Интеллект карта что это такое: Интеллект-карты, или Mind maps

Зачем нужны интеллект-карты и как их использовать — Офтоп на vc.ru

Кажется, что идеи витают в воздухе. Стоит захотеть, и одна, гениальная, тут же прилетит к нам в руки. Да, иногда так происходит. Но часто процесс генерирования идей — мучительно-сложный. Стив Роулинг, автор книги «Я хочу больше идей!» издательства «Манн, Иванов и Фербер», предлагает разбудить мышление и прокачать креативные мышцы с помощью интеллект-карт. Рассказываю, что это такое и как их использовать.

{«id»:40361,»url»:»https:\/\/vc.ru\/flood\/40361-zachem-nuzhny-intellekt-karty-i-kak-ih-ispolzovat»,»title»:»\u0417\u0430\u0447\u0435\u043c \u043d\u0443\u0436\u043d\u044b \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442-\u043a\u0430\u0440\u0442\u044b \u0438 \u043a\u0430\u043a \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c»,»services»:{«facebook»:{«url»:»https:\/\/www.facebook.com\/sharer\/sharer.php?u=https:\/\/vc.ru\/flood\/40361-zachem-nuzhny-intellekt-karty-i-kak-ih-ispolzovat»,»short_name»:»FB»,»title»:»Facebook»,»width»:600,»height»:450},»vkontakte»:{«url»:»https:\/\/vk.com\/share.php?url=https:\/\/vc.ru\/flood\/40361-zachem-nuzhny-intellekt-karty-i-kak-ih-ispolzovat&title=\u0417\u0430\u0447\u0435\u043c \u043d\u0443\u0436\u043d\u044b \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442-\u043a\u0430\u0440\u0442\u044b \u0438 \u043a\u0430\u043a \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c»,»short_name»:»VK»,»title»:»\u0412\u041a\u043e\u043d\u0442\u0430\u043a\u0442\u0435″,»width»:600,»height»:450},»twitter»:{«url»:»https:\/\/twitter.com\/intent\/tweet?url=https:\/\/vc.ru\/flood\/40361-zachem-nuzhny-intellekt-karty-i-kak-ih-ispolzovat&text=\u0417\u0430\u0447\u0435\u043c \u043d\u0443\u0436\u043d\u044b \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442-\u043a\u0430\u0440\u0442\u044b \u0438 \u043a\u0430\u043a \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c»,»short_name»:»TW»,»title»:»Twitter»,»width»:600,»height»:450},»telegram»:{«url»:»tg:\/\/msg_url?url=https:\/\/vc.

2018 просмотров

Что такое интеллект-карта

Традиция визуально представлять идеи в виде диаграмм и сетей восходит ещё к философам III века. Но безусловную популярность «интеллект-карта» получила в 70-е годы прошлого века, когда психолог и писатель Тони Бьюзен начал продвигать это понятие.

Бьюзен был уверен, что наше мышление — это множественные сенсорные ассоциации.

Как она работает

Творческий процесс — нелинейное действие. Пока вы придумываете идеи, вас окружают различные мысли, которые иногда и вовсе не относятся к теме. Но иногда именно эти повороты мышления приводят к гениальной задумке, до которой ещё не добрались ваши конкуренты.

Интеллект-карта выводит наброски и заметки на новый уровень. В её основе лежит дивергентный подход: вы окружаете себя максимальным количеством вариантов и выбираете лучший. Иногда на карту уходит много времени, но результат стоит того. Некоторые наиболее удачные экземпляры можно повесить над столом и в течение долгого времени черпать из неё идеи.

Виды карт

Классическая

Это традиционная нелинейная карта, которая начинается их центральной точки и расходится в стороны. Так вы можете расписывать тезисы в любом направлении.

• Напишите в центре листа одно понятие, вопрос или утверждение.
• От центра нарисуйте ветви — новые идеи. Каждой новой ветви можно подобрать свой цвет. Используйте не только слова, но и рисунки.
• Записывайте как можно больше вариантов. Не останавливайтесь.
• Не тратьте много времени на одну ветвь, но и не бросайте её слишком быстро.
• Когда закончите, отступите назад и рассмотрите общую картину. Так вы сможете расставить приоритеты и решить, с чего начать работу.

Концептуальная

Этот вариант карты имеет иерархию: нужно начинать со значительных идей и двигаться вниз.

• Подумайте про основную мысль, понятие или вопрос, который относится к проекту. Запишите его в верхней части большого листа.
• Пишите всё, что относится к области вашего проекта или проблемы.
• Один стикер — один пункт.
• Располагайте стикеры под заголовком. Самые крутые и масштабные идеи — вверху.
• Обозначьте отношения между разными концепциями при помощи линий.
• Пунктир — для тех перекрёстных связей, которые соединяют разные области.
• Когда закончите писать, отойдите назад и посмотрите, какие концепции и связи наиболее важны. Распределите задания сотрудникам на основе приоритетов.

Составная

Для этой карты используют другую технику, которую разработал американский консультант Карл Селф: она позволяет собрать отдельные карты в одну большую общую карту. При этом на каждом этапе обсуждается, что нужно сделать в первую очередь, а что убрать.

• Это карту можно делать индивидуально — каждый участник делает свою карту, или небольшими группами (2–4 человека).
• Каждый делает классическую карту, без приоритетов.
• Когда каждый сделает свою карту, настаёт время обсуждений. Можно включать все карты целиком, не определяя приоритеты. А можно выделять только главное и перерисовывать карту, оставляя самое-самое.

Интеллект-карта — топливо для новых идей. С её помощью можно придумать сценарий ролика, план продвижения продукта, новую систему распределения обязанностей… Что угодно! Небольшой совет: когда карта будет готова, не спешите её выбрасывать. Лучше повесьте на видное место. Вы удивитесь, как много раз сотрудники будут обращаться к ней в поиске новых идей и возможностей.

рекомендации по созданию и использованию

Что такое интеллект-карта

Интеллект-карты, известные также как ассоциативные карты, карты мыслей (англ. Mind Map) или диаграммы связей — это схемы, служащие для отображения идей или задач, полученных в результате мыслительной деятельности, отражающие структуру информации в рассматриваемой предметной области и различного рода классификации.

Интеллект-карты могут строиться с использованием различных элементов — слов, линий, геометрических фигур, которые можно соединять линиями друг с другом и группировать вокруг основной идеи.

Одна из особенностей карт мыслей — в том, что их создание осуществляется в свободной форме, вне каких-либо правил.

Зачем нужны карты мыслей

Карты мыслей часто используются в личных и семейных целях, как инструмент обучения и бизнеса. Данные схемы помогают быстро найти удачное творческое решение, подвести итоги, осуществить контроль за собственными идеями или дать какие-то пояснения.

Главные преимущества использования интеллект-карт — это:

• выделение наиболее важных моментов: каждый новый пункт схемы становится центром ассоциаций;
• передача ассоциаций в четкой и наглядной форме, возможность соотнести между собой различные идеи. Благодаря картам мыслей удается добиться устойчивых ассоциативных связей между различными элементами и детально проработать систему заключений;
• стимулирование процесса запоминания. Лучше осмыслить и запомнить информацию помогает четкая система ассоциаций и взаимосвязей в сочетании с эстетически привлекательной формой подачи информации.

Рекомендации по созданию в программе и использованию

При создании интеллект-карт придерживайтесь следующих инструкций:

1. Используйте большой «холст» (чем больше, тем лучше).
2. В центре листа обозначьте актуальную для вас тему, выделите ее графически.
3. Выберите и используйте для ваших схем любые элементы — рисунки, символы или цифровые обозначения.
4. Выделите ключевые слова (например, используя прописные буквы). Подумайте над тем, где будет размещено каждое слово или изображение.
5. Начните рисовать линии от центрального элемента схемы. Чем дальше от центра, тем тоньше должны быть линии.
6. Используйте несколько цветов. Применение богатой цветовой палитры поможет активизировать мыслительный процесс, сделать информацию легкой для восприятия и объединить отдельные элементы схемы.
7. Расставьте акценты и отметьте ваши ассоциации.

Смотрите также раздел о схемах мозгового штурма.

Интеллект-карты: помогут ли они обрести свободу нашему мозгу?

Если вы хотите привести в порядок свои идеи, если вы хотите их представить в наглядном виде, то самое эффективное, что вы можете сделать, – составьте интеллект-карту. Помимо простой оптимизации заметок и конспектов, интеллект-карта придаст дополнительный стимул вашей творческой способности, расширит память и поможет найти лучший способ решать проблемы.

Вы, может быть, не слышали об интеллект-картах, или хотели бы освежить свои сведения о них – и вот что нужно об этой технике знать.

Интеллект-карта представляет собой, главным образом, диаграмму, которая приводит разную информацию в связный вид. Делает она это с опорой на определенный центрообразующий тематический исходник. Мне больше нравится представлять этот процесс в виде разветвления дерева, хотя скорее это конструкция, расходящаяся в виде лучей. В любом случае, в середину вы помещаете основную идею, цитату, стих, и распространяете в виде ветвей побочные темы или сопряженные идеи, например, жанры поэзии, знаменитых поэтов и издания стихов. Затем вы связываете вместе детальные разветвления основных уровней, которые исходят из центра.

Интеллект-карты можно применять для практически любых задач на мышление или приобретение знаний – от изучения предмета (например, нового языка) до планирования карьеры и даже устроения лучшего образа жизни. Блог «Азиатский способ высокой продуктивности» предлагает несколько нестандартных путей применения интеллект-карт, которые, скорей всего, вам на ум не приходили: создание банка знаний (учитывая, что приложения для интеллект-карт позволяют прикреплять файлы и гиперссылки), решать такие проблемы, как выбор оптимальной кредитной карты, писать обзоры содержания книги и формулировать цели. Интеллект-карты также вполне подходят для группового использования, при мозговом штурме и презентациях с элементами интерактивности.

Интеллект-карты приносят больше пользы, чем другие инструменты мозгового штурма и способы линейного ведения заметок вследствие ряда преимуществ:

• Это графический инструмент, который работает со словами, изображениями, числами и цветом, поэтому схему, полученную с его помощью, легче запомнить, а сам процесс работы и переделки доставляет удовольствие. Сочетание слов и картинок в шесть раз эффективнее для запоминания информации, чем одни только слова.
• Интеллект-карты связывают и группируют понятия посредством ассоциации с реальными предметами. Это способствует тому, что вы придумываете больше идей, глубже понимаете смысл своей темы, а также побуждает вас заполнять больше белых пятен или находить недостающее.
• Интеллект-карта представляет вам обширную тему в целостном взгляде, и при этом удерживает в вашем поле зрения значительный объем информации.
• Вдобавок, это интуитивно понятный способ упорядочивания ваших идей, поскольку интеллект-карты воспроизводят алгоритм мышления нашего мозга – по которому идеи развиваются в опосредовании и отталкивании от друг друга в большей степени, чем выстраиваются в ряд линейной последовательности.
• Применяя такую технику, вы сможете производить идеи с куда большей быстротой, при этом она вдохновит вас на поиск неочевидных альтернативных путей творческой реализации.

Согласно исследованию, работники, которые стали применять приложения интеллект-карт, утверждают, что скорость их работы возросла, и с помощью интеллект-карт им удавалось нарастить действенность многозадачного подхода в сложных проектах. Другое исследование пришло к выводу, что применение интеллект-карт улучшает обучаемость и работоспособность памяти на 10-15% сравнительно с простым ведением заметок и другими способами обучения. А еще вы сможете экономить время, по утверждению блога «Изучение фундаментальных наук»:

Недавно мне сказал один из студентов

«Я считал, что применение интеллект-карт занимает много времени, но на самом деле время я сэкономил, так как мне теперь не надо перечитывать по много раз свои заметки»

Применение интеллект-карт способствует тому, что вы учитесь меньше, ведь вы усваиваете информацию на глубинном уровне в процессе их построения. А когда вы вновь и вновь вчитываетесь в свои заметки, то их содержание вы выучите в лучшем случае поверхностно, и немало времени вы упустите.

Я использую интеллект-карты по преимуществу в тех случаях, когда упираюсь в трудноразрешимую проблему или когда просматриваю авторский блокнот. (Выше изображена моя исходная интеллект-карта для данного поста, которую я сделала в OneNote. Ну да, не очень красиво выглядит – но ничего, работает. OneNote идеально годится для рисования интеллект-карт, потому что можно вести поиск даже и в рукописном тексте, можно встраивать другие файлы, а если вы пользуетесь планшетом, то у вас есть возможность рисовать на экране) То, что я приступаю к делу с основных вопросов – кто, что, почему, и т. д., – а затем иду по каждому ответвлению, придает мне уверенности, что ничто не ускользнет от моего внимания, и, больше того, мне вдруг начинает казаться, что идеи возникают будто сами по себе.

Подумайте об этом еще вот в каком аспекте. Представьте, что вам нужно выписать все, какие только возможны, способы использования кирпича. Многие начнут с перечисления всех своих ассоциаций (кладка стены, кладка тротуара и т. д.). А что если идти от перспективы пошире, например, если подумать о свойствах кирпича? Он тяжелый, и вы можете его пустить в дело: в качестве пресс-папье, прижима для мусора при работе граблями, веса для упражнений, пригнетки для жарки курицы, и т. д. Также он объемистый, а значит, можно положить его для подпорки цветочной кадки или чтобы не дать двери закрыться. Он рыжевато-коричневый, твердый, прямоугольный, и т. д. И вот в чем волшебство построения интеллект-карты: стоит вам начать, и открываются почти что неограниченные возможности.

