Dzień pierwszy

• Wprowadzenie do sztucznej inteligencji w kontekście GIS
• Przegląd możliwości zastosowania AI w analizie danych przestrzennych
• Narzędzia wspomagające pracę gisowca:
  • Komunikacja ze środowiskiem GIS na przykładzie Mundi.ai:
    • import i wczytywanie danych w oparciu o prompty
    • automatyczne etykietowanie i klasyfikacja danych
    • automatyczna georeferencja rastrów
    • ćwiczenia praktyczne
  • Połączenie modelu językowego z QGIS – analizuj teren przy pomocy AI:
    • instalacja lokalnego modelu językowego z wykorzystaniem Ollama
    • instalacja i konfiguracja agenta AI pod QGIS
    • uruchamianie analiz przy użyciu języka naturalnego w QGIS
  • Praca z wtyczką Deepness:
    • czym jest wtyczka Deepness i do czego służy?
    • instalacja oraz konfiguracja wtyczki
    • podstawowe funkcje i interfejs wtyczki Deepness
    • segmentacja i klasyfikacja obiektów na zdjęciach satelitarnych
      i lotniczych (wykrywanie obiektów przestrzennych)
    • definiowanie parametrów i eksport danych do tworzenia własnych zbiorów
  • Trenowanie modelu na własnym zbiorze danych:
    • opracowanie zbioru danych za pomocą wtyczki Deepness
    • przygotowanie danych wejściowych do treningu przy wykorzystaniu serwisu – rejestracja użytkownika, zapoznanie z funkcjonalnościami platformy Roboflow
    • etykietowanie obiektów, przygotowanie i eksport danych do treningu, walidacji i testu
    • przygotowanie modelu przy wykorzystaniu serwisu – rejestracja użytkownika, zapoznanie z funkcjonalnościami platformy Ultralytics
    • trening modelu z wykorzystaniem platformy Google Colab
    • eksport modelu i test w Deepness
  • Praca z wtyczką GeoAI:
    • Praca z modelem Moondream – vision language model:
      • charakterystyka opisowa obszaru
      • wykrywanie elementów na zdjęciach lotniczych i satelitarnych
    • Uruchomienie Segmentu Anything Model 3:
      • wykrywanie obiektów różnego rodzaju za pomocą promptów
      • wykrywanie obiektów podobnych do oznaczanego
    • Klasyfikacja zdjęcia lotniczego z wykorzystaniem modelu sieci neuronowej
    • Przygotowanie procesu uczenia modelu
  • Podsumowanie trendów i kierunków rozwoju narzędzi AI w GIS