(English below)
Vào năm 2017, Robert Cardillo, khi đó là Giám đốc Cơ quan Trí thông minh Địa Không Quốc gia đã công bố ý định của NGA là tự động hóa 75% quá trình phân tích hình ảnh của mình. Chỉ trong năm 2017, cơ quan đó đã tạo ra 12 triệu hình ảnh và 50 triệu quan sát được lập chỉ mục, đòi hỏi thời gian làm việc của con người rất lớn. Sự kết hợp giữa trí thông minh nhân tạo, tăng cường và tự động hóa được coi là con đường giúp tiết kiệm thời gian, tiền bạc và công sức, đồng thời tăng năng suất và độ chính xác.

Bên cạnh những lợi ích rõ ràng, tự động hóa trí thông minh địa không gian là một hành động cân bằng tinh tế hơn so với tưởng tượng ban đầu.

GeoINT là một kỷ luật phân chia ý nghĩa từ dữ liệu theo thời gian. Việc quét ảnh tự động để chạy tính năng nhận dạng khuôn mặt là một chuyện, nhưng phân tích liên tục một không gian theo thời gian, đồng thời xem xét mọi thứ từ kinh tế, văn hóa đến xu hướng kiến ​​trúc là điều cần đến bộ não của con người và khả năng nhận thức linh hoạt, tiên tiến của họ.

Một ví dụ về phân tích GeoINT với các chuyến đi và điểm đến bằng taxi ở Thành phố New York. Hình ảnh do OmniSci cung cấp.

Trong bài đăng cuối cùng của chúng tôi, chúng tôi đã đề cập đến cách ứng dụng theo dõi tập luyện, Strava, tổng hợp dữ liệu người dùng thành thông tin hữu ích cho các nhà quy hoạch thành phố. Dữ liệu của họ cung cấp thông tin chi tiết đáng chú ý, một phần là do dữ liệu được tạo ra bởi những người dùng đặc biệt quan tâm đến việc tìm kiếm các tuyến đường 'tốt nhất' qua một thành phố nhất định. Các nhà phân tích làm việc trên dữ liệu họ tạo ra cũng biết điều này và nó củng cố giá trị của sản phẩm cuối cùng của họ.

Một ví dụ về dữ liệu do con người tạo ra trong Strava Metro. Hình ảnh được cung cấp bởi Tin tức ngành công nghiệp xe đạp.

Thay vì thiết kế các hệ thống tự động hóa tìm cách phá vỡ yếu tố con người - điều quan trọng là phải có đôi mắt và bộ não của con người trong quá trình này như những người xác minh. Như bài báo của Tạp chí Quỹ đạo xuất sắc này đã nói, một hệ thống lý tưởng sẽ tuân theo mô hình phân tích ‘con người trong vòng lặp’.

Biểu đồ thể hiện mô hình phân tích "Con người trong vòng lặp". Hình ảnh lịch sự của Trajectory.

Khả năng nhận thức linh hoạt của con người có nghĩa là bộ não của chúng ta có thể xử lý thông tin hoặc sự kiện bất ngờ. Con người có thể phân tích bối cảnh, xem các mối quan hệ nhân quả bên trong một không gian và rút ra thông tin từ các lĩnh vực có vẻ khác biệt với nhau để tạo thành một kết luận hợp lý. Chúng tôi tích lũy kiến ​​thức chuyên môn sau những kinh nghiệm. Mặt khác, bộ não của con người có thể bị lệch lạc và mất tập trung. Ngược lại, máy móc có thể thực hiện các tác vụ lặp đi lặp lại một cách không mệt mỏi và dễ dàng tìm ra các mẫu.

Nói tóm lại: hãy để sự đơn điệu cho máy móc và tự do phân tích con người để xử lý các phân tích cấp cao mà bộ não của họ được xây dựng.

----------

THE HUMAN ROLE IN GEOINT DURING THE AGE OF AUTOMATION 
In 2017, Robert Cardillo, then Director of the National Geospatial-Intelligence Agency announced the NGA’s intention to automate 75% of its image analysis. In 2017 alone, that agency produced 12 million images and 50 million indexed observations, which required immense human work hours. A combination of artificial intelligence, augmentation, and automation was seen as a path toward saving time, money, and effort, while also increasing productivity and accuracy.

Clear benefits aside, automating geospatial intelligence is a more delicate balancing act than it might initially seem.

GeoINT is a discipline that divines meaning from data over time. An automated sweep of an image to run facial recognition is one thing, but repeatedly analyzing a space over time, while considering everything from economics and culture to architectural trends is something that requires human brains and their advanced, flexible cognitive abilities.

An example of GeoINT analysis with taxi trips and destinations in New York City. Image courtesy of OmniSci.

In our last post, we referenced how workout tracking app, Strava, pivots user data into useable information for city planners. Their data provides remarkable insights, in part, because it was generated by human users keenly interested in finding the ‘best’ routes through a given city. Analysts working on the data they generate know this, too, and it bolsters the value of their end-product.

An example of human-generated data in Strava Metro. Image courtesy of Cycling Industry News.

Rather than design systems of automation that seek to circumvent the human element – it is important to have human eyes and brains in the process as verifiers. As this excellent Trajectory Magazine article puts it, an ideal system would follow a ‘human-in-the-loop’ model of analysis.

A diagram showing the “Human-in-the-Loop” analysis model. Image courtesy of Trajectory.

Human cognition’s flexibility means our brains can process unexpected information or occurrences. Humans can divine context, see causal relationships inside a space, and draw information from seemingly disparate fields together to form a well-reasoned conclusion. We accrue expertise after experiences. On the other hand, human brains are subject to mental biases and distractibility. Machines, by contrast, can tirelessly perform repetitive tasks and find patterns with ease.

In short: leave the monotony to machines, and free human analysts up to handle the high-level analysis for which their brains are built.

Geolink tổng hợp từ Geospatial