Вы можете создавать интеллект-карту на бумаге, в приложении для рисования на вашем планшете, или с помощью какого-либо из многочисленных популярных приложений для создания интеллект-карты, например, XMind, пользующимся наибольшим доверием у читателей «Лайфхакера».

Ручка и карандаш подойдут лучше, потому что вы быстрее соображаете, а рисование ветвей стимулирует память. С другой стороны, работая с компьютером, вы получаете такую интеллект-карту, с которой можно использовать поиск и прикрепленные файлы. Если вам сложно выбрать среди массы цифровых инструментов, то блог приложений для интеллект-карт советует обращать внимание на следующие пять опций: возможность вставлять ссылки и прикрепленные файлы, возможность делать примечания, фильтрация контента, экспорт в другие приложения или форматы, возможность использовать «быстрые клавиши».

Если вы выбрали себе инструмент, то вам нужно выполнить следующие семь шагов и рекомендаций для построения интеллект-карты, которые предлагает британский автор Тони Бьюзен, запатентовавший и популяризировавший термин «интеллект-карта» в 1960-х годах:

1. Начинайте с СЕРЕДИНЫ чистого листа, повернутого поперек. Почему? Потому что если вы начинаете с середины, то ваша мысль получит возможность свободно распространять композицию по всем направлениям и выразить себя более свободным и естественным образом.
2. Возьмите КАРТИНКУ или ИЗОБРАЖЕНИЕ для своей основной идеи. Почему? Потому что картинка ценнее тысячи слов, она приведет в действие ваше воображение. Картинка, которую вы берете за основу, заставляет вас сосредоточить внимание и сообщает вашему мозгу заряд эйфории!
3. Повсюду прибегайте к ЦВЕТУ. Почему? Потому что цвет активизирует ваш мозг так же, как и картинки. Цвета добавляют энергии и жизни в вашу интеллект-карту, придают вашему мышлению невообразимый творческий толчок, да и просто все будет классно выглядеть!
4. СВЯЗЫВАЙТЕ ваши ГЛАВНЫЕ ВЕТВИ с основной картинкой, привязывайте вторичные и третичные ответвления к первым, и т. д. Зачем? Потому что мозг функционирует по ассоциациям. Ему нравится проводить связи между двумя (или тремя, четырьмя) предметами сразу. Если вы связываете ветви, то куда легче поймете, что к чему, и многое отложится у вас в памяти.
5. Пусть ваши ветви будут ИЗОГНУТЫМИ, а не прямыми. Почему? Потому что если у вас одни прямые линии, то ваш мозг будет переутомляться.
6. Ставьте ОДНО КЛЮЧЕВОЕ СЛОВО В СТРОЧКУ. Почему? Потому что единичные ключевые слова сделают вашу интеллект-карту мощнее и пластичнее.
7. Ставьте КАРТИНКИ повсюду. Почему? Дело в том, что каждая картинка, подобно основному изображению, тоже заменит собой тысячу слов. И тогда, если в вашей интеллект-карте всего лишь 10 картинок, то считайте, что вы обошлись без 10000 слов в заметках!

Или, ладно уж, вот вам интеллект-карта об интеллект-картах: все же не бывает какого-то единообразного стандартного подхода для построения интеллект-карты. Хотите поставить больше ключевых слов, или больший фрагмент текста в ответвление, то это на ваш выбор. Применяйте то, что лучше всего работает для вас самих.

Источник

Рекомендуем

карты — что это такое? Как ее составить? — OKOCRM

Построить ментальную карту можно без углубления в теорию, просто берете и переносите на бумагу мысли, структурируете удобным способом. Но при таком подходе у вас получится мало понятный набор окошек и текстов. Давайте разбираться, как построить карту, чтобы она была понятна любому пользователю.

4 этапа построения качественной ментальной карты

1. Определите цель, ради которой вы выстраиваете карту

Определить цель важно, потому от нее будет зависеть смысловая нагрузка майнд карты, тип отображения данных и общее восприятие информации.

Также на этапе постановки целей вы поймете для кого эта карта: может быть для личных целей, а может быть для мотивации персонала или для презентации достигнутых результатов и планируемого развития.

2. Собрать всю необходимую информацию, отсечь лишнее

Нужно не просто собрать информацию, а выделить все важное для правильного восприятия. Собрать наиболее важные данные критически необходимо, так вы не перезагрузите Mind Map бесполезными данными. Чтобы найти нужное и отсеять бесполезные куски информации, к каждому из них задайте вопросы:

• К чему приведет то, что я исключу эту часть данных?
• Как будет восприниматься карта, если этих данных не будет в ней?

Если ответ на вопросы – «она не изменится и будет восприниматься так же» – смело исключайте эту часть информации: она не несет пользы.

3. Определите лучший способ подачи информации

Интеллектуальные карты в зависимости от целей использования могут сильно отличаться друг от друга. Выделяют 4 основных разновидности: 

Схема

Это классический вариант карты, в нем лучи всегда расходятся от центрального явления, образуя своеобразное древо. Схема может включать любое количество ветвей и подразделов, но как правило 4-5 ступеней достаточно для полного разбора явления.

Структура

Схожа по виду с предыдущим вариантом карты. Только здесь главное явление размещается вверху, от него вниз ответвляется менее значительное явление, за ним еще менее значимое. Таким образом часто отображают структурные подразделения организаций: их иерархию.

Таблицы

Таблицы – это тоже интеллект-карты. В них информация подается сжатыми порциями, удобно структурирована и легко усваивается. Такая подача информации очень удобна, когда нужно отразить достоинства и недостатки или сравнить несколько аналогичных продуктов.

Временной или последовательный график

С помощью такой карты удобно выстраивать последовательности действий. Обратите внимание на изображение: сначала исследуем, затем придумываем обоснование, потом делаем прототип и лишь затем запускаем производство нового продукта. При этом в ответвлениях можно указать любые данные: что даст каждый этап, зачем, что на нем будет происходить.

4. Выстроить карту

Чтобы карта была более наглядной и понятной, соблюдайте следующие рекомендации:

1. Развивайте карту от центра и главного явления к менее значительным. В центр поместите главную идею или задачу, от нее развивайте древо карты.
2. Используйте графику. Подходя к созданию карту творчески, вы включаете в работу правое полушарие мозга. Благодаря этому, информация запоминается быстрее и лучше.
3. Используйте разные шрифты. Главное явление – крупным кеглем, вторую ступень более мелким, третью – еще меньше. Описания – курсивом. Так карта будет более доступной для восприятия.
4. Применяйте разные цвета. Это тоже сделает карту более понятной и логичной. Однако помните, что переусердствовать с визуалом тоже не стоит, он может перетянуть на себя внимание. Используйте 2-3 цвета для выделения важного.
5. Соблюдайте структуру и дистанцию. Порядок в карте так же важен как смысл. Оставляйте расстояние, разбивайте карту на осмысленные блоки. Слишком большое количество связей – также может перегружать карту.
6. Следите за читабельностью. Слишком мелкий шрифт, вертикальный или написанный по диагонали текст, смешение шрифтов – все это портит восприятие, и карта становится обузой, а не помощью.
7. Разбивайте информацию на блоки. Карта может быть очень большой и для улучшения восприятия может потребоваться разбивка информации на блоки. Сделать это можно с помощью рамок и подчеркиваний.
8. Не переусердствуйте с оформлением. Графика – это хорошо, но слишком много графики – плохо. Визуал может перетянуть на себя внимание и смысловая нагрузка ментальной карты померкнет.
9. Связывайте, но не вяжите узлов. Блоки карты нужно связывать между собой, но когда стрелок и линий слишком много, это усложняет восприятие.
10. Используйте символы. Придумайте свои обозначения, например, лампочка – идея, молния – нужно сделать быстро, глаз – проконтролировать выполнение. 

Интеллект-карты, ментальные карты или Супер-память

     Интеллект-карты, ментальные карты, «карты ума» – эти словосочетания всё чаще встречаются на просторах интернета и в книгах по бизнесу. Зачем нам эти карты? Где их можно использовать? Как нарисовать такую карту? Постараюсь ответить на эти вопросы, но сначала немного истории.

     Основоположником создания «карт памяти», ментальных карт (англ. mind maps), или, как их сейчас называют, интеллект-карт является Тони Бьюзен, который родился в 1942 году в Лондоне. В 11 лет его семья переехала в Ванкувер, где Бьюзен успешно закончил среднюю школу в престижном районе Китсилано и поступил в Университет Британской Колумбии. Учась в университете, он столкнулся с изучением и анализом большого объёма информации. Бьюзен, понимая, что это проблема всех обучающихся, а не только его, решил познакомиться с литературой, в которой отражены различные методики для развития способностей мозга. Так описывает эту историю сам Тони: 

     «В своё время на втором курсе университета я как-то зашёл в библиотеку и спросил, нет ли у них книг по теории мозга и о его практических возможностях. Библиотекарь, не раздумывая направила меня в отдел медицинской литературы! 

     Когда я пояснил, что не собираюсь делать операций на мозге, а лишь правильно использовать его, мне вежливо ответили, что подобных книг у них в библиотеке, по-видимому, нет.

     Я вышел в полном изумлении». 

     Но Тони Бьюзен не сдался, он стал изучать медицинскую литературу, посвящённую мозгу. Результатом этой работы явилось появление различных методик, одной из которых стала методика создания карт памяти. Эти методики помогли Тони успешно закончить университет и получить двойной диплом с отличием в области психологии, английского языка, математики и общих наук. После окончания университета, Бьюзен продолжил изучать возможности человека, практиковал свои методики на отстающих учениках и постоянно совершенствовал их. Накопленный опыт и знания учёный описывал в своих книгах. Он автор и соавтор более 100 книг, посвящённых использованию мозга, духовного интеллекта, памяти, креативности и скорости чтения. Его работы «Книга интеллект-карт: разветвлённое мышление», «Научите себя думать», «Подключай свою память», «Используй на полную мощность и тело, и дух», «Руководство по развитию способностей к учёбе для будущего поколения» опубликованы более чем в 100 странах и переведены на 28 языков. 

     На чём основана методика создания интеллект-карт? Простой пример: у вас появилась идея, следом появилась ещё одна, мысль порождает мысль. Если вы вернётесь к первой идее, то получите ещё один поток идей. Так одна идея обрастает множеством других. Как вы обычно это записываете? Используете последовательную запись на листе бумаге, в таблице. Начинаете выделять идеи второго уровня в виде заголовков или структуры. Вроде всё просто, но когда вы возвращаетесь к своим же записям, то начинаете прилагать много усилий чтобы разобрать их и вспомнить, что же вы записали. Почему так происходит? Всё просто, в линейном конспекте трудно выделить главное. Обычно главное мы запоминаем по ключевым словам. Найти ключевые слова в линейном тексте трудно. 

     Тони Бьюзен предлагает нам перестать бороться с собой и начать помогать своему мышлению. Для этого он предложил действовать несколько иначе и вместо линейной записи использовать ассоциативную, основанную на радиантном мышлении. Как это сделать рассмотрим на примере, составив карту своих личных дел и целей. Главную идею формулируем предельно чётко и по возможности кратко, помещаем её в центр листа. Например, мои личные цели. На этой главной идее и будет сфокусировано всё наше внимание. У меня есть цели во всех аспектах моей жизни. Я работаю, отдыхаю, ем, читаю – всё это часть моих личных дел и целей. Отдых для меня – это прежде всего путешествия, это и будет ещё одно ключевое слово. Что я хочу обязательно посмотреть, какие места посетить? Это Байкал и Камчатка, Мальдивы и Гавайи. Записываем, это будет следующая группа ключевых слов. В качестве ключевых слов выбираются наиболее характерные, яркие, запоминающиеся, «говорящие» слова. Ключевые слова помещаются на ветвях, расходящихся от центральной темы. Связи должны быть скорее ассоциативными, чем иерархическими. Такая простенькая интеллект-карта получилась у меня (см. рисунок). 

• Пока карта в таком виде, ею удобно пользоваться, но если продолжать её дополнять идеями, то использование одного цвета или отсутствие рисунков затруднит её восприятие. 
• Перечислю основные правила создания интеллект-карт: 
• Если карта рисуется на бумаге, то необходимо выбрать большой лист бумаги. 
• Для изображения центральной идеи можно использовать рисунки, картинки. Основная идея помещается в центр листа. 
• С центральной идеей соединяются идеи второго уровня и уже с ними идеи третьего и последующих уровней. Ветви должны быть изогнутыми, а не прямыми (как ветви дерева). Над каждой линией-ветвью пишется только одно ключевое слово. 
• Каждая ветвь может иметь свой цвет. Использование различных цветов, цветных карандашей, маркеров важно для запоминания информации. Но при этом необходимо помнить, что цвета делятся на три группы по скорости восприятия цвета. Высокая скорость у красного, желтого и оранжевого цвета, именно эти цвета используются для предупреждения об опасности. Средняя скорость восприятия у синего и чёрного цветов. Низкая скорость у зелёного, коричневого и голубого цветов, эти цвета успокаивают и расслабляют нас. 
• Разросшиеся ветви можно заключать в контуры, чтобы они не смешивались с соседними ветвями. 
• Область применения интеллект-карт очень обширна и с их помощью можно решать различные задачи. Интеллект-карты используют в обучении для написания конспектов лекций и книг, для написания рефератов и дипломных работ, полезны для использования в презентациях. С их помощью можно планировать как свою жизнь, так и рабочие проекты. 

