דורון גוראל
דורון גוראל
מילים מילים מילים מילים

אינטליגנציה מלאכותית בשירות ההגירה

אינטליגנציה מלאכותית בשירות ההגירה

בשנים האחרונות, כמעט מבלי שנשים לב, אינטיליגנציה מלאכותית החלה להנחות את רוב ההחלטות בחיינו. מהמלצות תוכן התאמה אישית של המלצות צפייה בנטפליקס והמלצות קריאה באתרי חדשות דרך המלצות מותאמות לרכישת מוצרים באמאזון והתאמה אישית של פרסומות ביוטיוב ועד התאמה אישית של ה-news feed ברשתות החברתיות, אשר עשויה להשפיע על מצב הרוח שלנו ובטווח הארוך אף על השקפת עולמנו. עכשיו, סטארטאפ אמריקאי מנסה לרתום את כוחה של האינטיליגנציה המלאכותית לסיוע באחת מהחלטות החיים המשמעותיות ביותר – איפה כדאי לגור?

Teleport, אוספת ומספקת לקהל הרחב מידע השוואתי על רוב הערים בעולם. המידע נאסף ממאגרי מידע ומרחבי הרשת ומעובד בעזרת טכנולוגיות אינטיליגנציה מלאכותית על מנת לספק מדדים השוואתיים שיסייעו לאנשים בהחלטת מעבר הדירה שלהם. השירות רלוונטי במיוחד למי שמתכננים מעבר למדינה חדשה.

אחד ממייסדי החברה שיתף לאחרונה במאמר ב-Medium, כיצד החברה מסוגלת לנתח כל פיסת מדרכה בכל עיר. המאמר המלא מכיל קטעי קוד פשוטים בפייתון וקישורים למספר כלי API

שימושיים. אנחנו כאן נביא עת עיקרי הסיפור, מי שמעוניין להעמיק מוזמן לגשת למאמר המלא כאן.

gif-1

בשלב הראשון לוקחים את גבולות העיר (באמצעות API מתאים) ומגרילים באקראי מספר גדולות של קורדינטות בעיר. הבעיה, הגרלה מקרית של נקודות ציון בעיר תביא אחזו גבוהה של נקודות בשטחים פתוחים, אגמים, יערות וכו’. בעזרת ה-API של Google Maps אפשר להטות את ההגרלה כך שיבחרו רק נקודות בקרבת כבישים ורחובות.

בשלב הבא ניתן לפנות ל-API של Google Street View ולקבל תמונת רחוב מתאימה לכל נקודת ציון.

gif-2

כעת יש לנו אוסף גדול של תמונות שמוצמדות לנקודות ציון. אבל איך ננתח כמות כזו של תמונות? דרך נפוצה לניתוח תמונות היא באמצעות שימוש ב-Deep Neural Networks. מה זה בדיוק? זה כבר נושא לפוסט אחר. אבל בכמה מילים אפשר לומר שזו שיטה לסווג קלטים (למשל תמונות) על ידי יצירת “רשימה” ארוכה מאוד של מאפיינים טכניים לכל תמונה, חישוב רשימה תואמת של פלטים שמתאימה לרשימת המאפיינים, וחזרה על התהליך מספר פעמים (במספר “שכבות” של נוירונים מלאכותיים) עד שלבסוף מגיעים ל”רשימה” סופית של מאפיינים שמתאימה לאובייקטים הנצפים בתמונה. איך המערכת יודעת להתאים רשימת מאפיינים לאובייקטים שבתמונה? היא לומדת בעצמה על ידי ביצוע חישובים דומים לסט גדול של תמונות שתויגו מראש על ידי בני אדם. למזלנו, Google, Microsoft, IBM ועוד רבים וטובים עשו את העבודה הקשה בשבילנו, ואנחנו יכולים לשלוח את התמונות ל-API מתאים ולקבל בחזרה תיאור מילולי לכל תמונה.

gif-3

אז מה עכשיו? עכשיו אפשר למפות אזורים שונים בעיר לפי שכיחות של מילות תיאור. איפה האזורים הירוקים בעיר ואיפה יש צפיפות גדולה של רכבים? כמו כן, אפשר לבצע ניתוחים השוואתיים בין ערים שונות. באיזו עיר יש יותר עצים? אופניים? הולכי רגל?

gif-4

הדבר המדהים בסיפור הוא פשטות היישום. כל מה שצריך כדי לבצע את הניתוח הוא יכולת בסיסית לתכנות בפייתון וקריאה ל-APIים הזמינים באופן חופשי באינטרנט (תחת מגבלות שימוש הוגן). אחרי משוכה טכננולוגית קלה כל שנשאר זה לחשוב על ניתוח יצירתי ומעניין לנתונים.

לסיפור המקורי לחצו כאן

comments powered by Disqus