ストリートビューが救いの手を差し伸べる：ディープラーニングが安全な建物への道を開拓

ストリートビューが安全な建物への道を開拓するための救いの手：ディープラーニングの力

Googleストリートビューなどで使用される画像は、フロリダ大学の人工知能助教授Chaofeng Wang氏の手によって新たな目的を持つようになっています。

彼は深層学習とともにこれらの画像を使用し、都市建物の評価を自動化する研究プロジェクトに取り組んでいます。このプロジェクトは、政府が自然災害の被害を軽減するために必要な情報を提供し、建物の構造を強化したり、災後の復旧を行ったりする意思決定者に必要な情報を提供することを目的としています。

地震などの自然災害が発生した後、地方自治体は建物の状態をチェックして評価するためのチームを派遣します。手作業の場合、都市の全ての建物をチェックするには数ヶ月かかることもあります。

Wang氏のプロジェクトでは、AIを使用して評価プロセスを加速させることを目指しており、所要時間を数時間に短縮します。AIモデルは、Googleストリートビューや地方自治体から得られた画像を使用して、壁材料、構造タイプ、建物の年代などの要素に基づいて建物にスコアを割り当てるために、連邦緊急事態管理局（FEMA）のP-154基準を活用してトレーニングされます。Wang氏はまた、画像を収集し注釈付けを行うために、世界銀行のグローバル・プログラム・フォー・レジリエント・ハウジングと協力しました。

• MITの研究者らが、言語モデルの解読において、新たなトレーニングフリーかつゲーム理論に基づくAI手法を紹介
• アムステルダム大学とクアルコムAIの研究者がVeRAを発表：LoRAと比べて訓練可能なパラメーターの数を10倍削減する革新的なファインチューニングAI手法
• UCSDとMicrosoftの研究者がColDecoを導入：計算されたカラムのためのノーコード検査ツール

収集された画像はデータリポジトリに配置されます。AIモデルはリポジトリを読み取り、画像に対して推論を行います。このプロセスは、NVIDIA DGX A100システムによって高速化されます。

「NVIDIAのGPUがなければ、私たちはこれを実現することはできませんでした。GPUはプロセスを大幅に加速し、タイムリーな結果を保証します」とWang氏は述べています。

Wang氏は、University of FloridaのスパコンであるHiPerGatorでDGX A100ノードを使用しました。HiPerGatorは、産業界や政府機関によって採用されたNVIDIA-acceleratedアプリケーションの展開を通じて実世界に影響を与える可能性のある研究プロジェクトを支援しているNVIDIAの創設者であり、UFの卒業生であるChris Malachowsky氏の支援、NVIDIAのハードウェア、ソフトウェア、トレーニング、サービスを活用して700ペタフロップのAIパフォーマンスを提供します。

AIモデルの出力はデータベースにまとめられ、マップベースの形式で安全評価スコア、建物の種類、屋根や壁材料などの情報を表示するWebポータルに供給されます。

Wang氏の研究は、商業および政府機関によって採用されたNVIDIA-acceleratedアプリケーションの展開を通じて実世界に影響を与える可能性のある研究プロジェクトを支援するNVIDIA Applied Research Accelerator Programの資金提供を受けました。

助ける目

Wang氏は、このポータルは使用ケースによって異なるニーズを満たすことができると述べています。自然災害に備えるために、政府はストリートビューの画像だけから予測を行うことができます。

「それらは静止画像です。例えば、Googleストリートビューの画像がありますが、数年ごとに更新されます」と彼は言います。「しかし、情報を収集し、特定の統計について一般的な理解を得るには十分です」

しかし、ストリートビューの画像が利用できないか、頻繁に更新されない農村地域や開発途上地域では、政府が自ら画像を収集することができます。NVIDIAのGPUのパワーにより、建物の評価結果のタイムリーな提供は分析を加速させるのに役立ちます。

Wang氏はまた、彼の研究が十分に洗練されれば、都市計画や保険産業にも影響を与えるかもしれないと提案しています。

現在、このプロジェクトはメキシコの一部の地方自治体でテストされており、アフリカ、アジア、南米の一部の国々でも関心を集めています。現時点では、FEMAのP-154基準に従い、評価スコアにおいて85%以上の正確さを達成することができます。

土地調査

Wang氏が指摘する課題の一つは、異なる国における都市景観の多様性です。異なる地域には独自の文化や建築スタイルがあります。大規模で多様なイメージプールでトレーニングされていないAIモデルは、壁材料の分析時に塗料の色などの要因に影響を受ける可能性があります。もう一つの課題は都市密度の変動です。

「これは現在のAI技術の非常に一般的な制約です」とWang氏は述べました。「有用であるためには、現実世界の分布を表すために十分なトレーニングデータが必要です。そのため、私たちはデータ収集プロセスに努力を注いで一般化の問題を解決しようとしています」

この課題に打ち勝つために、Wangさんはより多くの都市でモデルを訓練およびテストすることを目指しています。これまでに、彼はさまざまな国の約8つの都市でテストを行いました。

「モデルを訓練するために、より詳細で高品質な注釈を生成する必要があります」と彼は言います。「それが、将来的にモデルをより広く利用できるように改善する方法なのです。」

Wangさんの目標は、プロジェクトを一般的な業界利用のために展開できる状態にすることです。

「私たちは、他の製品とのシームレスな統合を可能にするために、建物や世帯の推定および分析を行うアプリケーションプログラミングインターフェースを作成しています」と彼は語ります。「また、すべての政府機関や組織が利用できるユーザーフレンドリーなアプリケーションも開発しています。」

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!