     Предлагаю вам нарисовать интеллект-карту своих новогодних каникул, не забудьте отметить места, которые вы хотели бы посетить, друзей с которыми вы давно не встречались. Я уверена, что с этой картой праздники пройдут на высшем уровне. 

С наступающим Новым годом! Пусть Новый год принесёт вам только хорошие новости.

Татьяна Голец, заместитель директора по качеству

Как создать интеллект-карту на занятиях естественнонаучного, специального и гуманитарного циклов

старший преподаватель кафедры процессов горения в составе УНК процессов горения и экологической безопасности Академии Государственной противопожарной службы МЧС России

Эксперт: в области химии, экологии, методики преподавани предметов естественно-научного цикла

Интеллект-карта (Mind Map) – это метод, позволяющий оценить освоенность знаний обучающихся и проследить структурно-логические связи между частями изученной темы. Данный метод может применяться преподавателями естественнонаучного, специального и гуманитарного циклов для работы с терминологическим аппаратом предмета.

Правила создания карты просты:

1. Вместо линейной записи следует использовать радиальную.
2. Записывать не все подряд, а только ключевые слова – ассоцианты.
3. Ключевые слова помещать на ветках, расходящихся от центральной темы.

Алгоритм создания интеллект-карты:

1. Для небольшой интеллект-карты («Mind Map») используйте лист А4, для большой темы – А3. Старайтесь организовывать пространство, не оставлять пустого места и не размещать ветви слишком плотно.
2. Располагайте лист бумаги горизонтально. Такую карту удобнее читать.
3. Начинайте работу с центра карты и далее двигайтесь по часовой стрелке, начиная с верхнего правого угла.
4. Пишите на каждой линии только одно ключевое слово – ассоциацию. Каждое слово содержит огромное количество возможных ассоциаций, поэтому «склеивание» слов уменьшает свободу мышления.
5. Длина линии должна равняться длине ключевого слова.
6. Пишите печатными буквами – это дает возможность еще раз сфокусировать внимание на термине и сравнить его с понятием.
7. Обязательно используйте разные цвета для основных ветвей.
8. Часто используйте рисунки и символы (для центрального понятия рисунок обязателен).
9. Максимальное количество ветвей не более семи.

Цельная, крепкая, живая форма показывает, что обучающиеся хорошо разобрались в теме. Бывает и так, что все ветви карты получились красивые, а одна – путаная. Это верный признак того, что этой части следует уделить дополнительное внимание – она может быть ключом к теме или слабым местом в её понимании.

Другие статьи автора

МДОУ Детский сад №12 Солнышко

«Интеллект-карта–как метод формирования познавательной

речевой активности детей дошкольного возраста»

Блажеева Зоя Сергеевна,

воспитатель

МДОУ «Детский сад №12 «Солнышко»,

г. Новодвинск

Современные федеральные государственные образовательные стандарты предъявляют новые требования, определяющие главную цель дошкольного образования  – формирование творческой, всесторонне —  развитой личности.

Поэтому  перед дошкольной организацией стоит задача вовлечение детей в активную, творческую деятельность, через которую дошкольники научатся систематизировать, обобщать  различную информацию, устанавливать причинно-следственные связи, самостоятельно мыслить,  при этом   взаимодействуя   друг с другом.

            Наш мир насыщен техническими новинками, которые являются неотъемлемой частью жизни не только взрослого, но и ребёнка. Уже в дошкольный период у детей нет желания в познании окружающего мира через книги и живое общения. И как следствие  такого влияния – низкая познавательно-речевая активность у детей.  

Каким  образом,  решить данную проблему учитывая современные требования? На сегодняшний день в литературе мы можем встретить многочисленные методические разработки, мы выбрали наиболее подходящий для нас метод интеллект-карт. 

Метод интеллект – карт был создан  британским писателем  и психологом Тони Бьюзеном и относится к концу 80-х годов прошлого века. По- английски он называется «mind maps».  В переводе получаются «карты ума». Но чаще всего  в переводах используется термин « интеллект – карты».

 Интеллектуальная карта – это уникальный и простой метод запоминания информации, с помощью которого, развиваются как творческие, так и речевые способности детей, активизируется мышление.                                                                         

Работа с интеллект – картой позволяет усвоить детям новые знания и использовать эти знания для новых объектов действительности, систематизировать и обобщать информацию, развивать творческое мышление, работать как индивидуально, так и в коллективе, развивая навыки сотрудничества.

Цель работы: развитие  познавательной  и  речевой активности детей старшего дошкольного возраста  с помощью  использования интеллект – карт.

Задачи:

— изучить и проанализировать литературу по развитию познавательной и речевой активности детей старшего дошкольного возраста;

-проанализировать познавательно – речевое развитие детей в соответствии с возрастными особенностями;

-расширить знания и представления детей об окружающей действительности через использование метода интеллект – карт;

-развить связную. доказательную речь

Этапы работы:

1этап: мониторинг уровня знаний, умений детей в  ОО «Познавательное развитие», «Речевое развитие».

Подбор материала для работы с детьми и родителями.

2этап: работа с детьми по развитию познавательной и речевой активности через использование интеллект – карт, и родителями  в форме консультатций и практической  деятельности.

3этап: подведение итогов, анализ результатов.

            Деятельность с детьми заключалась в  знакомстве с интеллект- картой, особенностями её построения, составление индивидуальных и коллективных интеллект – карт по темам: «Домашние животные»,  «Безопасность на дорогах»,  «Времена года», «Натюрморт»,  «Пейзаж», «Портрет», «Живопись»,  «Выбор подарка», «Мой выходной день» и др.

 Работа с интеллект картами велась по следующим направлениям:

1 – закрепление и обобщение материала

2- развитие связной речи (составление связных рассказов по интеллект-карте)6

 а) составленной педагогом;

 б) составленной вместе с детьми

С родителями  были проведены консультация «Как составить интеллект — карту?», разработана памятка «Интеллект – карта. Что это такое?»,  совместный практикум с детьми и родителями « Наша мини – карта».

Таким образом, использование  метода  интеллект – карт  способствует накоплению и систематизации  у детей конкретно-образных представлений об окружающей действительности, фактических знаний, которые являются материалом для последующего их осознания и обобщения, приведения в систему, раскрытия причин и взаимосвязей, существующих в окружающей жизни; развитию связной речи, а также  укреплению детских и детско – родительских взаимоотношений.

«Учите ребенка, каким-нибудь 

неизвестным ему пяти словам –

он будет долго и напрасно мучиться,

но свяжите двадцать таких слов с картинками,

и он усвоит на лету».

Константин Дмитриевич Ушинский

Литература

1. Акименко В.М. Развивающие технологии в логопедии.- Ростов-на-Дону,2011.

2. Бьюзен Т. Суперпамять [Текст]: – Минск.: Попурри, 2003. – 208 с.

3. Колчина Н.И. Использование ментальных карт в образовательном процессе в детском саду / Н.И. Колчина // Дошкольная педагогика. – 2016. — №10.

Интернет – источники:
4 . http://www.psychologos.ru/articles/view/kak-risovat-intellekt-karty-ot-toni-byuzena
5. http://www.yugzone.ru/mindmap.htm — Mind map —    интеллект-карты.
6. http://www.myshared.ru/slid/ Метод построения интеллект – карт.
7.www.metodkopilka.ru/primenenie_metoda_intellekt_kart_v_doshkolnom_obrazovanii.
8. http://www.progimnazia.caduk.ru/ « Интеллект – карта как средство развития связной речи у старших дошкольников»
 

Что такое разведка местоположения? Определение и часто задаваемые вопросы

Определение геолокации

Геолокационная разведка — это информация и аналитические данные, полученные из геопространственных данных (геоданных), визуально отображаемые путем распределения данных по слоям в пространстве и / или в хронологическом порядке. Анализ местоположения обычно ассоциируется с бизнес-аналитикой, но он стал широко применяться во многих различных отраслях и сегментах для решения множества проблем, в том числе в государственном секторе.

Часто задаваемые вопросы

Что такое геолокационная разведка?

Анализ местоположения включает в себя людей и технологии, используемые для визуализации пространственных данных, выявляющих тенденции и взаимосвязи, которые приводят к получению полезной информации.Аналитика местоположения основывается на инструментах географической информационной системы (ГИС) для обеспечения аналитики на основе данных, охватывающей множество вариантов использования. Первый зарегистрированный пример разведки местоположения приписывается успеху Джона Сноу в Лондоне в 1854 году, когда вспышка холеры была отслежена и уменьшена путем картирования области случаев заболевания, на которую наложена карта конкретных водяных насосов.

Что делает разведка местоположения?

Анализ местоположения позволяет бизнес-аналитикам и правительственным аналитикам оптимизировать свое стратегическое положение за счет использования данных о местоположении, созданных на основе поведения потребителей, факторов окружающей среды, источников данных Интернета вещей (IoT) и систем GPS.Пространственная аналитика помогает государственному и частному сектору выявлять закономерности и тенденции, связанные с конкретными потребностями бизнеса, делая стратегические решения более эффективными.

Что такое инструменты геолокации?

Компании, занимающиеся разведкой местоположения, предлагают инструменты, которые позволяют организациям собирать и компилировать большие данные, анализировать их, фильтровать и визуализировать результаты на очень широком или детальном уровне, привязанном к географическому положению. Инструменты анализа местоположения часто представляют собой программные информационные панели, которые позволяют аналитикам LI и лицам, принимающим решения, визуализировать пространственные данные интуитивно понятными способами.Они выявляют тенденции и бизнес-возможности, которые упускают традиционные аналитические инструменты, в которых отсутствуют возможности «картографирования».

Кому выгодна геолокация?

Аналитика местоположения используется в следующих секторах:

Страхование — Визуализация пространственных данных снижает реактивное поведение страховщиков и позволяет им быть более активными в написании точных политик на основе данных об использовании, резервировании и распределении капитала и предотвращении ущерба от надвигающиеся стихийные бедствия.Это помогает аналитикам страховых данных и держателям полисов снизить риски для взаимной выгоды.

Финансовые услуги — Анализ местоположения помогает банкам и финансовым учреждениям оптимизировать размещение своих отделений и банкоматов, а также более эффективно обнаруживать мошенничество, не отмечать законные платежи и продвигать специальные предложения.

Государственный сектор — Данные разведки местоположения в государственном секторе могут помочь полицейским управлениям оптимально распределять ресурсы для воздействия на общественную безопасность вплоть до уровня улицы или перекрестка.Государственные органы также могут бороться с мошенничеством, растратой и злоупотреблениями, используя геопространственные данные для выявления нецелесообразных расходов.

Розничная торговля — Данные о местоположении позволяют розничным продавцам отображать модели покупательского поведения в магазине для оптимального размещения определенных продуктов, а также распространять мобильные предложения на основе местоположения покупателей в магазине или исторического покупательского поведения. Данные IoT также могут обеспечить беспрепятственное управление запасами при перекрестном анализе с другими местоположениями или складами.

Высшее образование — Университеты могут использовать данные о местоположении для оптимизации процесса набора студентов, отслеживания выпускников и доноров, а также для картографирования кампусов.

Качество обслуживания клиентов — Анализ местоположения в режиме реального времени позволяет крупным объектам, таким как стадионы, курорты и аэропорты, повышать качество обслуживания клиентов за счет предоставления ориентировочных предупреждений, более быстрой доставки продуктов и эффективного управления очередями для востребованных услуг, таких как туалеты.

Какие проблемы возникают при масштабном использовании геолокационной разведки?

Аналитические данные о местоположении позволяют компаниям из различных отраслей и правительств получить ценную информацию. Тем не менее, объем данных о местоположении, доступных для раскрытия этой информации, быстро расширяется из-за увеличения количества потребительских устройств с функцией определения местоположения, устройств, подключенных к IoT, и телематических данных, которые выявили отставание существующих инструментов для анализа местоположения и больших данных ГИС. Масштабная визуализация данных о местоположении имеет решающее значение для развития инновационной бизнес-аналитики с использованием широкого спектра технологий сбора данных, и организации, которые эффективно анализируют масштабные геообогащенные данные, находят более подходящих клиентов и увеличивают продажи.Узнайте больше о решениях для пространственных больших данных (SBD) и других массивов данных с помощью OmniSci.

Как OmniSci использует данные о местоположении?

OmniSci находится на переднем крае в области анализа местоположения для анализа больших данных, объединяя беспрецедентные объемы геопространственных и бизнес-данных в одном интерактивном интерфейсе. С помощью SQL-запросов менее чем за секунду и интерактивной визуализации массивных наборов данных OmniSci позволяет компаниям использовать свои бизнес-данные на основе местоположения для разработки мощных, важных для отрасли аналитических данных.

