{"id":1741,"date":"2020-10-24T16:34:32","date_gmt":"2020-10-24T14:34:32","guid":{"rendered":"https:\/\/takatoa.net\/wp\/?page_id=1741"},"modified":"2024-10-27T12:53:56","modified_gmt":"2024-10-27T11:53:56","slug":"qai-2","status":"publish","type":"page","link":"https:\/\/takatoa.net\/qai\/home\/qugpt\/qai-2\/","title":{"rendered":"qai trifft gis"},"content":{"rendered":"
\n
\n
\n
<\/div>\n
\n

Wirtschaft, Wissenschaft und Verwaltung, aber auch Politik und Gesellschaft nutzen zunehmend Analysen georeferenzierter Daten, um verborgene Muster in vorhandenen Informationen sichtbar zu machen, neue Erkenntnisse zu gewinnen und dem Wettbewerb einen Schritt voraus zu sein. Umfassendes Wissen \u00fcber vorhandene Zust\u00e4nde und Werte ist eine wesentliche Grundlage f\u00fcr Planungs-, Neuausrichtungs- und Nutzungsprozesse.<\/p>\n

 <\/p>\n\"\"\n

Datenlauf von QAI-Systemen bei der Geodatennutzung<\/h6>\n

Geographische Informationssysteme (GIS) verwenden den r\u00e4umlich-zeitlichen Standort als zentrale Indexvariable f\u00fcr alle Informationen. Standorte oder Ausdehnungen in der Raumzeit k\u00f6nnen als Datum\/Zeit des Auftretens und als x-, y- und z-Koordinaten aufgezeichnet werden, die die L\u00e4ngen- und Breitengrade bzw. die H\u00f6henlagen darstellen. Die GIS-Koordinaten k\u00f6nnen aber auch andere quantifizierte raum<\/span>zeitliche Inhalte darstellen, z. B. die Nummer eines Filmbildes, die Pegelstation eines Gew\u00e4ssers, eine Geb\u00e4udeadresse, eine Stra\u00dfenkreuzung, ein Eingangstor, eine Wassertiefensondierung, \u2026). Die raumzeitlichen Daten k\u00f6nnen letztlich mit einem \u201eechten\u201c physischen Ort oder einer Ausdehnung in der Raumzeit in Beziehung gesetzt werden k\u00f6nnen.<\/p>\n

 <\/p>\n\"\"\n

Bilder des Regenradars des Deutschen Wetterdienstes (www.dwd.de)<\/h6>\n<\/div>\n<\/div>\n<\/div>\n<\/div>
\n
\n
\n
\n

Die vorstehende Bilderserie zeigt raumzeitab\u00adh\u00e4ngige Daten S\u00fcddeutschlands, die \u00fcber die Dienste des Deutschen Wetterdienstes (www.dwd.de) abgerufen werden k\u00f6nnen.<\/p>\n

Die Auswertung der Daten (zum Beispiel des Niederschlagsradars) wird heute regelm\u00e4\u00dfig mit Werkzeugen aus dem Bereich der K\u00fcnstlichen Intelligenz unterst\u00fctzt.<\/p>\n

 <\/p>\n\n<\/div>\n

\"\"\n

 <\/p>\n\n

Datenauswertung aus Bildmaterial des Deutschen Wetterdienstes (www.dwd.de)<\/h6>\n<\/div>\n<\/div>\n<\/div>\n<\/div>
\n
\n
\n
<\/div>\n
\n

Zur Auswertung nicht nur von dynamischen Karteninhalten und zur Datenvorbereitung f\u00fcr Quantenberechnungen kann heute unter anderem auf ein breites Spektrum von Analyse-Werkzeugen von Esri ArcGIS zur\u00fcckgegriffen.<\/p>\n

 <\/p>\n\"\"\n

Analysewerkzeuge aus dem Bereich Esri ArcGIS und deren Nutzung zur Datenaufbereitung \u00fcber Jupyter Notebooks<\/h6>\n

Die Verarbeitung aller verf\u00fcgbaren Daten erfolgt regelm\u00e4\u00dfig in leistungsf\u00e4higen Rechnersystemen; die darauf ausgef\u00fchrte Software hat in den letzten Jahren enorm an Nutzungsm\u00f6glichkeiten zugenommen.<\/p>\n

