Zjistěte, jak Microsoft AI chrání přírodní zdroje – příběh o úspěchu oddělení přírodních zdrojů
Dříve jsme probrali výhody použití řešení AI k monitorování populací volně žijících zvířat. Jedná se o běžný scénář umělé inteligence, který pomáhá odborníkům na udržitelnost chránit ekosystémy. Teď se podrobněji podíváme na jeden konkrétní příběh úspěchu.
Organizace
Washington State Department of Natural Resources (DNR) byl založen v roce 1957 jako oddělení státní důvěry Washingtonu země a další přírodní zdroje. Spravuje tyto země, aby zajistil jejich zdraví a produktivitu. Jejich povinnost je tedy dvojí: generovat výnosy a zachovat ekosystémy pro současné a budoucí generace.
DNR dohlíží na 5,6 milionů akreů veřejných zemí. Kromě toho spravuje rozsáhlou rozmanitost krajin, s různými biomey a potřebami. Správná správa vyžaduje technické odborné znalosti o konkrétních lokalitách, jako jsou lesy, pobřeží a vodní země.
Výzva
V rámci DNR provádí divize Vodní zdroje několik programů pro dohled nad 2,6 milionu akrů podmnocených vodních oblastí. Mezi nimi program Nearshore Habitat shromažďuje stovky hodin pod vodou videozáběrů za rok, aby monitoroval mořské rostliny. Jedním z cílů je sledovat množství a distribuci nativní trávy eel, druh mořské trávy.
Tento úkol zahrnuje analýzu přibližně 350 hodin videozáběrů, identifikaci, klasifikaci a geografického umístění trávy eel. Proces vyžadoval ruční práci dvou vědců a ingestování jejich úloh po dobu tří měsíců. Tento proces byl plýtvání vysoce specializovanými a cennými zdroji.
Řešení
Odborníci programu Nearshore Habitat se rozhodli tento problém vyřešit s AI partnerem Microsoftu. Zjistili, že nejlepším přístupem byla automatizovaná klasifikace videa s využitím modelů AI k identifikaci trávy eel.
Technický základ pro případ použití je funkce azure AI Services pro rozpoznávání obrázků. Video se nahraje do Azure, rozdělí na snímky a analyzuje modely zahrnuté ve službách Azure AI. Modely se spravují, sestavují a nasazují ve službě Azure Machine Learning, takže úkol může provádět libovolný vědec místo datových vědců. Nakonec tým používá Microsoft Power BI k vytváření sestav výsledků.
Výsledky
Řešení už šetří měsíce času odborníků a zvyšuje jejich produktivitu. Tento proces teď trvá jenom týdny místo měsíců a jedna osoba místo dvou. Ve střednědobém horizontu je cílem plně automatizovat proces a replikovat ho pro další projekty monitorování.
Další informace najdete v článku Washington State Department of Natural Resources pomocí Azure AI k automatizaci monitorování vodních zdrojů, což šetří měsíce času odborníků.
Dále se podíváme na případ použití udržitelnosti v odvětví mobility.