‍

Добро пожаловать в эпоху интеллектуальных карт

В Adobe Think Tank есть интересная статья Карзиса Варнелиса и Лии Мейстерлин под названием «Невидимый город: дизайн в эпоху интеллектуальных карт». Ссылаясь на рост популярности GPS, онлайн-карт и других цифровых форматов для картографии, Варнелис и Мейстерлин обсуждают их значение для дизайна в своем провозглашении: « Добро пожаловать в век интеллектуальных карт. ”

« Современные интеллектуальные карты не просто отображают пространственные отношения, они показывают условия в городе, которые ранее были скрыты в таблицах и базах данных.И это не просто новое представление о городе, которое возникает из этих данных; это новый гибридный город, частично состоящий из физической текстуры и частично управляемой данными карты ».

Варнелис и Мейстерлин утверждают, что карты стали средством анализа большого количества информации о нашем обществе, экономике и политике, что требует более разумного дизайна и инноваций.

По мере того, как карты становятся богаче, сложнее и менее предсказуемыми, картография становится не столько условностью, сколько изобретением.Наш век интеллектуальных карт требует интеллектуального проектирования карт. Роль дизайнера в современном картографировании трудно переоценить. Эстетика и удобочитаемость имеют реальное значение как в использовании, так и в значении. Выбор того, что показывать и как показывать, не только влияет на внешний вид, но и может переосмыслить аргументы. Графические соображения, такие как обрезка, толщина линий и даже цвет или шрифт, преобразуются в утверждения о территории и границах, экономике и политике.

Авторы также принимают участие в параллельной дискуссии, первоначально поднятой Николасом Карром в его статье в Atlantic Monthly, которая спрашивает: «Google делает нас глупыми?».Варнелис и Мейстерлин задают аналогичный вопрос, спрашивая, отвлекают ли легко доступные Карты Google людей от более глубокой географии, найденной в атласах и других печатных источниках.

В статье также рассматривается то, что авторы называют отображением, чтобы «сделать невидимое видимым. «Интервенционистское картирование — это картография, которая является аргументированной, убедительной и дает ответы. Именно картография может побудить людей к действию.

Невидимый город: Дизайн в эпоху интеллектуальных карт Карзис Варнелис и Лия Мейстерлин — Adobe Think Tank

Поделиться статьей:

Геолокация — Документация по знаниям

Анализ местоположения основан на идее, что географические пространства являются особым аналитическим измерением в области бизнес-аналитики.Основано на:

• географическое представление данных,
• взаимодействие с ГИС-системами,
• пространственные данные,
• пространственных оператора.

Location Intelligence обычно гарантирует:

• непосредственное восприятие распространения явления в географической области,
• интерактивность,
• многомерный анализ,
• временных снимков.

Геолокация получает широкое распространение, в основном благодаря появлению сервисов определения местоположения, таких как Google Maps.Этот домен очень прост в использовании для всех типов пользователей, обычно для аналитиков и рабочих профилей. Напротив, его управление не так просто, особенно если оно подразумевает внутреннее управление географической базой данных.

Основные концепции

Термин «Разведка местоположения» относится ко всем тем процессам, технологиям, приложениям и методам, которые позволяют объединять пространственные данные с бизнес-данными, чтобы получить критическую информацию, улучшить поддержку процессов принятия решений и оптимизировать бизнес-деятельность.

На технологическом уровне эта корреляция является результатом интеграции между программными системами, которые управляют этими двумя разнородными типами данных: географическими информационными системами (ГИС), которые управляют пространственными данными, и системами бизнес-аналитики (BI), которые управляют бизнесом. данные. Эта интеграция приводит к появлению новых технологических инструментов, поддерживающих процессы принятия решений и анализа тех бизнес-данных, которые прямо или косвенно связаны с географическим измерением.

Термин пространственные данные относится к любому виду информации, которая может быть размещена в реальном или виртуальном геометрическом пространстве.В частности, если пространственные данные расположены в реальном геометрическом пространстве, которое является геометрическим пространством, моделирующим реальное пространство, их можно определить как данные с географической привязкой и .

Рис. 416 Базовый слой в растровом и векторном формате.

Пространственные данные представлены в виде графических объектов, называемых картами. Карты представляют собой изображение географической информации в виде файла цифрового изображения, пригодного для отображения на экране компьютера.

Согласно определению Open Geospatial Consortium (OGC), карта состоит из перекрывающихся слоев : базовый слой в растровом формате (например.грамм. спутниковая фотография) интегрирована с другими слоями ( наложений, ) в векторном формате. Каждое наложение состоит из однородной пространственной информации, которая моделирует одну и ту же категорию объектов, называемых объектами и .

Элемент называется географическим признаком , когда составляющие объекты являются абстракциями реальных физических объектов и могут быть однозначно расположены в системе координат referencez в соответствии с их относительным положением.

Рис. 417 Перекрывающийся слой.

Функция включает:

• набор атрибутов, описывающих его геометрию (векторная кодировка). Геометрические атрибуты должны однозначно описывать его относительную форму и положение, чтобы объект можно было правильно нарисовать и расположить на карте в соответствии с другими особенностями слоев.
• — набор общих атрибутов, связанных с конкретным типом моделируемого физического объекта. Общие атрибуты не определены: они различаются в зависимости от типа абстракции, которую пользователи хотят придать каждому физическому объекту реального мира.

Рис. 418 Примеры функции.

Существует широкий спектр стандартов, которые можно использовать для векторного кодирования пространственных данных (например, GeoJSON, GML, Shape File и т. Д.). Большинство географических информационных систем могут выполнять необходимые преобразования между различными кодировками.

ГИС

Географические информационные системы (ГИС) предоставляют набор программных инструментов, предназначенных для сбора, хранения, извлечения, преобразования и отображения пространственных данных [2] _. Таким образом, термин ГИС относится к набору отдельных технологических компонентов, которые управляют пространственными данными в течение всего их жизненного цикла, начиная от сбора данных до их представления и перераспределения.

С логической точки зрения ключевые функции ГИС не отличаются от функций системы бизнес-аналитики. Обе системы характеризуются некоторыми специфическими компонентами, поддерживающими эффективное хранение данных, некоторые другие поддерживают их манипуляции, их перераспределение или их визуализацию. С другой стороны, реализация этих функций сильно различается между системами ГИС и бизнес-аналитикой, поскольку они имеют дело с двумя разными типами данных (буквенно-цифровыми и пространственными данными).

Рис.419 Определение ГИС, BI, пространственных данных и бизнес-данных.

В отличие от рынка BI-пакетов, рынок ГИС характеризуется широким распространением открытых стандартов, принятых всеми основными поставщиками, которые регулируют взаимодействие между различными компонентами системы на всех архитектурных уровнях.

Примечание

Открытый консорциум Gesospatial (OGC)

Наиболее важной международной организацией по стандартизации в области ГИС является Открытый геопространственный консорциум (OGC), в который входят 370 коммерческих, правительственных, некоммерческих и исследовательских организаций.Узнайте больше на www. opengeospatial.org.

Что касается интеграции между ГИС и системами бизнес-аналитики, OGC определил два основных стандарта, поддерживающих перераспределение пространственных данных:

• веб-картографический сервис (WMS). В нем описывается интерфейс сервисов, позволяющих динамически создавать карты с использованием пространственных данных, содержащихся в ГИС.
• — служба веб-функций (WFS). Он описывает интерфейс сервисов, которые позволяют запрашивать ГИС, чтобы получить географические объекты в формате, который позволяет их преобразование и / или пространственный анализ (например,грамм. GML, GeoJson и др.).

Примечание

Стандарты WMS и WFS для пространственного распределения данных

Knowage предлагает движок, поддерживающий аналитическую область Location Intelligence, GEOReport Engine , генерирующий тематические карты.

Оформление аналитического документа

Давайте взглянем на пользовательский интерфейс функций «Узнай местоположение».

На рисунке ниже представлен пример анализа бизнес-аналитики, выполненного с помощью карты.В нашем примере интенсивность цвета каждого показанного состояния пропорционально увеличивается в соответствии со значением выбранного индикатора. Состояния, у которых нет подключенной записи, вообще не окрашиваются.

Рис. 420 Пример документа ГИС. Продажи в США на магазин

Щелкните стрелку в правом верхнем углу, чтобы открыть панель параметров Location Inteligence. Здесь вы можете выбрать Тип карты , индикаторы, которые будут отображаться на карте, и вы можете ввести фильтры.

Рис. 421 Кнопка со стрелкой (слева) Панель опций Location Inteligence (справа).

Доступны следующие типы карт :

• Зона карты : разные зоны карты заполнены разным цветовым диапазоном в соответствии со значениями индикатора
• Точка карты : значения индикатора отображаются точками с разным радиусом. Чем больше радиус, тем выше значение индикатора.
• Карта-диаграмма : благодаря этому типу визуализации вы можете сравнивать более одного индикатора одновременно. Выберите показатели для сравнения среди доступных.Вы должны отметить их в области панели индикатора , чтобы визуализировать их. На карте появятся диаграммы, отображающие значения выбранных индикаторов.

Эти три типологии визуализации данных на карте сравниваются ниже.

Рис. 422 Зона карты (слева) Точка карты (в центре) и карта карты (справа).

Теперь вы можете добавить дополнительные слои к слою по умолчанию. Переключитесь на вкладку layer на панели опций Location Inteligence.

Здесь нажмите , выберите каталог формы , выберите слои, которые вы хотите добавить.Отметьте их в нижней части области Location Intelligence в поле Layer, и выбранный слой отобразится. Эти шаги показаны на рисунке ниже.

Рис. 423 Шаги для добавления слоя

В нашем примере мы загружаем несколько путевых точек, вы можете увидеть результаты, полученные на следующем рисунке.

Рис. 424 Карта с двумя слоями

Теперь давайте сосредоточимся на вкладке Configuration панели Location Inteligence. Здесь вы можете установить некоторые дополнительные конфигурации.Давайте посмотрим на них для каждой типологии визуализации данных.

Для зоны карты вы можете установить:

• Метод : доступны квантили или равные интервалы. Если вы выбираете квантили, данные классифицируются по определенному количеству классов с равным количеством единиц в каждом классе. Если вы выбираете равные интервалы, значения делятся на диапазоны для каждого класса, классы равны по размеру, и их количество может быть установлено. Весь диапазон значений данных (макс. — мин.) Делится поровну на несколько выбранных классов.
• № классов : количество интервалов, на которые подразделяются данные.
• Цвета диапазона : Вы можете выбрать первый и последний цвет диапазона. Для них обоих вы можете использовать цветной пиксер, щелкнув цветной квадрат. Пример приведен ниже.

Рис.425 Карта дополнительных конфигураций зоны

Для точки карты вы можете установить:

• Цвет : цвет круга.
• Мин. / Макс. Значение : минимальный и максимальный радиус окружности.

Для карты Map Chart вы можете установить цвет каждой полосы диаграммы.

Последняя вкладка панели предназначена для предварительного просмотра шаблона, она предназначена для опытных пользователей, которые хотят иметь подход к сгенерированному коду.

Мы можем закончить наш обзор документа ГИС, описывая кнопки, расположенные в правом нижнем углу, вы можете увидеть их подчеркнутыми на следующем рисунке. Слева направо эти кнопки можно использовать для: просмотра легенды, вычисления размера области карты и выполнения операции.pdf экспорт карты.

Рис. 426 Слева направо: легенда, измерение и экспорт внизу.

Создание шаблона с помощью ГИС-дизайнера

ГИС теперь можно создавать с помощью конструктора ГИС. Дизайнер доступен на странице сведений о документе администратора (для этой части см. Раздел 15.8), а также для рабочей области конечных пользователей. Процесс создания и разделы конструктора описаны в тексте ниже.

ГИС-документ может быть создан конечным пользователем из рабочей области Knowage Server.Следуйте «Моя рабочая область» »Анализ, щелкните значок« Плюс »в правом верхнем углу страницы и запустите новый анализ с географической привязкой .

Рис. 427 Начните новый анализ с географической привязкой.

Когда дизайнер открыт, есть возможность выбрать набор данных для объединения пространственных данных и бизнес-данных. Когда набор данных выбран, появятся столбцы и индикаторы соединения набора данных. По умолчанию набор данных не выбран, и есть интерфейс для создания карты без бизнес-данных

Рис.428 Окно конструктора документов ГИС.

Дизайнерские секции

Раздел слоя

Определение целевого слоя настраивается в разделе слоев. Если выбран набор данных, один из доступных слоев выбирается из списка каталогов слоев. Кнопка смены слоя (следующий рисунок) открывает всплывающее окно со списком всех доступных каталогов слоев. Выбор одного элемента из списка и нажатие кнопки «Сохранить» будет выбран для шаблона.

Рис. 429 Определение целевого слоя.

Рис. 430 Список доступных каталогов слоев.

В случае отсутствия набора данных ниже можно выбрать несколько слоев.

Рис. 431 Множественный выбор доступных слоев.

Столбцы соединения набора данных

Раздел столбцов соединения набора данных предназначен для настройки объединения пространственных данных и бизнес-данных. Этот раздел присутствует только в том случае, если для документа выбран набор данных. Структура данных конструктора для объединения представлена ​​парами столбцов набора данных и соответствующих столбцов слоя.При нажатии на столбец добавления соединения, который вы можете видеть на рисунке ниже, появляется новая пустая пара. Столбец соединения набора данных можно выбрать из столбцов в выбранном наборе данных, выбрав параметр в поле со списком. Столбец соединения слоев следует добавить как свободный текст, отредактировав соответствующий столбец таблицы.

