Как Фейсбук использует машинное обучение чтобы создать карту населения - Mainacademy

Как Фейсбук использует машинное обучение чтобы создать карту населения

  • date_range 28 сентября
  • face Оля Паламарчук
  • chat_bubble_outline 0

Если речь заходит о том, где на самом деле живут люди по всему миру, информационные ресурсы варьируются в разной степени точности.

Сильно урбанизированные и зрелые экономики, как правило, дают большое количество актуальной информации о плотности населения и детальные демографические данные. В сельской Африке или других регионах развивающихся стран, методы отслеживания не всегда могут быть в курсе, или в некоторых случаях могут отсутствовать.

Здесь появляются новые карты, разработанные исследователями в Facebook. На основе проекта CIESIN «Сетка популяция мира», Facebook использует модели машинного обучения на спутниковых снимках высокого разрешения, чтобы нарисовать окончательную картину человеческих поселений во всем мире.

Соединение точек

Если отбросить все остальные детали, поселение может создать некоторые интересные схемы. Одним из наиболее убедительных примеров является Египет, где 95% населения проживает вдоль реки Нил. Мы можем четко видеть, где люди живут, а где их нет.

Хотя можно использовать такой инструмент, как Google Earth, для просмотра почти любого места по всему миру, проблема заключается в анализе изображений в масштабе. Именно здесь становится нужным машинное обучение.

Поиск людей в петабайт

Изображения во всем мире с высоким разрешением занимают около 1,5 петабайт, что делает задачу классификации данных чрезвычайно сложным. Лишь совсем недавно технологии получили возможность правильно определить здания во всех этих изображениях.

Для получения результатов, которые мы видим сегодня, исследователи использовали процесс устранения, чтобы отбросить места, которые не могли содержать здание, а затем классифицировали их на основе вероятности, что они могут содержать здание.

Facebook определил структуры в масштабе, используя процесс, который называется слабо контролируемым обучением. Научив модель, используя большие партии фотографий, а затем проверив результаты, Facebook смог достичь 99,6% точности маркировки.

Почему это имеет значение

Точная картина, где живут люди, может быть делом жизни и смерти.

Для гуманитарных учреждений, работающих в Африке, эффективное распространение помощи или вакцинации населения остается проблемой из-за отсутствия надежных карт и информации о плотности населения. Исследователи надеются, что эти детальные карты будут использованы для спасения жизни и улучшения условий жизни в развивающихся регионах.

Например, Малави — одна из наименее урбанизированных стран мира, поэтому найти 19 миллионов граждан — непростая задача для людей, которые занимаются там гуманитарной работой. Эти карты четко показывают, где живут люди, и позволяют организациям создавать точные оценки плотности населения для конкретных районов.

Источник: https://www.visualcapitalist.com/facebook-machine-learning-world-population-map/