ispezione delle infrastrutture, questo spesso richiede di guardare ogni variante di un asset. I metodi convenzionali richiedono che una persona guardi le immagini, quindi abbiamo due modi per renderlo più efficiente: o fornire strumenti che rendono questo processo di selezione più veloce o eliminare del tutto la componente umana. La seconda è molto più difficile da ottenere, ma penso che la prima sia un trampolino di lancio per raggiungere la seconda.

Yariv Geller: Se prendiamo il rilevamento delle torri come esempio, il metodo attuale di acquisizione dei dati è quello di inviare persone che si arrampicano in cima a torri di 300 piedi, utilizzando un nastro di misurazione, telefoni cellulari per scattare foto, e forse un marcatore. È pericoloso. In primo luogo, ci vuole un sacco di tempo, e non è permesso farlo con una sola persona, perché si lavora in altezza. Anche allora, prenderanno solo alcuni punti di dati sparsi, li rimanderanno a qualcuno in un back office, che si siederà con qualche software CAD, cercherà di ricreare ciò che hanno catturato e ne ricaverà qualcosa di interessante. I droni forniscono un metodo per ottenere gli stessi dati in una frazione del costo e del tempo senza mettere in pericolo le persone e generando prodotti di dati e approfondimenti attraverso flussi di lavoro automatizzati. Sostituire i processi ingombranti e pericolosi con quelli completamente automatizzati che ti danno risultati in tempo reale è il fascino principale che abbiamo visto nel settore. I droni devono diventare uno strumento; non scaleranno in un'impresa se si affidano a un esperto di droni per usarli. Il concetto è quello di avere un drone che chiunque può lanciare quando vuole, tirarlo fuori dal suo bagagliaio o dal suo zaino e semplicemente liberarlo.

Come possono i droni e l'IA realizzare gli obiettivi di modernizzare, riparare e mantenere le nostre infrastrutture e costruire posti di lavoro in tutto il mondo? Che tipo di lacune o sfide prevede se le applicazioni dell'IA non fanno parte di questa equazione?

Kabe Termes: Se si guarda agli Stati Uniti oggi, abbiamo circa 620.000 ponti, 4 milioni di miglia di strade, 140.000 miglia di ferrovia, e qualcosa come circa 150.000 torri di telefonia cellulare, 200.000 miglia di linee di trasmissione, e ci sono solo circa 200.000 piloti negli Stati Uniti oggi. Stiamo usando i droni per ispezionare alcune di quelle infrastrutture, ma i droni devono diventare una risorsa nella cintura degli strumenti di un operatore per tenere il passo con la domanda e per aumentare realmente la scala. Gli operatori quotidiani non avranno bisogno di essere piloti di droni, e non avranno bisogno dell'alto grado di formazione e manutenzione che mettiamo sugli attuali operatori UAV. Questo sarà fondamentale, soprattutto nei prossimi dieci anni, quando alcuni di questi programmi entreranno in gioco mentre le infrastrutture continueranno a sgretolarsi e la necessità di ispezioni aumenterà drasticamente. È qui che entra in gioco l'IA. Uno dei nostri clienti in Giappone, che ha fatto circa dieci ispezioni di ponti nel 2019, ha cambiato il loro programma per sfruttare l'AI e i droni Skydio abilitati alla ML e ha ispezionato circa 700 ponti nel 2021. Hanno ridotto la quantità di tempo di formazione da circa 100 ore a 8 ore totali prima di poter equipaggiare queste persone e portarle sul campo. Non appena ridurremo l'onere della formazione e il livello di abilità richiesto a un operatore per uscire sul campo, quello sarà il punto di transizione.

Yariv Geller: Abbiamo avuto clienti che soffrono di attrezzature esposte ad ambienti corrosivi che collassano se non vengono curate. In molti casi, le aziende sono spinte ad agire solo quando iniziano a succedere cose brutte, e noi vogliamo prevenire questo diritto. Parte della promessa di avere risorse digitali è la capacità di rispondere molto più velocemente e in modo più intelligente a ciò che sta succedendo sul campo. La capacità di ottenere approfondimenti sull'infrastruttura cresce enormemente attraverso questi strumenti e permette un lavoro molto più stretto. A volte, c'è la tendenza a guardare l'IA e i computer come una minaccia per la forza lavoro perché sta portando via posti di lavoro. Tuttavia, la democratizzazione dei dati e la capacità di usare i droni in modo autonomo sta aiutando le persone a entrare nella forza lavoro digitale in molti modi, invece di essere spinte fuori. Più spingiamo la tecnologia verso le persone e la rendiamo loro accessibile, più opportunità creiamo per partecipare a questo sforzo.

Con un numero crescente di set di strumenti di sviluppo AI da aziende come AWS, Google e C3, è ora più facile che mai sviluppare AI. Come farà la sua azienda a mantenere un vantaggio competitivo in questo crescente mercato dell'AI?

Eric Wittner: Questa è una domanda difficile. Manterrai il tuo vantaggio competitivo costruendo i tuoi strumenti o migliorando le tue routine. Dal punto di vista di Intel Geospatial, non siamo solo una piattaforma per la nostra AI e ML; forniamo un posto dove altre aziende possono venire e ospitare i loro algoritmi e fare le loro analisi. Abbiamo un'analitica di terze parti sull'invasione della vegetazione e sulla valutazione delle linee di trasmissione che vivono sulla nostra piattaforma, ma non le costruiamo noi. Quindi, riconosciamo che non costruiremo tutto. Ci sono aree in cui manteniamo la nostra leadership in termini di AI e ML, ma vogliamo lavorare con altri leader e portare ai clienti tutti i migliori strumenti che possono utilizzare per guidare il loro processo decisionale e le loro azioni all'interno delle loro organizzazioni.

Per concludere, dove vede il futuro dell'AI e del ML nel prossimo e lungo termine? E come creerà valore nell'impresa?

Yariv Geller: Ci sono tre aree in cui l'AI può servire l'industria dei droni. La prima è aiutare i droni a volare meglio, a non urtare le cose, a capire dove sono, e così via. L'altra area è nell'acquisizione dei dati, la capacità di pianificare meglio e capire i tipi e la posizione dei dati che devono essere catturati per ottenere i giusti risultati. E la terza area di attività è in applicazioni industriali più verticali. Ora che ho i dati, come posso ottenere migliori intuizioni da essi? Queste sono le tre principali aree di attività che vedo ora e in futuro. Lo vedrete accadere su una scala più ampia con sempre più casi d'uso.

Eric Wittner: Due cose. In primo luogo, penso che le intuizioni guidate dal cambiamento nel tempo applichino l'AI e la ML mentre raccogliamo sempre più di queste informazioni negli stessi luoghi e vediamo cosa possiamo cogliere e determinare. Poi, una piccola previsione di ciò che stiamo andando a vedere a lungo termine è lo spiegamento sul bordo di AI e ML nei dispositivi che generano informazioni utilizzabili. Intel possiede un'azienda chiamata Mobileye, che costruisce sensori per veicoli autonomi e per l'assistenza alla guida, e tutte le informazioni geospaziali che ne derivano spingeranno l'AI e il ML a iniziare a muoversi sul bordo.