Рис. 432 Интерфейс столбцов объединения наборов данных.

Показатели

Определение показателей можно настроить путем добавления индикаторов. Интерфейс показан ниже. Этот раздел присутствует только в том случае, если для документа выбран набор данных.Индикаторы представлены парами поля меры из выбранного набора данных и соответствующей меткой, которая будет использоваться на карте. Нажатие на добавление индикаторов создает пустую пару. Поле меры следует выбрать, выбрав один вариант из поля со списком, которое содержит поля показателей из выбранного набора данных. Ярлык нужно вставить как свободный текст, отредактировав соответствующий столбец таблицы.

Рис. 433 Интерфейс индикаторов.

Фильтры

Используя выделенную область фильтрации, как показано на рисунке ниже, вы определяете, какие атрибуты набора данных могут использоваться для фильтрации геометрии.Каждый фильтрующий элемент определяется массивом (например, имя: «store_country», label: «COUNTRY»). Первое значение (имя: «store_country») — это имя атрибута, отображаемое среди свойств. Вторая метка: «СТРАНА» — это метка, которая будет отображаться пользователю. Этот раздел присутствует только в том случае, если для документа выбран набор данных. При нажатии на «Добавить фильтр» создается пустая пара. Поле метки должно быть выбрано, выбрав один вариант из выпадающего списка, который содержит поля атрибутов из выбранного набора данных.Ярлык нужно вставить как свободный текст, отредактировав соответствующий столбец таблицы.

Рис. 434 Интерфейс фильтров.

Слоистые фильтры

Здесь, как вы можете видеть на рисунке ниже, вы определяете, какие атрибуты целевого слоя могут использоваться для фильтрации геометрии. Этот раздел присутствует только в том случае, если выбран набор данных. Кнопка «Добавить фильтры» открывает всплывающее окно, в котором вы можете выбрать все доступные фильтры для выбранных слоев. На рисунке ниже показан пример.

Рис. 436 Интерфейс слоистых фильтров.

Рис. 437 Список доступных фильтров.

Изменить карту

После заполнения всех обязательных полей базовый шаблон можно сохранить. Сначала пользователя из рабочей области просят ввести имя и описание нового созданного документа, как показано на следующем рисунке. После успешного сохранения шаблона кнопка ИЗМЕНИТЬ КАРТУ активна в правой части главной панели инструментов.

Рис. 438 Интерфейс имени и описания нового геодокумента для конечного пользователя.

При нажатии кнопки редактирования карты открывается созданная карта.Пример приведен ниже. В режиме редактирования вы можете сохранить все пользовательские настройки, сделанные на карте.

Рис. 439 Карта в режиме редактирования с доступным шаблоном сохранения.

GEOReport Двигатель *

GEOReport Engine реализует архитектуру интеграции моста .

Вообще говоря, интеграция моста включает в себя как системы бизнес-аналитики, так и системы ГИС, при этом они остаются полностью разделенными. Интеграция между пространственными данными и бизнес-данными выполняется специальным приложением, которое действует как мост между ГИС и пакетом BI.Это приложение извлекает пространственные данные из системы ГИС и бизнес-данные из пакета BI, чтобы отвечать на запросы пользователей. Впоследствии он присоединяется к ним и обеспечивает желаемый результат.

В частности, GEOReport Engine извлекает пространственные данные из внешней системы ГИС и динамически объединяет их с бизнес-данными, извлеченными из хранилища данных, для создания тематической карты в соответствии с запросом пользователя. Другими словами, он действует как мост между двумя системами, которые, следовательно, могут оставаться полностью разъединенными.

Рис. 440 Архитектура интеграции моста GEOReport Engine .

Тематическая карта состоит из различных перекрывающихся слоев, которые могут быть загружены из различных систем ГИС одновременно. Среди них только один слой используется для создания эффективной тематизации карты: он называется целевой слой .

Вы можете управлять своими слоями в каталоге слоев .

Здесь вы можете загрузить следующие типы слоев:

• Файл;
• WFS;
• WMS;
• ТМС;
• Google;
• OSM.

Создайте новый слой, щелкнув соответствующий значок плюса. Справа вас попросят заполнить несколько настроек перед сохранением нового слоя. Среди этих настроек первые равны для всех типов слоев. Вместо этого после выбора типа слоя некоторые поля могут измениться. Это происходит для управления всеми типами слоев из одного интерфейса. Например, если вы выбрали File в качестве типа, у вас есть возможность выбрать свой собственный файл .json и загрузить его. После этого путь, по которому был загружен ваш файл, отображается среди настроек.

Если вы выбрали WFS или WMS , вам будет предложено ввести конкретный URL-адрес.

В нижней части конфигурации слоя вы можете управлять видимостью слоя. Отметьте роль, которую вы хотите сделать видимой на этом слое. Если ничего не отмечено, слой по умолчанию виден для всех ролей.

После того, как вы установили всю конфигурацию слоя, вы можете переключиться на настройку фильтра. Щелкните вкладку в верхней части экрана, см. Следующий рисунок.

Рис.441 Вкладка фильтра

Здесь вы можете выбрать, какие фильтры будут активны на этапе визуализации. Выберите среди свойств вашего слоя, доступные только тип строки.

Теперь вам нужен хорошо настроенный набор данных для работы с базовым слоем. Набор данных должен содержать один столбец, соответствующий полю свойств по типу и содержанию, иначе вы не сможете правильно визуализировать свои данные на карте.

Например, вы можете использовать набор данных запроса, подключенный к источнику данных foodmart, чей SQL-запрос показан в Code15.1.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17 

 ВЫБЕРИТЕ r.region_id как region_id
     , s.store_country
     , r.sales_state как sales_state
     , r.sales_region
     , s.store_city
     , sum (f.store_sales) + (CAST (RAND () \ * 60 AS UNSIGNED) + 1) store_sales
     , avg (f. unit_sales) + (CAST (RAND () \ * 60 AS UNSIGNED) + 1) unit_sales
     , сумма (например, store_cost) store_cost
FROM sales_fact_1998 f
   , магазины
   , время_по_дню t
   , sales_region r
ГДЕ с.store_id = f.store_id
И f.time_id = t.time_id
И s.region_id = r.region_id
И STORE_COUNTRY = 'США'
ГРУППА ПО идентификатору региона, s.store_country, r.sales_state, r.sales_region, s.store_city
 

Создайте и сохраните набор данных, который хотите использовать, и продолжайте подготовку шаблона документа.

Создание шаблона с помощью ГИС-дизайнера для технического пользователя *

При создании нового документа разведки местоположения с использованием механизма ГИС базовый шаблон может быть построен с использованием интерфейса конструктора ГИС.Для администратора дизайнер открывается со страницы сведений о документе при нажатии на кнопку построения шаблона (см. Следующий рисунок). Когда дизайнер открыт, интерфейс для построения базового шаблона отличается в зависимости от того, выбран набор данных для документа или нет.

Рис. 442 ГИС конструктор, доступный из сборки шаблона.

Мы уже описали конструктор ГИС, когда к нему обращается конечный пользователь. Поскольку разница зависит только от того, как запускается конструктор, мы не будем повторять компонентную часть и обратимся к разделу конструктора для получения подробностей.Кстати, мы подчеркиваем, что есть последнее небольшое различие при определении фильтра на слоях. Фактически, используя интерфейс администратора, если в документе есть параметры аналитического драйвера, вы также можете выбрать один из доступных параметров для фильтрации геометрии, как показано ниже. Необязательно выбирать фильтры слоев, поэтому вы также можете сохранить шаблон без выбранного фильтра.

Рис. 443 Интерфейс слоистых фильтров с аналитическими драйверами.

При изменении списка выбранных слоев список фильтров будет пустым, поэтому вы должны выбрать список фильтров после заполнения списка слоев. Это способ, которым дизайнер поддерживает согласованность между слоями и соответствующими фильтрами (см. Следующий рисунок).

Рис. 444 Список доступных фильтров со списком аналитических драйверов.

Определение перекрестной навигации *

Можно включить перекрестную навигацию от документа карты к другим документам Knowage. Это означает, что, например, щелчок по штату Техас откроет новые документы базы данных с дополнительной информацией, относящейся к выбранному штату.

Вам необходимо определить выходные параметры, как описано в разделе Cross Navigation главы аналитического документа .Возможные параметры, которые могут обрабатываться документами ГИС, — это имена атрибутов геометрии слоев.

После создания новой перекрестной навигации в меню «Определение перекрестной навигации» в разделе «Инструменты» можно переходить от документа ГИС к целевому документу. Осталось сделать небольшой шаг, чтобы активировать перекрестную навигацию.

Рис. 445 Вариант перекрестной навигации.

Откройте вкладку слой на панели опций геолокации и нажмите на режим выбора перекрестной навигации.Теперь перекрестная навигация активирована, и если вы нажмете, например, на одно из состояний, оно сравнит показанное выше всплывающее окно.

Рис. 446. Всплывающее окно перекрестной навигации.

При нажатии на кнопку воспроизведения открывается целевой документ.

Сводка | От карт к моделям: расширение возможностей страны в области геопространственного интеллекта

Собственная разработка или адаптация. Управляемые данными модели и методы анализа поддаются разработке в ближайшем будущем, поскольку аналитики NGA уже обладают некоторыми соответствующими знаниями и опытом, методология установлена, а программное обеспечение, инструменты и поддержка обучения доступны.В частности, опыт NGA в области пространственного и временного анализа обеспечивает основу для разработки или адаптации методов пространственной статистики, интеллектуального анализа данных и машинного обучения. Методы, которые особенно многообещают для NGA, включают: (a) байесовские иерархические модели, которые связывают пространственно связанные данные, данные с разными уровнями разрешения и агрегирования или разрозненные источники данных; (б) кластеризация и другие методы неконтролируемого и глубокого обучения для поиска структуры в больших объемах данных, которые слишком велики для анализа с участием человека; и (c) методы обнаружения следов изменения, пространственных горячих точек и аномалий.Кроме того, растущее внимание NGA к человеческой географии обеспечивает основу для разработки моделей сетевого анализа для изучения того, как модели отношений влияют на поведение.

Для обоих типов анализа основные методы хорошо отработаны, а программное обеспечение и поддержка пользователей (например, учебники, конференции и специальные короткие курсы) легко доступны. Однако для адаптации этих методов к геопространственным данным и сценариям использования NGA требуется некоторая дополнительная разработка и обучение. Кроме того, вероятно, придется разработать программное обеспечение и алгоритмы для вычислений с большим объемом данных для пространственной статистики и методов пространственного анализа данных.Обучение сетевому или пространственному сетевому анализу может быть предложено в колледже NGA или получено в рамках университетских программ.

Сотрудничество. NGA потребуются партнеры для помощи в разработке, адаптации и использовании более сложных моделей и методов (например, моделей процессов, связанных моделей, агентно-ориентированных моделей, обратных методов и моделей пространственных сетей), а также геопространственных моделей, которые плохо работают. поддерживается новейшей вычислительной инфраструктурой. Существенная часть способностей любой группы к сложному моделированию приобретается через партнерство, ученичество и сотрудничество.Такое сотрудничество может принимать различные формы, в том числе партнерство в группе, разрабатывающей модель или распространение ее использования на другие приложения, пользователя модели или метода группы или пользователя результирующих продуктов данных. Тем не менее, NGA потребуется определить экспертов в предметной области, которые могут разработать модели или сценарии, относящиеся к NGA, запустить модель, интерпретировать результаты или помочь NGA найти полезные существующие выходные данные модели. Чтобы эффективно использовать эти модели или результаты моделей, NGA необходимо понимать их сильные и слабые стороны для решения поставленной задачи геопространственного интеллекта.

Найти партнеров для моделирования NGA будет нетривиально из-за засекреченного характера работы, широкого и постоянно меняющегося круга необходимых экспертов и необходимости поддерживать долгосрочные отношения. Модели сложных систем обычно разрабатываются мультидисциплинарными группами, обладающими глубокими знаниями и опытом в научных дисциплинах и вычислительными возможностями, соответствующими поставленной задаче. Тем не менее, объединение различных экспертов, которые будут учиться друг у друга в контексте приоритетов NGA, могло бы внести вклад в крупные прорывы в решении проблем, связанных с NGA.Крупные исследовательские университеты, а также организации, с которыми NGA установила отношения (например, оборонные и разведывательные агентства, национальные лаборатории, частные подрядчики и центры академического мастерства NGA в области геопространственных наук) могут быть отправной точкой для поиска экспертов и моделирования. команды для моделирования NGA.

Исследования и разработки, финансируемые NGA

Пятая задача комитета состояла в том, чтобы определить области, которые могли бы выиграть от исследований и разработок, финансируемых NGA (см. Вставку S.1). Множество инвестиций в исследования и разработки могут усилить возможности моделирования NGA в предстоящие годы. На чем сосредоточить эти инвестиции, зависит от того, какие модели и методы анализа окажутся наиболее полезными для геопространственного интеллекта. Потенциальные области исследований касаются расширения использования существующих моделей для ситуаций, связанных с NGA, улучшения понимания человеческого поведения, сокращения времени, необходимого для разработки, тестирования и запуска моделей, и разработки методологий, адаптированных к моделям и данным, относящимся к NGA, как описано ниже. .