Vor diesem Hintergrund ist auch das Interesse an K\u00fcnstlicher Intelligenz und die Zahl der diesbez\u00fcglichen, bahnbrechenden Anwendungen in den letzten Jahren stark gewachsen. K\u00fcnstliche Intelligenz besch\u00e4ftigt sich mit der Entwicklung von computerunterst\u00fctzten Rechensystemen, die Probleme in Anlehnung an biologische Gehirn- und Nervenstrukturen (Neuronale Netze) abarbeiten. Standortmanagement-Analysen mit Hilfe von K\u00fcnstlicher Intelligenz durchzuf\u00fchren ist heute Standard.<\/p>\n

 <\/p>\n\n

Quantum Artificial Intelligence<\/h3>\n

 <\/p>\n

Quantencomputing ist das \u201en\u00e4chste gro\u00dfe Ding\u201c in der Entwicklung der Informationstechnologie. In Kombination mit GIS-Tools wird es eine breite Palette weiterer Fortschritte in der Standortanalyse erm\u00f6glichen. Quanteninformatik wird komplexere Rechenaufgaben bew\u00e4ltigen und Ergebnisse liefern, die mit den leistungsst\u00e4rksten klassischen Hochleistungscomputern entweder nicht oder nicht in einem vern\u00fcnftigen Zeitrahmen erreicht werden k\u00f6nnen. \n
Im Gegensatz zur Umsetzung in klassischen Computern, bei dem Berechnungen sequentiell durchgef\u00fchrt werden, nutzt das Quantencomputing die Potentiale der Quantenmechanik wie \u00dcberlagerung und Verschr\u00e4nkung, um enorme Kombinationen von Zust\u00e4nden gleichzeitig zu betrachten und den gro\u00dfem Umfang von verf\u00fcgbaren Informationen gemeinsam zu verarbeiten.<\/p>\n

 <\/p>\n\"\"\n

Daten-Preprocessing und Quantensystem-Vorbereitung im Jupyter Notebook<\/h6>\n

Quantumcomputing reift durch das Aufkommen leistungsf\u00e4higerer Quantenprozessoren mit einer zunehmenden Anzahl von Qubits, besseren Algorithmen und mehr Entwicklertools wie Compilern und Bibliotheken. Da eine reifende Quantentechnologie in der Lage ist, immer komplexere Anwendungen zu adressieren, wird sich die entsprechende kommerzielle Wirkung in der Zukunft massiv erh\u00f6hen. W\u00e4hrend der genaue Zeitpunkt noch unbekannt ist, wird erwartet, dass der resultierende Gesch\u00e4ftswert enorm sein wird. Er wird auf Milliarden Dollar in dreistelliger H\u00f6he gesch\u00e4tzt.<\/p>\n

Die j\u00fcngsten Fortschritte bei der Entwicklung und Kommerzialisierung von Quantentechnologien haben die Landschaft der Quantenalgorithmen tiefgreifend ver\u00e4ndert. Quantenger\u00e4te in naher Zukunft erfordern Routinen, die von geringer Tiefe und robust gegen Fehler sind. Neben anderen Bereichen, in denen Quantencomputer einen Vorteil gegen\u00fcber dem klassischen High-Performance-Computing (HPC) haben, gibt es entsprechende Potentiale vor allem auch bei der Optimierung und Beschleunigung von Berechnungen in Systemen der K\u00fcnstlichen Intelligenz. Das Entwurfsparadigma hybrider Algorithmen, die Quanten- und klassische Verarbeitung integrieren, hat daher zunehmend an Bedeutung gewonnen.<\/p>\n

 <\/p>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div>

\n
\n
\n
\n

Takatoa nutzt die dargestellten Entwicklungen und \u00fcbertr\u00e4gt deren Anwendung auf das Kompetenzfeld Spatial Business Intelligence (SBI).<\/p>\n

Auf Quantenseite wird die Nutzbarkeit verschiedener, nachgenannter L\u00f6sungsans\u00e4tze untersucht:<\/p>\nDissipative Perceptron-Based Quantum Neural Network (DPBQNN)<\/span>\n

<\/p>\nQuantum Long Short-term Memory (QLSTM)<\/span>\n

<\/p>\nQuantum Multiclass Margin Classifier (QMMC)<\/span>\n

<\/p>\nQuantum Nearest Centroid Classification (QNCC)<\/span>\n

<\/p>\nQuantum Transfer Learning (QTL)<\/span>\n

<\/p>\nVariational Quantum Circuits (VQC)<\/span>\n

<\/p>\n

Die Darstellung zeigt \u2013 exemplarisch f\u00fcr den Zugriff auf die von IBM bereitgestellten L\u00f6sungen \u2013 den Einstieg, wie die Verkn\u00fcpfung mit vorhandenen Quanten-Systemen in einem Jupyter Notebook umgesetzt wird.<\/p>\n\n<\/div>\n

