Gästinlägg av Emily Folk
Utan tvekan tog drönare konsumentmarknaden med storm. De är alla pensionerade ingenjörer och nyfikna barns favoritleksaker. Drönares inverkan på det kommersiella landskapet börjar dock bara utvecklas. Drönare är en rik källa till produktivitet och data, från infrastrukturinspektion, platsmätning och hemleverans till jordbruks- och tillverkningsimplikationer.
Maskininlärning kommer att ta befintliga drönare till ännu högre höjder. De är redan extremt användbara verktyg för att observera vår omgivning, men maskininlärning innebär att drönare, förutom att bara titta på sin omgivning, kan uppfatta och tolka sin omgivning. Här är tre viktiga sätt att det redan möjliggör förändring.
1. Förbättra mönsterigenkänning för automatiserade inspektioner
Fysiska strukturer som broar och vindkraftverk är komplexa och imponerande. Fram till nu krävdes det stora team av högutbildade ingenjörer som inspekterade varje del och installation för att hålla den nationella infrastrukturen i gott skick. Men högre kostnader och felaktig politisk prioritering har gett en allt sämre avkastning på våra offentliga investeringar.
Maskininlärning ger drönare mönsterigenkänning. Med programmering och rätt kameror och sensorutrustning kan de säkert, effektivt och till och med automatiskt tillhandahålla pågående och detaljerade inspektioner för stora bygg- och infrastrukturprojekt.
I liten skala ger teknik som denna utbildade modeller som kan användas för att hitta produktdefekter och bedöma enhetlighet mycket snabbare och mer exakt samtidigt som de lyfter befintliga kvalitetssäkringsarbetare till mer kognitivt krävande och högre betalda jobb. Denna utveckling sker ofta utan att företag tappar några anställda på köpet. Samma tekniska grunder kan lätt skalas till storleken på att hantera en nations infrastrukturbrist.
2. Optimera och planera byggarbetsaktiviteter
Byggarbetare vet bara alltför väl att de inte kan ha ögon överallt samtidigt. Och ändå finns det dussintals arbetsintensiva och ofta riskfyllda aktiviteter överallt på plats, från att gjuta grunder till att höja murar och göra om marken.
Automatiserade eller fjärrstyrda flygdrönare kommer att ha en enorm inverkan i miljöer som dessa. Med hjälp av maskininlärning och utbildade modeller kunde byggdrönare hålla ett öga på allt som händer på en byggarbetsplats. De kommer att kunna "förstå" hur webbplatsen förändras dagligen och under projektets gång, leverera kostnads- och tidslinjeprognoser och hjälpa till att optimera ordningen och sättet som uppgifterna slutförs på.
Enligt McKinseys "Imagining Construction's Digital Future" måste världens nationer tillsammans spendera cirka 57 biljoner dollar på sin infrastruktur till år 2030 för att hålla jämna steg med den globala BNP-tillväxten. Samma rapport förutspår att avancerad mätning, geolokalisering och annan teknik i kombination med drönare kommer att "dramatiskt förbättra [noggrannheten och hastigheten" för dessa många nödvändiga byggprojekt.
När drönare tar på sig fler av de roller som byggplatschefer vanligtvis axlar, är det rimligt att förvänta sig att vi kommer att se en liknande närvaro för drönare i stadsplanering. Att använda drönare för att intelligent studera fordons- och fotgängarmönster och göra rekommendationer om layout och trafikflöde är nästan säkert precis runt hörnet.
3. Förutsäga och förbjuda tjuvjakt och andra brott
Vissa städer i USA har redan förbjudit, eller överväger att förbjuda, ansiktsigenkänning och annan teknik från att användas av brottsbekämpande samfund. Enligt aktivister bör liknande regler på federal nivå övervägas. Avancerad teknik har dock mycket att erbjuda när det gäller att förutsäga kriminellt beteende – åtminstone under utvalda omständigheter.
Som ett utmärkt exempel har Lindbergh Foundation och ett drönarteknikföretag som heter Neurala ett pågående partnerskap för att bekämpa tjuvjakt på elefanter i Afrika. Neurala hävdar att dess mjukvara, som drivs av maskininlärning, kan bearbeta på 20 minuter samma mängd övervakningsmaterial som skulle ta dagar eller timmar med tidigare generations teknik.
I kampen mot tjuvjakt är innebörden att dessa "luftherdar" automatiskt kan patrullera stora mängder naturlandskap med väldigt lite vägledning och känna igen tjuvjaktaktiviteter innan problemelementen kan nå djurreservat. Och även när det inte finns några brottslingar i bilden, är denna intelligensnivå användbar för att hitta och förutsäga rörelser av skyddade djurpopulationer eller de med forskningspotential.
Machine Learning and Drones:A Consequential Matchup
Det här är bara en kort titt på några av sätten som maskininlärning gör kommersiella drönare mer användbara, mer observanta, mer produktiva och ännu mer proaktiva på. Med tiden kan vi förvänta oss att både drönare och maskininlärning kommer att ha en närvaro i nästan varje hörn av den offentliga och privata sfären, och leverera ännu mer imponerande resultat när tekniken utvecklas.
Författarens biografi:
Emily är en grön teknikskribent som tar upp ämnen inom förnybar energi och hållbar design. Du kan läsa mer om hennes arbete på hennes blogg, Conservation Folks.