Открывая ценность с помощью системы геолокации

Категории, ориентированные на клиентов, включают геомаркетинг, повышение качества обслуживания клиентов в цифровом формате, повышение качества обслуживания клиентов на местах и ​​ценообразование на основе зон. Категории, ориентированные на операции, включают планирование и оптимизацию маршрутов, оптимизацию сети и цепочки поставок, оптимизацию охвата персонала и оптимизацию функций поддержки. В среднем наиболее активные компании используют геопространственные данные для реализации приложений по пяти-семи категориям.(См. «Как компании переходят от базовых приложений для определения местоположения к расширенным».)

Программы картографирования и геопространственных данных развиваются быстрыми темпами, что позволяет компаниям, внедряющим эти приложения, быстро переходить от простых предложений к более сложным. Мы внимательно изучили две отрасли, в которых анализ местоположения становится все более важным, чтобы увидеть, как компании постоянно увеличивают масштабы и влияние своей деятельности по разведке местоположения.

Розничная торговля и электронная коммерция

Розничные торговцы обычно начинают использовать аналитику местоположения для поддержки довольно простых действий с клиентами, таких как помощь им в поиске местоположения магазинов или использование утилиты автозаполнения для упрощения онлайн-поиска или ввода адреса. Сегодня это заявки на ставки за столом.

По мере того, как возможности анализа местоположения ритейлеров расширяются, появляются более сложные способы использования, включающие оптимизацию непрерывного взаимодействия с клиентами, в том числе следующие:

• Обеспечение видимости данных инвентаризации на уровне магазина для покупателей, чтобы подтвердить, что продукт доступен до того, как они придут в магазин, чтобы купить его
• Планирование встреч и консультаций для конкретного магазина
• Разработка оптимизированных списков покупок и рекомендаций по покупкам на уровне магазина для эффективного поиска продуктов
• Создание рекомендаций в магазине на основе прошлых покупок клиента, известных предпочтений и местоположение в магазине
• Оптимизация взаимодействия с магазином с помощью анализа местоположения для прогнозирования очереди
• Использование геомаркетинга для общения с покупателями, которые находятся рядом с магазинами и которые сделали выбор, побуждая их совершить покупки, предлагая им соответствующие предложения

По мере того, как розничные торговцы развивают свой бизнес в области электронной коммерции, некоторые из них используют разведку местоположения, чтобы улучшить управление и отслеживание получения товаров из магазина и доставки товаров на дом. Эти программы нацелены на то, чтобы товары были доступны в розничных точках, когда обещано, или, в случае доставки, их забирали водители по маршрутам и графикам, которые динамически оптимизируются для максимальной эффективности и своевременной доставки, сокращения затрат и удовлетворения потребностей клиентов.Один из бывших руководителей сетевых и цифровых операций в сетевом розничном магазине сказал нам, что компания «обнаружила снижение затрат на доставку онлайн-заказов на 3–4% за счет лучшей оптимизации парка».

Логистика и доставка

Первоначально логистические компании, как правило, уделяют основное внимание оптимизации парка транспортных средств и расширенному отслеживанию доставки посылок в качестве своих основных приложений для анализа местоположения. Однако со временем некоторые логистические компании расширяют использование разведки местоположения, чтобы помочь своим крупнейшим клиентам спланировать места доставки с максимальной эффективностью.Например, помощь грузоотправителям в размещении своих объектов для максимальной координации с маршрутами и графиками получения от поставщика логистических услуг может улучшить своевременность получения посылки, сэкономить время доставки и снизить транспортные расходы.

Некоторые логистические компании также использовали разведку местоположения, чтобы улучшить качество доставки посылок конечным клиентам — например, предлагая целевые временные окна для доставки, позволяя изменять график доставки посылки в реальном времени, если никого не будет дома, чтобы получить ее, и использование информации о местоположении для выбора розничного магазина или распределительного центра, в котором будет храниться продукт для получения.

Руководители логистических компаний, принявшие участие в нашем опросе, отметили, что с помощью динамического планирования и оптимизации маршрутов им удалось увеличить количество доставок на одного водителя на 4–7%. Кроме того, использование разведки местоположения для отслеживания транспортных средств и грузов в режиме реального времени позволило им улучшить свои показатели удовлетворенности клиентов на 6–11%.

Геомаркетинг, который состоит в основном из рекламных акций и рекламы продуктов и услуг на основе местоположения, широко используется во всех пяти отраслях промышленности для заказчиков, которые сделали выбор.От половины до 78% респондентов заявили, что реализовали эти программы. Компании розничной торговли и электронной коммерции в наибольшей степени используют геомаркетинг, в то время как логистические компании и компании по доставке с меньшей вероятностью примут этот метод. Программы геомаркетинга обычно включают индивидуализированные маркетинговые сообщения в зависимости от местоположения клиента; карты для поиска ближайших магазинов с указанием скидок и предложений; персонализированные сообщения и предложения, связанные с тем, где клиенты делают покупки и какие бренды они предпочитают, если они выбрали; и измерение дополнительного воздействия этих предложений и рекламных акций на расходы клиентов.

Компании используют геопространственные данные для повышения качества обслуживания клиентов в цифровом формате во всех отраслях промышленности, но особенно в сфере путешествий и туризма, розничной торговли и электронной коммерции, а также финансовых услуг. (См. «Интернет-банк использует геопространственные данные для работы на недостаточно обслуживаемом рынке».) Такие приложения включают автозаполнение адресной информации для онлайн-оплаты и поиска; виртуальные туры по сайтам и локациям; поиск товаров и услуг по карте; и списки инвентаря, услуг, часов и направлений для близлежащих объектов и торговых точек.

Current, расположенный в США, — это мобильный банк, ориентированный на клиентов, живущих от зарплаты до зарплаты, — людей, которых традиционные банки стараются избегать, потому что они не могут обслуживать их с прибылью. Current использует данные о местоположении инновационными способами, в первую очередь для предоставления точек в реальном времени и возврата денег клиентам, чувствительным к наличным деньгам.Приложения компании для анализа местоположения включают использование геопространственного поиска для связи местоположения с личными покупками; таргетированный маркетинг на основе геозон, чтобы давать рекомендации по предложениям с учетом местоположения; стандартизированные квитанции об оплате с изображением бренда и местоположения магазина, чтобы свести к минимуму количество звонков для подтверждения оплаты; мониторинг местоположения для уменьшения мошенничества, связанного с использованием кредитных и дебетовых карт; и родительский контроль над банковскими счетами подростков, чтобы блокировать расходы у определенных поставщиков на основе местоположения или максимального предела расходов.

Самое мощное приложение Current для анализа местоположения, однако, представляет собой платформу для начисления вознаграждений на основе баллов для клиентов, которые используют свои дебетовые карты в ближайших торговых точках. За счет увеличения баллов для целевых розничных продавцов во время рекламных периодов компания Current добилась увеличения расходов до пяти раз в неделю в одной сети быстрого питания, а также увеличения размера корзины на 8% и увеличения на 10%. по частоте покупок в рамках многомесячной кампании с другой национальной сетью ресторанов.Аналогичная кампания с ведущей аптечной сетью позволила увеличить средний размер корзины на 6% и частоту на 3%.

«Атрибуция транзакций на основе местоположения является центральным элементом нашей бизнес-модели платформы вознаграждений», — сказал технический директор Current Тревор Маршалл. «Мы можем обойти традиционные дорогостоящие модели атрибуции и предоставить нашим торговым партнерам более детальный таргетинг. Доказав рост числа кампаний с высокой точностью, мы можем получить гораздо более высокие суммы вознаграждения для наших пользователей.Атрибуция на основе местоположения позволяет нам в режиме реального времени предоставлять вознаграждения чувствительным к наличным деньгам клиентов, которые они могут использовать немедленно. Мы не только предоставляем многим клиентам их первую карточную программу вознаграждений, но и можем предложить лучшие в своем классе суммы вознаграждений и превосходный пользовательский интерфейс, позволяя им перепрыгнуть через существующие варианты, которые не обслуживали их должным образом ».

Например, в секторе недвижимости компании часто подключают интерфейс карты напрямую к данным о собственности на основе местоположения, чтобы дать потенциальным покупателям дома многомерную картину районов, характеристик собственности, времени в пути, близлежащих школ и оценок в районах, где они проживают. рассматриваем.По словам менеджера проекта в одной онлайн-агентстве по недвижимости, поиск по карте стал настолько критичным для клиентов, что скорость загрузки карты «оказывает большое влияние на конверсию — задержка в одну-две секунды может привести к снижению конверсия поиска в листинг от 10% до 15% ».

Помимо того, что аналитика местоположения имеет решающее значение для чисто онлайн-опыта, она все активнее участвует в усилиях по повышению качества покупок в магазинах за счет интеграции мобильных устройств и данных о местоположении. Например, бакалейные лавки могут отображать карту смартфона, которая показывает покупателям, где найти каждый товар, включенный в список покупок, который они создают в Интернете перед посещением магазина.Более продвинутые розничные приложения могут предлагать продукты и указывать на расположение магазинов на основе покупательского поведения в прошлом.

Для повышения эффективности операций и снижения затрат компании используют анализ местоположения для оптимизации сети и цепочки поставок. Это особенно распространено в розничной торговле и электронной коммерции (60%), логистике и доставке (56%) и финансовых услугах (49%). Как правило, эти компании используют картографические и геопространственные данные для определения наиболее перспективных участков для магазинов, филиалов, офисов или складов в зависимости от местоположения клиентов и поставщиков и соображений стоимости на основе местоположения.Например, розничные торговцы могут объединить демографические данные, косвенные индикаторы местного спроса (например, близлежащие банкоматы, заправочные станции и торговые центры), доступность общественного транспорта и состояние близлежащих дорожных сетей, чтобы оценить лучшие рынки для входа и наиболее многообещающие локации на каждом потенциальном рынке.

Еще один относительно зрелый вариант, ориентированный на операции, — это планирование и оптимизация маршрутов, которые, что неудивительно, используют около трех четвертей всех логистических и транспортных компаний.(См. «Компания по производству напитков использует информацию о местоположении для выполнения заказов на напитки в течение нескольких часов».) Эти компании используют анализ местоположения, чтобы определить наиболее эффективный способ маршрутизации пакетов и развертывания транспортных средств от места получения до пункта назначения. «Оптимизация маршрутов доставки посредством управления в режиме реального времени привела к экономии около 30 минут за восьмичасовую смену, что составляет около 6% времени и стоимости доставки», — сказал руководитель отдела робототехники и операций для крупного глобального грузоотправителя.

Flaschenpost, немецкая компания по доставке напитков через Интернет, является относительно молодым стартапом с амбициозной целью: доставить напитки в дом и офис в течение двух часов с момента заказа, избавляя клиентов от необходимости носить тяжелые бутылки и ждать в длинных очередях за бутылкой. возвращается.Для этого Flaschenpost полагается на собственные операционные возможности и данные о местоположении для управления оптимизацией маршрутов для водителей. Это включает в себя подтверждение местоположения клиентов и предоставление водителям пошаговой навигации с учетом дорожных условий и других факторов, связанных с местоположением. Автоматизируя процесс принятия решений водителем, компания сокращает время вождения и количество ошибок, а также обеспечивает выполнение сроков доставки.

Программа разведки местоположения Flaschenpost повысила уровень удовлетворенности клиентов и повысила вероятность того, что клиенты будут делать новые заказы в будущем. ВНИМАНИЕ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!Это также увеличило среднее количество ежедневных доставок, которые может выполнить каждый водитель, тем самым снизив расходы на доставку. «Каждая минута важна для нас с точки зрения финансовой устойчивости и качества обслуживания клиентов», — сказал Арон Шпор, технический директор Flaschenpost. «Даже небольшое улучшение точности данных о местоположении может иметь значительные последствия. Используя более точные данные о местоположении, мы смогли сократить расчетное время доставки на 2 минуты, что, в свою очередь, сэкономило нашим 1400 водителям 30 минут на каждого водителя в день.”

Использование информации о местоположении по секторам отличается, но выгоды одинаковы

Хотя приоритетное использование геолокационной разведки различается в зависимости от отрасли и оцениваемых нами секторов, геолокационная разведка обычно оказывала значительное влияние на ключевые показатели в аналогичном диапазоне — от высокого однозначного до низкого двузначного процентного воздействия.Вот несколько примеров.

В среднем логистические компании и компании по доставке сообщают о сокращении затрат на доставку на 5–11% и повышении удовлетворенности клиентов на 6–11%. Этот сектор в основном использует данные о местоположении для динамического планирования маршрутов и отслеживания транспортных средств и грузов в режиме реального времени.

Финансовые компании, участвовавшие в нашем опросе, сообщили, что пользователи тратят на 8–17% больше времени в приложениях, предлагающих индивидуальный подход с учетом местоположения. Кроме того, такие компании сократили количество мошеннических транзакций и приложений для счетов до 30% за счет использования геопространственных данных для проверки адресов клиентов и выявления возможных недобросовестных действий.

Компании розничной торговли и электронной коммерции заявили, что они увеличили средний размер своей онлайн-тележки на 11–15% за счет использования анализа местоположения для обеспечения более персонализированных и своевременных рекламных акций. Они также снизили средние затраты на доставку на 3–4%, когда геопространственные данные поддерживали логистические программы последней мили.

