Thúc đẩy phát triển công nghệ trí tuệ nhân tạo không gian địa lý

Những năm gần đây, các công nghệ như: Trí tuệ nhân tạo (AI), học máy (ML), thực tế ảo (VR), công nghệ thông tin địa lý (GIT), bản sao kỹ thuật số (Digital Twin), viễn thám (RS),... đang phát triển một cách mạnh mẽ, tạo nền tảng thúc đẩy công nghệ “Trí tuệ nhân tạo không gian địa lý” (GeoAI) phát triển nhanh hơn, như một xu hướng đầy tiềm năng. Trong bối cảnh phát triển mạnh mẽ của GeoAI với ngành Đo đạc và Bản đồ, các cơ quan, đơn vị trong nước cần nắm bắt được xu thế, nhanh chóng tiếp cận và phát triển của công nghệ để nâng cao hiệu quả trong phát triển của Ngành, đóng góp vào phát triển kinh tế - xã hội của đất nước.

Hiệu quả mà GeoAI mang lại 

GeoAI là một lĩnh vực đầy tiềm năng đang nổi lên mạnh mẽ trong thế giới công nghệ và kinh doanh. Với sự kết hợp giữa trí tuệ nhân tạo (AI) và thông tin địa lý, GeoAI đã đang đem lại những ứng dụng đáng kinh ngạc trong nhiều lĩnh vực khác nhau.

GeoAI trước hết sẽ thúc đẩy quá trình tự động hóa một số bước xử lý và phân tích dữ liệu GIS, đặc biệt trong nhận dạng, giải đoán, phân loại ảnh hàng không, UAV, vệ tinh để thành lập, cập nhật CSDL nền địa lý. Tự động hóa các quy trình mà ở đó sử dụng nhiều lao động sẽ giúp giảm thời gian và nguồn lực cần thiết cho phân tích thủ công, đảm bảo tăng năng suất.

Một yêu cầu quan trọng của bản đồ địa lý đó là chất lượng và độ chính xác thì GeoAI sẽ làm tăng hiệu quả và độ chính xác của thông tin, dữ liệu đầu ra. Các thuật toán trí tuệ nhân tạo ứng dụng cho dữ liệu không gian - GeoAI có thể tự động phân tích lượng lớn dữ liệu địa lý khác từ các mẫu, mối tương quan và xu hướng, đa định dạng, đa nguồn, có thể tự động hóa các tác vụ lặp đi lặp lại,… để tạo ra dữ liệu mới có độ chính xác sẽ cao hơn so với việc phân tích thủ công khi xử lý thuật toán đánh giá, phân tích và mất nhiều thời gian hơn.

Tuy nhiên, hạn chế, khó khăn khi ứng dụng GeoAI trong dữ liệu không gian địa lý ở Việt Nam đó là, phần lớn các mô hình GeoAI đã được thiết lập hiện nay đều dự đoán, dự báo từ ảnh vệ tinh, hàng không, UAV, nhưng chưa có nhiều ứng dụng đối với dữ liệu vector. Bên cạnh đó, các mô hình GeoAI hiện nay phần lớn đòi hỏi một lượng dữ liệu huấn luyện rất lớn, đôi khi khó có thể đạt được trong điều kiện Việt Nam. Việc xây dựng một bộ mẫu đại diện lớn để đào tạo mô hình học sâu rất tốn kém. Do vậy, việc hết sức cần thiết là phải xây dựng các bộ mẫu đối tượng địa lý riêng của Việt Nam để hỗ trợ cho sự phát triển ứng dụng AI trong lĩnh vực khoa học địa không gian. Sự không đồng nhất của các hiện tượng địa lý gây khó khăn cho việc khái quát hóa từ ứng dụng này sang ứng dụng khác. Tuy nhiên, rất khó để có một mô hình GeoAI khái quát hóa từ nguồn mẫu ảnh đào tạo này sang áp dụng cho mô hình khác, do có các đặc điểm quang phổ khác nhau nếu không có huấn luyện bổ sung để tinh chỉnh mô hình. Ngoài ra, các mô hình GeoAI hiện tại ít công bố về cơ sở khoa học hay lý thuyết đặc trưng, các mô hình ứng dụng AI hiện nay giống như một hộp đen nên người sử dụng không nắm bắt được mối quan hệ giữa các biến đầu vào và đầu ra khi sử dụng mô hình học sâu, giúp người đọc giải thích kết quả, vì vậy hạn chế khả năng giải thích mô hình.

Không giống như nhiều mô hình thống kê thông thường, nhiều mô hình AI thường xuất ra một giá trị duy nhất mà không cung cấp một “phạm vi không chắc chắn”. Kết quả này có thể một phần là do các mô hình AI thường coi dữ liệu đào tạo là các bản ghi dữ liệu đơn giản, thay vì các mẫu được rút ra từ các bản phân phối như hầu hết các mô hình thống kê. Trong khi một số phương pháp định lượng không chắc chắn đã được đề xuất để học sâu trong tài liệu, chúng ta có thể cần suy nghĩ về cách tích hợp và cải thiện các phương pháp như vậy trong nghiên cứu GeoAI và cách đo lường sự không chắc chắn khác nhau trên các vị trí địa lý khác nhau.

