使用机器学习来确定制图区域的工作量和复杂度

点击图片上方蓝色字体“慧天地”即可订阅

原作者：Delattre and Matthias Funke，转载本文需经编译者同意和《慧天地》许可

HOT一直在试验机器学习如何帮助我们提供更好的地图体验，为人们应对危机提供更准确和有效的地图。一个机器学习可以在不脱离用户的情况下增添更多价值的方式就是预估任务管理器（Tasking Manager）中任务的大小和复杂程度。我们正在通过自己的AI辅助制图工作（AI-assisted mapping work）验证这一想法，从而提升用户在任务管理器中制图的体验。

制图项目有许多的形状和大小。整个项目的区域（AOI）被拆分成不同的任务，由各个用户执行。有些制图任务可能比其它的任务难得多。到目前，不论制图要求的难度有多大，每个任务都覆盖同样大小的区域。一个任务可能有较少的楼房和道路，另一个可能相反，甚至还有在河上的桥梁。通过将机器学习技术用在任务管理器（Tasking Manager）中，我们可以将任务更加细化，或者将复杂的任务变得简单化，分配工作负载，确保完成任务所需的时间平衡。

人工智能和机器学习是计算机视觉的高级计算方法，可用于从卫星影像中检测目标。这些方法可能有助于确定OpenStreetMap中存在数据缺口的位置，评估制图需要的复杂度或时间，或者，评估和比较制图以进行验证。

如何在不查看地图的情况下确定任务的工作量?

机器学习模型可以解译卫星影像，预测楼房、道路以及区域内其他建筑物的数量。然后，将这种估计式信息与OpenStreetMap作对比，并计算出一个分数。该分数表示需要在一个任务区域内执行的制图的预期规模。HOT首次将机器学习整合进任务管理器是在2018年9月，那时，Development Seed公司帮助我们检验地图视图中更多的信息是否可以更好地向制图者传达。随着检验的持续，我们已经改进了如何在任务管理器中向用户显示这种类型的信息。项目创建者现在可使用机器学习提供的信息来决定如何根据制图者简历和经验级别来向合适的人分配任务。

图片地址：

https://geospatialmedia.s3.amazonaws.com/wp-content/uploads/2019/08/tm-ml-project-creation-manual.gif

如何与任务管理器契合？

想象一下，某人需要在任务管理器中建立一个项目来给受台风肆虐的区域制图。当你创建一个新项目时，一个小的“添加机器学习层（Add ML layer）”按钮（见上图）指示在该区域机器学习预测是可行的。通过激活层按钮，每个任务将变成一个红色的阴影，通过颜色编码来说明任务困难级别。缺失的所需制图数据越多，阴影越深。使用这个层，项目创立者可以将具体的区域分成更小的任务，减少任务复杂度。

用户还可以根据预期的复杂性选择自动拆分。通过点击“拆分（机器学习）（Split(ML)）”按钮，任务管理器可以选择被认为有高复杂度的任务，并将它们分成更小的任务。

我们也看到使用这个预测评估来帮助任务管理器将任务分配给正确制图者的机会，这依赖于评估的复杂度和用户的经验水平。比如，将高度复杂的任务给更有经验的制图者。

在这里，机器学习正被用作决策支持工具，使项目管理者的工作更简单，并为不同技能水平的制图者提供大小合适的工作块，从而更快地完成制图项目。

所有这些工作全部基于我们在7月与Development Seed公司推出的机器学习助手（ML Enabler）的基础上。这些新功能将在tasks-assisted.hotosm.org上线，目前仅对Uganda的项目管理者开放内部测试。我们正积极收集反馈，让这些功能能够尽快用在主任务管理器中。

（点击文末“阅读原文”即可查看原文）

翻译整理者

校对者

荐 读 

翻译整理 ：孙韬淳  校对：王芙蓉 林逸文

编辑：张艺洪    审核：黄兰琳

指导：万剑华教授