В некоторых секторах анализ местоположения позволяет использовать прорывные бизнес-модели. Например, европейский онлайн-банк-претендент опередил обычных конкурентов, использовав проверку адреса для предотвращения мошенничества в процессе подачи заявки, в первую очередь путем проверки людей, открывающих несколько учетных записей в удаленных местах.С такой защитой банк может предлагать клиентам мгновенные счета и такие дополнительные функции на основе местоположения, как регистрация кредитных транзакций на основе местоположения продавца, чтобы упростить идентификацию.

Компания, занимающаяся доставкой еды на вынос, меняет традиционные методы ведения бизнеса, новаторски используя программы анализа местоположения для облегчения заказа клиентов, а также для эффективного выявления и маршрутизации водителей. Клиенты, использующие приложение этой компании, могут отслеживать ход доставки в режиме реального времени.По оценке менеджера по развитию рынка этой компании, «добавление карт в клиентский опыт для заказов на самовывоз повышает коэффициент конверсии примерно на 2 процентных пункта». Компания также использовала геопространственные данные для оптимизации ценообразования с учетом различий в эластичности местных цен. По словам менеджера, одна только эта программа стоит «до 25% EBITDA».

Некоторые варианты использования с улучшенными картами в различных секторах существуют уже несколько лет и стали предметом обсуждения, поскольку эта функция больше не служит отличительным элементом опыта, а, скорее, стала основным ожиданием клиентов.Например, финансовые услуги, такие как профилирование и сегментирование клиентов, а также направление к отделениям и банкоматам, теперь стали делом ставки. А в путешествиях и туризме карты с указанием возможных маршрутов и мест проживания являются обязательными. Тем не менее, для компаний критически важно правильно выполнять эти зрелые задачи. Как сказал руководитель отдела данных и клиентской аналитики на крупном туристическом сайте: «Поскольку наша отрасль становится намного более конкурентоспособной, а использование карт стало стандартной практикой, мы больше сосредоточились на том, чтобы очень хорошо выполнять основы — например, сохранять карта актуальна и обеспечивает непротиворечивость и качество данных.”

Независимо от того, служит ли он для нарушения или представляет собой ставки стола, анализ местоположения является общей возможностью для всех отраслей. Следовательно, компании должны использовать картографические и геопространственные данные, чтобы постоянно внедрять инновации и поддерживать более повседневное использование, которое остается критически важным для оптимального выполнения.

Измерение — ключ к разблокировке значения

Способность компании измерять ценность программ геолокации положительно коррелирует с пониманием большей ценности от геолокации.Этот вывод указывает на то, что детальное понимание ценности важно для успешного внедрения аналитики местоположения и ее использования в организации. Большинство респондентов сообщили, что полагаются на широкий спектр показателей для отслеживания успешности своих программ определения местоположения. (См. Приложение 5.) Количество показателей, используемых во всех компаниях, варьировалось от 6 для улучшения качества обслуживания клиентов на месте до 26 для оптимизации сети и цепочки поставок. В среднем отдельные компании сообщили об использовании от 5 до 11 ключевых показателей для отслеживания успешности своих программ определения местоположения для каждой категории вариантов использования.

Карта искусственного интеллекта (2020) | на территории ИИ

Примечание: эта карта не является точным отражением состояния поля ИИ, а просто моим субъективным представлением.

Это моя первая карта по состоянию на конец 2020 года, в будущем она будет расширена. Он содержит более 200 слов или фраз, поэтому описывать их все было бы слишком обширно и излишне. Гораздо интереснее (и для меня полезно) рассказать, как эта карта постепенно складывалась в моей голове.Все объяснять не буду, только главное, так что чего-то не понимать — это нормально.

История начинается в 2013 году, когда я получил степень бакалавра прикладной физики. Я исследовал гетероструктуры, то, что лежит в основе твердотельных лазеров, которые используются для передачи данных в Интернет. Короче, меня не устроило, поле хорошее и перспективное, но не в Украине. Итак, я решил написать магистерскую диссертацию в другой области, которая меня действительно заинтересует. У меня было два варианта, и я выбрал один — в области искусственного интеллекта.

Тем летом я закончил свой первый в истории онлайн-курс на Coursera — Машинное обучение Эндрю Нг. Онлайн-курсы только начинались, Coursera просуществовала всего год. Курс дал неплохую перспективу машинного обучения, которое можно разделить на контролируемое, неконтролируемое и усиленное обучение. Существуют также типичные проблемы, такие как классификация, регрессия, кластеризация, и каждая имеет свои решения.

Тогда я понял, что область пока преждевременная. Я привык к физике, она имеет глубокие основы, основу всех явлений.Например, уравнение Максвелла и сила Лоренца объясняют весь классический электромагнетизм, оптику и основы электроники. Но машинное обучение казалось мне просто набором методов и алгоритмов. Если вам нужно выполнить кластеризацию, вы можете попробовать k-средних или смесь гауссиан, или в случае плохих результатов попробовать что-то другое.

Если вам нужно уместить данные в линию, вот линейная регрессия. То же самое для классификации, есть логистическая регрессия, или SVM, или нейронные сети.Однако не существовало теории, которая все обобщала и объясняла. Вам просто нужно найти алгоритм, который лучше всего подходит для конкретного случая, конкретного набора данных.

Позже, время от времени, возвращался к машинному обучению, но меня это не зацепило.

Хотелось чего-то большего. Тогда я прочитал книгу Джеффа Хокинса «Об интеллекте». Он написал, что сущность интеллекта — делать прогнозы, объяснил, как работает человеческий мозг, и что можно найти алгоритм, который работал бы как мозг.

Он популяризировал идею о том, что неокортекс (поверхностная часть мозга) состоит из миниколонок. Эти корковые столбики структурно очень похожи, и если бы мы могли понять, как они работают, мы бы смогли понять мозг. Тогда я подумал: «Вау, он действительно собирается создать искусственный интеллект, и очень скоро». К сожалению, книга была написана в 2004 году, но к 2013 году большого прогресса не было. Кажется, проблема намного сложнее.

Однако меня воодушевила идея о том, что нам нужно понимать человеческий мозг, чтобы создавать ИИ.Вот почему я начал изучать нейробиологию — отрасль науки, изучающую работу нейронных сетей. Не путайте это с неврологией, изучающей заболевания нервной системы. Я нашла отличный онлайн-курс «Медицинская неврология», где я изучила основы. Начиная с анатомии, где периферическая нервная система собирает информацию и отправляет ее в центральные части, особенно в таламус (как главный узел). Он отправляет активацию в неокортекс, и здесь происходит основная обработка информации.Сенсорные сигналы преобразуются в моторные команды, которые отправляются обратно на периферию с помощью мозжечка и базальных ганглиев. Гиппокамп способствует хранению памяти. Рядом с ним люди обнаружили ячейки сетки, нейроны, которые становятся активными только в определенных местах окружающей среды (часто по сравнению с GPS). Плюс еще одна важная структура — миндалевидное тело, которое также способствует памяти и эмоциям и может обрабатывать информацию еще до неокортекса, чтобы быстро управлять действиями (например, убегать от страшной змеи).

Системная нейробиология изучает, как огромные системы работают с миллиардами нейронов. Одна из задач — построить мозговой коннектом, модель связей всех 100 миллиардов нейронов мозга. Но это слишком сложно, и пока люди довольны, по крайней мере, коннектомом более мелких структур (макросхемы) или даже меньшими отдельными нейронными сетями с 100–10000 нейронами (микросхемы).

Например, в большом европейском проекте человеческого мозга исследователи создали модель локальной сети, состоящей примерно из 31000 нейронов.Размер нейронов составляет около 30 микрометров, что в два раза тоньше человеческого волоса. Типичный нейрон составляет 10 000 соединений, которые называются синапсами размером в несколько микрометров. Вот почему так сложно отследить все связи в таком масштабе. Но существует множество методов, начиная с тех, которые работают на шкале сантиметров (ЭЭГ) или миллиметров (ФМРТ), до тех, которые могут измерять активность отдельного нейрона (патч-зажим) или группы нейронов (многоэлектродная матрица).

Системная нейробиология следует принципу «мозг -> разум», изучая мозг, мы лучше понимаем его.Когнитивная нейробиология — использует противоположный подход, изучая сознание, мы могли бы лучше понять мозг. Они соединяются через нейрокорреляты — нейронные сети, которые мы можем связать со сложными явлениями, такими как память, внимание или даже сознание. Когнитивная нейробиология изучает память с точки зрения психологии и определяет эпизодическую, семантическую, процедурную память, но системная нейробиология подходит более материалистично и ищет конкретные нейронные сети, в которых находятся воспоминания.Кстати, простые эмоциональные воспоминания хранятся в миндалевидном теле, и их можно идентифицировать, стирать, переписывать и приостанавливать на нейронном уровне. К сожалению, работает только с мышами.

В тот период я ​​обнаружил множество когнитивных моделей, которые пытаются создавать программы, подобные мозгу. Например, вот блок, который соответствует базальным ганглиям, имеет определенные входы и выходы и выполняет принятие решений. Другой блок, такой как лобная кора, вмешивается в процесс принятия решений, добавляя контекст эпизодической памяти.Чем больше люди знают о мозге, тем точнее и полнее становятся такие модели.

Есть даже сообщество AGI (искусственный общий интеллект) с ежегодными конференциями, где представлены такие модели. Это может быть хорошим способом систематизировать данные, но я очень скептически отношусь к тому, что однажды какая-то когнитивная модель начнет думать сама по себе. Среда сообщества AGI своеобразна. С одной стороны, мне нравится, что они остаются верными первоначальной цели по созданию настоящего (общего) искусственного интеллекта наравне с человеческим, и они открыто заявляют об этом.Они мыслят очень широко, берут информацию из нейробиологии, психологии и математических алгоритмов. С другой стороны, я не видел фундаментальной основы, как в физике. Есть много решений ручной работы, таких как робот София, которую журналисты изображают как умного робота, но на самом деле это не так.

С AGI мы можем связать символический подход в искусственном интеллекте или старый добрый AI (GOFAI). Он пытается сделать ИИ программой, которая манипулирует символами, либо с помощью логической операции, либо по правилам причины и следствия.Этот подход был популярен в начале развития искусственного интеллекта в 50–80-х годах, но сейчас едва ли он существует. Не так давно это было вытеснено коннекционистским подходом в форме нейронных сетей.

В середине 2014 года я ходил в летнюю школу при Киевском политехническом университете. Именно здесь я пристрастился к вычислительной нейробиологии, которая описывает нейронную систему строгим математическим способом. Только от этого интересно 🙂 Есть две основные темы — нейродинамика и синаптическая пластичность.Нейрон генерирует электрические импульсы с амплитудой 0,1 вольт и длительностью несколько миллисекунд. Динамика описывает, как изменяется электрический потенциал нейрона и когда нейрон должен генерировать импульсы. Математически это хорошо определяется моделью Ходжкина-Хаксли (система четырех дифференциальных уравнений первого порядка), которая даже была удостоена Нобелевской премии.

Его можно расширить и усложнить за счет добавления ионных каналов и придания формы нейрона (это называется морфологией, то есть как аксоны и дендриты расположены в пространстве).

Динамика становится очень точной с более полной моделью, которая позволяет даже предсказывать отдельные электрические импульсы (огромный удар по свободе воли :)). Можно упростить уравнения, оставив после себя биологический беспорядок, и просто воссоздать электрические импульсы. Обычно такие модели используются в нейронных сетях — вычислительных моделях, в которых множество нейронов соединены вместе и демонстрируют сложную ритмическую или хаотическую активность.

Вторая ключевая тема вычислительной нейробиологии — синаптическая пластичность, которая описывает, как нейроны изменяют свои связи.Динамика нейрона более или менее изучена и понятна, но смена связей покрыта тайной. Вся магия мозга проистекает из пластичности синапсов между нейронами. Сила связи может варьироваться из-за разного количества ионных каналов (которые нейрон использует для перекачки положительных / отрицательных зарядов) или из-за присутствия нейромодуляторов, таких как дофамин (который делает накачку нейронов еще сильнее), или из-за внутренних процессов, которые пытаются поддерживать стабильное состояние, то есть поддерживать гомеостаз.Более того, связи могут исчезать, отключая нейроны, или молчать, ожидая повторной активации в нужный момент, или создаваться в совершенно новых местах. Он меняет всю структуру сети; граф, описывающий связи, является динамическим. Считается, что нейроны через свои связи отражают все тонкости окружающей среды (воспринимаемой сенсорами).

Это одно из основных различий между обучением в биологических и искусственных нейронных сетях. В первом случае структура постоянно меняется (архитектура динамична), во втором обучение происходит преимущественно за счет изменения силы связей.

Существует множество математических моделей обучения в биологических нейронных сетях. Первым и наиболее известным является правило Хебба: сила связи между нейроном A и нейроном B увеличивается, если нейрон A принимает участие в активации нейрона B. Упрощенно: запущены вместе — связаны вместе. Подумайте о двух разных объектах, две кодирующие группы нейронов активируются и соединяются вместе, когда образуется ассоциация.

Конец 2015 года и весь 2016 год я провел, исследуя синаптическую пластичность, потому что изменение связей является ключом к пониманию мозга.Я раскопался в очень сложных молекулярных механизмах регуляции синапсов, огромных каскадах, где одна молекула активирует другую, а та другая, так что другая делает что-то полезное. Когда я увидел, что все регулируется генетикой, экспрессией генов, которая с помощью эпигенетики может быть уникальной в каждом нейроне, я подумал: «Ни в коем случае, это слишком много, должны быть более простые и общие принципы».

