Street View per il Salvataggio Deep Learning Apre la Strada a Edifici più Sicuri

Street View per il Salvataggio Il Deep Learning Apre la Strada a Edifici più Sicuri

Immagini come quelle di Google Street View stanno assumendo un nuovo scopo nelle mani dell’assistente professore di Intelligenza Artificiale presso l’Università della Florida, Chaofeng Wang.

Le sta utilizzando, insieme all’apprendimento profondo, in un progetto di ricerca per automatizzare la valutazione degli edifici urbani. Il progetto mira a aiutare i governi a mitigare i danni causati da disastri naturali fornendo le informazioni necessarie agli amministratori per rafforzare le strutture degli edifici o effettuare operazioni di ripristino post-disastro.

Dopo un disastro naturale come un terremoto, i governi locali inviano squadre per verificare e valutare le condizioni degli edifici. Fatto manualmente, può richiedere mesi per attraversare l’intero patrimonio di una città.

Il progetto di Wang utilizza l’IA per accelerare il processo di valutazione, riducendo il tempo necessario a poche ore. Il modello di intelligenza artificiale viene addestrato utilizzando immagini provenienti da Google Street View e dai governi locali per assegnare punteggi agli edifici in base agli standard P-154 dell’agenzia federale per la gestione delle emergenze (FEMA), che forniscono linee guida di valutazione basate su fattori come il materiale delle pareti, il tipo di struttura, l’età dell’edificio e altro ancora. Wang ha anche collaborato con il Programma Globale per l’Edilizia Resiliente della Banca Mondiale per raccogliere immagini e svolgere annotazioni, che sono state utilizzate per migliorare il modello.

• Come la realtà virtuale sta rivoluzionando l’istruzione nel 2024
• La corsa per salvare i segreti dai computer del futuro
• Tocchi robotici migliorano il movimento naturale e la stabilità degli arti protesici

Le immagini raccolte sono collocate in un repository di dati. Il modello di intelligenza artificiale legge il repository e effettua inferenze sulle immagini, un processo accelerato dai sistemi NVIDIA DGX A100.

“Senza le GPU NVIDIA non saremmo stati in grado di farlo”, ha detto Wang. “Accelerano significativamente il processo, assicurando risultati tempestivi”.

Wang ha utilizzato i nodi DGX A100 nel supercomputer HiPerGator dell’Università della Florida. HiPerGator è uno dei supercomputer per intelligenza artificiale più veloci al mondo nel mondo accademico, con una potenza di calcolo di 700 petaflops e è stato costruito con il supporto di Chris Malachowsky, fondatore di NVIDIA e alunno dell’Università della Florida, e con hardware, software, formazione e servizi di NVIDIA.

L’output del modello di intelligenza artificiale viene compilato in un database che alimenta un portale web, che mostra le informazioni, tra cui il punteggio di valutazione della sicurezza, il tipo di edificio e persino il materiale del tetto o delle pareti, in un formato basato su mappa.

Il lavoro di Wang è stato finanziato dal Programma di Accelerazione della Ricerca Applicata di NVIDIA, che sostiene progetti di ricerca che hanno il potenziale per avere un impatto nel mondo reale attraverso l’implementazione di applicazioni accelerate da NVIDIA adottate da organizzazioni commerciali e governative.

Un occhio che aiuta

Wang afferma che il portale può soddisfare diverse esigenze a seconda del caso d’uso. Per prepararsi a un disastro naturale, un governo può utilizzare solo le previsioni dalle immagini di Street View.

“Si tratta di immagini statiche – un esempio sono le immagini di Google Street View, che vengono aggiornate ogni alcuni anni”, ha detto. “Ma questo è abbastanza buono per raccogliere informazioni e avere una comprensione generale su determinate statistiche”.

Ma per le aree rurali o le regioni in via di sviluppo, dove tali immagini non sono disponibili o non vengono aggiornate frequentemente, i governi possono raccogliere le immagini da soli. Con la potenza delle GPU NVIDIA, la consegna tempestiva delle valutazioni degli edifici può aiutare ad accelerare le analisi.

Wang suggerisce anche che, con sufficiente raffinamento, la sua ricerca potrebbe creare onde anche per l’urbanistica e le assicurazioni.

Attualmente, il progetto è in fase di test da parte di alcuni governi locali in Messico e sta riscuotendo interesse in alcuni paesi africani, asiatici e sudamericani. Allo stato attuale, può raggiungere un’accuratezza superiore all’85% nei punteggi di valutazione, secondo gli standard FEMA P-154.

Rilievo del territorio

Una sfida citata da Wang è la variazione dei paesaggi urbani nei diversi paesi. Diverse regioni hanno i propri stili culturali e architettonici. Non addestrato su un numero abbastanza ampio o vario di immagini, il modello di intelligenza artificiale potrebbe essere confuso da fattori come il colore della vernice durante l’analisi del materiale delle pareti. Un’altra sfida è la variazione della densità urbana.

“È una limitazione molto generale della tecnologia AI attuale”, ha detto Wang. “Per essere utile, richiede dati di addestramento sufficienti per rappresentare la distribuzione del mondo reale, quindi stiamo facendo sforzi nel processo di raccolta dati per risolvere il problema della generalizzazione”.

Per superare questa sfida, Wang mira ad addestrare e testare il modello per più città. Finora, ha testato circa otto città in paesi diversi.

“Abbiamo bisogno di generare annotazioni più dettagliate e di alta qualità per addestrare il modello”, ha detto. “Questo è il modo in cui possiamo migliorare il modello in futuro in modo che possa essere utilizzato più ampiamente”.

L’obiettivo di Wang è portare il progetto ad un punto in cui possa essere implementato come servizio per un uso più generale nell’industria.

“Stiamo creando interfacce di programmazione delle applicazioni che possono stimare e analizzare edifici e abitazioni per consentire un’integrazione senza soluzione di continuità con altri prodotti”, ha detto. “Stiamo anche costruendo un’applicazione facile da usare che tutte le agenzie governative e le organizzazioni possono utilizzare”.