\"\"<\/div>\n

 <\/p>\n\n<\/div>\n<\/div>\n<\/div>

\n
\n
\n
<\/div>\n
\n

Die Umsetzung einzelner Komponeneten kann, wie nachfolgend gezeigt auch in dem unmittelbaren Quantum-Umfeld (wie hier im IBM Quantum Composer)  erfolgen.<\/p>\n

 <\/p>\n\"\"\n

Beschreibung eines QLSTM-Ansatzes im IBM Quantum Composer<\/h6>\n

Ergebnisse und Nutzung<\/h3>\n

 <\/p>\n

Die bisher durchgef\u00fchrten Berechnungen best\u00e4tigen grunds\u00e4tzlich die Nutzbarkeit der oben genannten Ans\u00e4tze. Sie zeigen gute <\/span>Lernf\u00e4higkeit und hohe Ergebnisstabilit\u00e4t, soweit diese bei der genutzten Quantum-Hardware auch bereit gestellt und genutzt werden kann.<\/p>\n

 <\/p>\n\"\"\n

Trainingsergebnisse von Rechenl\u00e4ufen mit dem zeitliche Entwicklungen von Zustandswerten prognostiert wurden (Kostenfunktion und Parameterwerte). Gerechnet wurde mit einer reduzierten Anzahl von insgesamt 3872 Trainingsdatens\u00e4tzen mit jeweils acht Daten (je vier Eingangswerte f\u00fcr zwei Zeitpunkte t-1 und t), sowie mit jeweils einen f\u00fcr das Training bekannten Ergebniswert f\u00fcr den Zeitpunkt t+1. <\/span><\/h6>

\n
Mit der Umsetzung von \u201eDissipative Perceptron-based Quantum Neural Network (DPBQNN)\u201c auf heute verf\u00fcgbare Quantum-Hardware k\u00f6nnen Zeitvorteile im Bereich der Quantum-Nutzung belegt und notwendige Verbesserungsbedarfe gezielt  positioniert und angegangen werden. \nInsbesondere die L\u00f6sung von grundlegenden Fragen zur Fehlerminimierung bedarf aber noch massiver Anstrengungen.  \n
<\/p>\"\"

Gezeigt werden vorstehend Screenshots aus der Arbeit mit DPBQNN unter Nutzung der IBM 127-qubit Prozessors ibm_brisbane. Umgesetzt werden dabei auch Netzwerkstrukturen mit mehreren Hidden-Layern unterschiedlicher Gr\u00f6\u00dfenordnung.<\/h6>\n
<\/div>\n

   
Im Esri-Umfeld k\u00f6nnen die Strukturen der erarbeiteten Modelle aus dem Bereich <\/span>Quantum Artificial Intelligence als dlpk-Dateipaket bereitgestellt und dadurch auch von Dritten unmittelbar genutzt werden.<\/p>\n

 <\/p>\n\"\"\n

Screenshot aus ArcGIS Online zum bereitgestellten dlpk-Paket<\/h6>\n

Die Ergebnisse aus Berechnungen von Quantencomputern k\u00f6nnen in gleicher Weise wie die herk\u00f6mmlicher Berechnungen als Feature-Informationen in Karten-Layer zur\u00fcckgeschrieben werden <\/span>und stehen dort f\u00fcr die graphische Aufbereitung und weitere Nutzung zur Verf\u00fcgung.<\/p>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"

Wirtschaft, Wissenschaft und Verwaltung, aber auch Politik und Gesellschaft nutzen zunehmend Analysen georeferenzierter Daten, um verborgene Muster in vorhandenen Informationen sichtbar zu machen, neue Erkenntnisse zu gewinnen und dem Wettbewerb einen Schritt voraus zu sein. Umfassendes Wissen \u00fcber vorhandene Zust\u00e4nde und Werte ist eine wesentliche Grundlage f\u00fcr Planungs-, Neuausrichtungs- und Nutzungsprozesse.   Datenlauf von QAI-Systemen…
Weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"parent":2934,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1741","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/pages\/1741","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/comments?post=1741"}],"version-history":[{"count":141,"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/pages\/1741\/revisions"}],"predecessor-version":[{"id":4308,"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/pages\/1741\/revisions\/4308"}],"up":[{"embeddable":true,"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/pages\/2934"}],"wp:attachment":[{"href":"https:\/\/takatoa.net\/qai\/wp-json\/wp\/v2\/media?parent=1741"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}