К началу 2017 года у меня был большой опыт работы с нейронными сетями с пиками, и я довольно хорошо их понимал.Мне посчастливилось провести следующие 6 месяцев во французской лаборатории робототехники. Это был хороший шанс проверить, возможно ли применить фундаментальные исследования обучения в биологических нейронных сетях на практике. Могу я сделать что-нибудь полезное, например, управление роботом? Есть классический подход к робототехнике, основанный на теории управления, который используется, например, в бостонской динамике в своих роботах-собаках. Мне понравился подход устройств на основе мозга, где нейронные сети, похожие на биологические, отправляют команды роботу.Кроме того, существует еще более продвинутый подход с нейроморфными архитектурами, где специально разработанная электроника эффективно реализует алгоритмы активации и обучения нейронов, такие как чип TrueNorth.

Обычно перед тем, как внедрить алгоритм в робота, нужно заставить его работать в виртуальной среде. То же самое было со мной, я поместил робота в смоделированную комнату, разбросал объекты, и изображение с камеры было отправлено в нейронную сеть. Благодаря стажировке в лаборатории я мог проводить эксперименты в реальной жизни.В этом видео я просто играл с роботом, который говорит «Слава Украине» :)).

В результате я понял, что вычислительная нейробиология и особенно нейронные сети с пиками не подходят для практических задач. Еще. Они слишком требовательны к вычислениям и требуют мощных компьютеров. Но даже в этом случае главная проблема заключается в том, что очень трудно понять, как заставить их работать. Модель нейрона может иметь десятки параметров и описываться десятками дифференциальных уравнений.Попробуй разгадать этот беспорядок…

И все же в роботах есть что-то волшебное. Поначалу они выглядят глупо, даже если запустить стандартную программу, которая заставляет робота говорить и отвечать на простые вопросы. Однако, когда вы загружаете простую карту заметности (программа, которая определяет интересные места, где искать, например, яркие цвета, движения, сложные формы или текстуры), робот начинает двигать головой, как будто он целенаправленно исследует окружающий мир. . Внезапно начинаешь думать, что внутри робота что-то есть, что он не пустой.Вы наделяете его жизнью и так по-разному относитесь к нему эмоционально. В будущем, когда программное обеспечение станет лучше, в нашу жизнь войдут роботы. И мы будем связываться с ними, как с нашими домашними животными, или даже сильнее.

После неудачи с пиковыми нейронными сетями я начал искать другие подходы, более простые. Затем я вошел в новое поле — поле памяти ассоциаций. Он исследует, сколько «воспоминаний» вы можете хранить в связях между нейронами. Типичным примером является сеть Хопфилда, вы показываете ей набор изображений, сеть запоминает их (как аттракторы), а когда вы показываете часть изображения или зашумленное изображение, сеть вызывает правильное сохраненное изображение.

Классическим результатом в этой области является то, что объем памяти максимален, когда количество активных нейронов невелико. Интересно, что то же самое верно и для биологических нейронов: в областях неокортекса, связанных с памятью, количество одновременно активных клеток очень мало, около 2-5%. Это очень крутой пример, когда люди нашли абстрактный закон математики, который реализуется в реальных нейронных сетях. На основании этого возникла совершенно новая ветвь обработки сигналов — разреженное кодирование.Он исходит из неврологии, признающей, что разреженное представление повсеместно в биологии и является хорошим кандидатом для хранения и обработки информации.

В конце 2017 года мой друг оставил работу инженера-программиста, чтобы заняться наукой, и мы вместе начали копаться в иерархической временной памяти (HTM). Это модель от компании Numenta, основанной Джеффом Хокинсом, упомянутой в начале. Компания пытается провести обратную инженерию мозга, чтобы реализовать нейробиологию в алгоритмах.Мы внимательно и внимательно изучили их алгоритмы и пришли к выводу, что идеи прекрасны, но реализация могла быть лучше. Одна из лучших идей заключается в том, что нам нужно кодировать информацию в различных системах координат: относительно других объектов, называемых аллоцентрическими, и относительно нашего собственного тела или его частей, эгоцентрическими. Дело в том, что люди постоянно и неосознанно двигают глазами (делают саккады), рассматривая какие-то предметы. Это помогает мозгу улавливать ценные пространственные отношения о том, что и где все находится.

Еще одна важная идея HTM — признание важности последовательностей. Они повсюду, и даже наше восприятие носит последовательный характер. Таким образом, модель должна каким-то образом сохранять последовательности, прогнозировать и генерировать их (как люди, постоянно генерирующие двигательные команды).

Мы попытались реализовать эти идеи, написали программу, которая последовательно находит интересные места на изображении и связывает локальные объекты с их взаимосвязями. Получилось более-менее, но не совсем так, как мы хотели (кстати, капсульная сеть от Hinton пытается реализовать ту же идею, также безуспешно).После неудачи я понял, что мы движемся вслепую, без какой-либо фундаментальной теории, как в физике.

То же верно и для глубокого обучения (DL). История, лежащая в основе DL, является хорошим примером того, как наука взаимодействует с отраслью, популяризирует себя и получает грантовую поддержку. Многослойные нейронные сети существуют давно, их также иногда называют многослойным персептроном. Тем не менее, они не показали хороших результатов: для классификации SVM была номером один, в языковой обработке — скрытые марковские модели, в компьютерном зрении — сложные модели, смесь разных алгоритмов.Но с появлением относительно дешевых и достаточно мощных вычислительных ресурсов (видеокарт, GPU) стало возможным обучать большие нейронные сети на огромных наборах данных за короткое время (хотя иногда на это уходили недели). Конечно, было много умных инженерных решений, но никто не ожидал, что нейронные сети внезапно побьют предыдущие рекорды по многим задачам машинного обучения (бенчмаркам). Благодаря этому успеху (2012 год и даже немного раньше) исследователи начали переименовывать многослойные нейронные сети в Deep Learning.СМИ поймали это и распространили как нечто новое, как большое достижение в области ИИ, часто слишком преувеличивающее. Похожая история произошла с Data Science, как новым более привлекательным названием для прикладной статистики, или Data Mining как методов обучения без учителя. Тем не менее, это работает, количество грантов в этой области резко возросло. Он выдвинул новых исследователей, образовательные программы и, конечно же, инженеров в технологических компаниях.

Другие исследователи искусственного интеллекта, которые проводят важные и перспективные исследования, но не в тренде, сидели в углу и тихонько плакали :).Некоторые исследователи начали отрицать глубокое обучение, говоря, что это не наука; за ним нет никакой теории. Другой просто медленно перешел к глубокому обучению в своих исследованиях. Еще один включил свои предыдущие результаты в новую структуру. Что касается меня, я с любопытством наблюдаю за прогрессом глубокого обучения и стараюсь не отставать, но для меня искусственный интеллект не ограничивается только глубоким обучением, нам нужно смотреть шире.

Я думаю, что в будущем, когда теория искусственного интеллекта будет завершена, она начнется с теории информации.Благодаря отличному курсу Д. Маккея в 2018 году я понял суть энтропии, что такое взаимная информация и сжатие данных. Некоторые даже говорят, что проблема сжатия данных и искусственный интеллект очень тесно связаны. Однако даже теория информации не помогла мне решить другую задачу. На этот раз нас было трое; присоединился один умный аспирант. Мы поставили простую задачу — сделать программу, которая бы выигрывала в игре в понг (ударяла по движущемуся мячу). Он уже решен классическим подходом обучения с подкреплением, но мы хотели бы его улучшить.Алгоритм должен адаптироваться к изменениям в окружающей среде (например, к изменению размера мяча, правил или геометрии среды), учиться намного быстрее и быть более похожим на то, как учатся животные. Мы не глупы, но мы не смогли этого сделать. Либо задача намного сложнее, чем мы думали, либо мы решали не тот вопрос. Тем не менее, я продолжал углубляться в теорию.

На карте я целенаправленно опускаю теорию, потому что она имеет фундаментальное значение для всего остального.Он включает математику, в частности линейную алгебру и комбинаторику. Теория вероятностей и статистика породили теорию статистического обучения, которая когда-нибудь может стать фундаментальной теорией машинного обучения. Тем не менее, я не мог полностью понять это, либо это очень глубокий смысл, либо просто особый случай, который вряд ли вызовет какие-либо колебания в отношении будущей теории. Теория оптимизации пронизывает каждую область, ей посвящено множество толстых книг, и она формирует основу для многих алгоритмов в области машинного обучения, нейробиологии и сжатия данных.Теория вычислений также очень ценна и занимается преобразованием данных. Машина Тьюринга абстрактна, но все же необходима для понимания. Клеточные автоматы, более известные из «Игры жизни» Конвея, недооценены сообществом ИИ. Это показывает, что простые правила взаимодействия создают очень сложные паттерны. Весьма правдоподобно, что в конечном итоге нейроны работают по относительно простым правилам, а вместе миллионы из них самоорганизуются и вызывают осмысленное поведение животного.

Клеточные автоматы связаны с еще одним понятием — вычислительной несводимостью. В природе есть вещи, которые можно легко предсказать, зная законы. Например, поместите начальную скорость и угол шара в формулу, и вы узнаете его будущую траекторию, когда и где он упадет, прежде чем он упадет. Но есть такие явления, которые нельзя описать простой формулой (нет решения в замкнутой форме), и вам необходимо моделировать динамику на компьютере. Например, задача трех тел в физике (например, движение Солнца, Земли и Луны) описывается дифференциальными уравнениями, но нет простого выражения решения, которое могло бы предсказать (вычислить) будущее.

Вычислительная несводимость говорит именно об этом — некоторые вещи по своей природе нелегко предсказать и требуют дополнительных вычислений. То же самое и с нейронными сетями — никакая формула не предсказывает поведение нейрона через час. Для этого вам нужно смоделировать все 3600 секунд. Это пересекается с философией, точнее со свободой воли. Если никакая программа не могла предсказать ваши действия, то никто заранее не знает, что вы будете делать. Итак, есть ли у вас свобода выбора или вы все еще связаны законами активации и обучения 100 миллиардов нейронов?

Я рисую карту в форме мозга и помещаю философию на место мозжечка.Люди могут оставаться в сознании и жить без мозжечка, хотя моторная команда и когнитивные способности сильно нарушены. То же самое и с философией, без нее можно жить, но все равно она имеет значение. Возможно, большинство ученых в области искусственного интеллекта, сознательно или нет, относятся к функционализму. Идея состоит в том, что две материальные системы эквивалентны, если они дают одинаковые выходы для одних и тех же входов, даже если внутри они совершенно разные. Если бы мы могли создать искусственную нейронную сеть (на основе силикона), эквивалентную биологической, то мы смогли бы построить первую независимую от субстрата форму жизни.Это перекликается с центральной проблемой философии — проблемой сознания. Будет ли когда-нибудь сознательная эквивалентная материальная система? Что значит быть сознательным? Как мы узнаем, глядя на активацию искусственных (и даже биологических) нейронов, если есть сознание? Может, это неправильный вопрос, и он должен звучать по-другому?

Представленная карта не охватывает все ключевые слова в поле AI. Это просто снимок моей нынешней ментальной модели (по состоянию на конец 2020 года).Это первая версия, и я все еще изучаю. Тем не менее, надеюсь, что даже эта версия многим будет интересна. Кроме того, я не охватил все слова на карте. Позже я напишу более подробно о самом важном. Если у вас есть предложения или критика, я буду очень признателен за ваши комментарии.

Первая карта отрасли геолокации

Сегодня мы рады сообщить, что после нескольких недель утомительной работы мы создали серию карт экосистемы геолокации.Карты соединяют самые известные стартапы и компании экосистемы геолокации по всему миру.

Первая виртуальная карта из серии организована игроками отрасли по регионам: Европа, Северная и Южная Америка, Азиатско-Тихоокеанский регион, Ближний Восток и Африка.

Согласно многочисленным источникам, согласно прогнозам, отрасль геолокации вырастет с 10,6 млрд долларов США в 2019 году до 32,8 млрд долларов США к 2027 году.

Анализ местоположения — это обширная экосистема компаний, которые используют данные о местоположении с помощью инновационных технологий.Методы и приложения сбора данных о местоположении различаются в зависимости от отрасли. Тем не менее, все они стремятся предоставить данные о местоположении для принятия более разумных решений. Такие услуги включают в себя прогнозную аналитику, отслеживание моделей и тенденций, связанных с перемещениями людей, поддержку по управлению рисками и оптимизацию услуг и операций компаний.

Инструменты анализа местоположения могут применяться в различных областях, включая управление чрезвычайными ситуациями, управление персоналом, управление активами, управление объектами, управление рисками, удаленный мониторинг, оптимизацию продаж и маркетинга, управление взаимоотношениями с клиентами (CRM) и платформы социальных сетей с Географическая информационная система (ГИС).

За последние несколько лет решения для анализа местоположения набирали популярность и внедряются в различных секторах, таких как розничная торговля, недвижимость, правительство и оборона, ИТ и телекоммуникации, коммунальные услуги и энергетика, СМИ, транспорт, логистика, финансы, страхование, здравоохранение.