Chú trọng đào tạo nhân tài

Một số nghiên cứu được thực hiện tại Việt Nam đã và đang thiết lập một số thuật toán học máy mở rộng cho một loạt các dữ liệu có cấu trúc và phi cấu trúc trong “danh mục đối tượng địa lý cơ sở” trong CSDL nền địa lý quốc gia tỷ lệ 1:2.000, 1:5.000. Tuy nhiên, để đạt được hiệu suất và độ tin cậy cao cần phải có bộ mẫu tập huấn đủ lớn, đủ đa dạng, đủ phức tạp kèm theo các bộ điều kiện phi không gian để mô hình “thông minh” hơn.

Cũng như đối với các dữ liệu khác, dữ liệu ứng dụng của GeoAI thường liên quan đến việc thu thập và xử lý dữ liệu vị trí từ nhiều nguồn khác nhau, bao gồm thiết bị GPS, điện thoại thông minh và cảm biến,… vì vậy, cần sớm có những nghiên cứu, để tạo hành lang pháp lý liên quan đến phát triển GeoAI và dữ liệu liên quan đến thông tin cá nhân, bảo mật và bảo vệ bí mật nhà nước để ứng dụng cho nhiều lĩnh vực liên quan đến thông tin không gian và địa lý. 

Sự “khó hiểu/mờ đục” của một số thuật toán AI có thể làm lo ngại về tính minh bạch và trách nhiệm giải trình. Nếu các quyết định được đưa ra bởi các hệ thống GeoAI không thể giải thích hoặc không hiểu được, thì giữa các bên có trách nhiệm chịu trách nhiệm khi tạo ra kết quả tiêu cực sẽ trở nên khó giải quyết. Do vậy, cần có quy định về đánh giá độ chính xác, yêu cầu về độ chính xác khi sử dụng các mô hình GeoAI.

Cần xây dựng quy trình và hướng dẫn, đào tạo và nâng cao năng lực cho ứng dụng trong ngành Đo đạc, bản đồ và Thông tin địa lý: Xây dựng sổ tay trí tuệ nhân tạo không gian địa lý là tài liệu quan trọng cho các nhà giáo dục, sinh viên, nhà nghiên cứu và các kỹ thuật viên sử dụng GeoAI trong các lĩnh vực khoa học thông tin, môi trường và tài nguyên thiên nhiên, khoa học địa lý và bản đồ. Trong đó, cần phải đề cập đến: Lý thuyết, phương pháp, công nghệ, ứng dụng và quan điểm tương lai của GeoAI; Các ứng dụng GeoAI và nghiên cứu điển hình trong thực tế; cung cấp các tài liệu bổ sung như dữ liệu, mã lập trình, công cụ và nghiên cứu điển hình; thảo luận những phát triển gần đây của phương pháp và công cụ GeoAI; các đóng góp của các chuyên gia hàng đầu trong các chủ đề về GeoAI tiên tiến.

Cho đến nay, một loạt các giải pháp GeoAI - bao gồm các mô hình được đào tạo sẵn (của ArcGIS, Trimble), các mô hình có thể được tinh chỉnh để giải quyết các vấn đề cụ thể và các mô hình tùy chỉnh - đáp ứng các nhu cầu suy giải đối tượng địa lý theo các tiêu chuẩn quốc gia hoặc quốc tế, tuy nhiên, áp dụng trong suy giải, dự đoán đối tượng địa lý của Việt Nam cần phải có nghiên cứu chuyên sâu cho phù hợp với các chỉ tiêu kỹ thuật của Việt Nam, đặc biệt là đặc trưng địa lý của đối tượng địa lý ở nước ta. Vì vậy, một số nội dung nhằm thúc đẩy mạnh mẽ ứng dụng GeoAI trong suy giải, dự đoán, giải đoán đối tượng địa lý phục vụ công tác thành lập và cập nhật CSDL nền địa lý quốc gia bao gồm xây dựng mô hình học máy, học sâu để nghiên cứu giải quyết các bài toán tự động hóa trong thành lập và cập nhật CSDL nền địa lý. 

Trong nghiên cứu địa lý, dữ liệu đào tạo thường được thu thập từ một khu vực địa lý nhất định có thể khó khăn cho một mô hình được đào tạo sử dụng dữ liệu từ một khu vực địa lý để thực hiện tốt trên dữ liệu từ các khu vực khác. Do đó, cần có các bộ mẫu huấn luyện trên nhiều khu vực khác nhau. Ngoài ra, hầu hết các mô hình AI ngày nay được phát triển dựa trên bộ dữ liệu đào tạo vì vậy, cần thiết lập được yêu cầu về độ chính xác cho dữ liệu này.

GeoAI là một lĩnh vực đang phát triển nhanh chóng với nhiều hướng đi khả thi cho các ứng dụng cao cấp, giải quyết hay quyết định các vấn đề về dữ liệu cho ngành Đo đạc, bản đồ, và Thông tin địa lý. Vấn đề đầu tiên, đó là cần phải chú trọng công tác đào tạo nguồn nhân lực nghiên cứu có nền tảng và hội đủ chuyên môn về khoa học máy tính và khoa học không gian địa lý, mới đáp ứng được yêu cầu nhiệm vụ. Là một công nghệ đòi hỏi người tham gia có trình độ chuyên sâu và cao, sử dụng các công cụ gồm các thuật toán phức tạp, và các kỹ thuật đòi hỏi sự sáng tạo của riêng từng người xây dựng mô hình, vì vậy, các cơ quan thành lập bản đồ phải tạo dựng được một môi trường làm việc chuyên nghiệp, từ điều kiện hạ tầng đến định hướng nghiên cứu, đảm bảo không tụt hậu so với xu thế phát triển AI hiện nay, thậm chí chúng ta phải đi trước một bước để đưa GeoAI như một nền tảng cho các chuyên ngành khác phát triển.