Servicio

IA geoespacial y machine learning

Modelos que leen imágenes a una escala que ningún equipo podría revisar a mano, y modelos predictivos que indican hasta qué punto se puede confiar en ellos. El proyecto de palma aceitera contó 718 751 palmas de esta forma.

Qué recibe

  • Detección y conteo de objetos: árboles, edificios u otros elementos en imágenes de dron, aéreas o de satélite.
  • Clasificación de la cobertura del suelo, de los cultivos o de otras clases que le interesen.
  • Mapas predictivos, como la susceptibilidad a inundaciones, construidos a partir de muchos factores espaciales.
  • Explicación de cada predicción con SHAP, para ver qué determina un resultado.
  • Una tasa de error honesta, medida en zonas donde el modelo no se entrenó y no en muestras aleatorias.

Para quién

Operadores de plantaciones y fincas, prestamistas y aseguradoras, planificadores e investigadores: quien tenga más imágenes o más territorio del que un equipo puede revisar a mano.

Cómo funciona

  1. PlantearLa pregunta y la decisión que apoya
  2. EtiquetarUna muestra anotada a mano, o datos existentes
  3. EntrenarComparar modelos con el mismo conjunto de prueba
  4. ValidarProbar en zonas reservadas
  5. DesplegarAplicar a escala y entregar el código

Preguntas frecuentes

¿Cuántos datos etiquetados necesita?

A menudo menos de lo que se cree. El detector de palmas aprendió de 4 041 copas anotadas a mano en 435 teselas de imagen y se mejoró por etapas a medida que aparecían nuevos tipos de error.

¿Por qué probar en zonas reservadas?

Los píxeles vecinos se parecen, así que una división aleatoria favorece al modelo. GeoAID obtuvo alrededor de 0,798 con una división aleatoria y alrededor de 0,642 con validación cruzada espacial. El segundo número es el que hay que usar para planificar.

¿Me quedo con el modelo?

Sí. Recibe el modelo entrenado, el código y la documentación, para que su equipo pueda volver a ejecutarlo.

Otros servicios

Reservar una llamada