Эта статья является частью 1/2 серии статей The Trash We Make Omdena, в которой обобщается работа, проделанная в рамках Omdena Challenge в партнерстве с Trash Out.
Задача Omdena TrashOut определила три задачи, которые направлены на картографирование незаконных свалок и помощь гражданам в переработке большего количества отходов. Первый - создание моделей искусственного интеллекта, которые выявляют закономерности, вызывающие появление незаконных свалок, предсказывают потенциальные свалки и избегают таких свалок. Вторая часть задачи заключалась в разработке классификатора, чтобы предсказать, к какой категории утилизации относится мусор. Третий отвечает на вопрос, как побудить пользователей приложения TrashOut предоставлять точную и актуальную информацию о новых, действующих или очищенных незаконных свалках.
Искусственный интеллект (ИИ) становится все лучше и лучше, делая нашу жизнь более эффективной и удобной во многих отношениях. Эндрю Нг даже назвал его «новым электричеством» нашего поколения. Благодаря ИИ появились новые бизнес-модели, благодаря которым наши экономики расширились, а богатство выросло. С одной стороны, мы заново изобретаем здравоохранение, улучшая диагностику и увеличивая производство продуктов питания за счет автоматизации, мониторинга вредителей и сельскохозяйственных культур. С другой стороны, человечество влияет на климат и, как следствие, испытывает больше стихийных бедствий, становится свидетелем распространения болезней, которых раньше не было, и сталкивается с беспрецедентной нехваткой биоразнообразия. Наше население по-прежнему борется с нехваткой еды, надлежащего жилья и чистой и достаточной воды для своих повседневных нужд. Мы можем и должны делать больше с помощью таких технологий, как ИИ, в областях, которые действительно имеют значение для устойчивого развития общества.
Омдена взял на себя эту задачу - дать волю ИИ в областях, которые необходимы для улучшения человечества. Сообщество состоит из 1350 сотрудников из 84 стран и, посредством сотрудничества снизу вверх, завершило 25 эффективных проектов с организациями, предотвращая злоупотребления и нападения на уязвимых людей, помогая создавать инструменты для управления стихийными бедствиями, прогнозирования изменения климата, прогнозирования банды и насилие с применением огнестрельного оружия и сохранение чистоты в мире. Команды ИИ - это добровольцы, работающие неполный рабочий день, которые увлечены использованием ИИ для социального воздействия и на благо человечества. Это представители всех слоев общества, студенты, опытные профессионалы и те, кто хочет использовать технологии для социально-экономического воздействия.
Давайте сделаем шаг назад и быстро посмотрим, сколько отходов мы производим и каково текущее состояние их производства.
По данным Всемирного банка, большая часть мировых отходов отправляется на свалки, сбрасывается в океаны или сжигается, даже несмотря на то, что подавляющее большинство повседневных расходных материалов подлежат переработке. Это в первую очередь связано с высоким уровнем загрязнителей, обнаруженных в перерабатываемых материалах, что делает ранее чистый материал практически непригодным для вторичной переработки и финансово нерентабельным.
Ожидается, что к 2030 году в мире будет производиться 2,59 миллиарда тонн отходов в год (к 2050 году ожидается, что образование отходов во всем мире достигнет 3,40 миллиарда тонн, Какие отходы!. Крупнейшим производителем отходов является Северная Америка и страны с высокий ВВП. И что мы с этим делаем? Во всем мире почти 40% отходов утилизируется на свалках. Около 19% перерабатывается и компостируется. Важно отметить, что в мире 33% отходов по-прежнему выбрасываются открыто. Спасибо Благодаря усилиям TrashOut и Omdena, предпринимаются усилия по сокращению этого количества и помощи гражданам в переработке большего количества отходов за счет использования технологий, управляемых данными. TrashOut заботится как о законных, так и незаконных свалках. Биоразложение (смесь биологических и других отходов) производит метан, который является парниковым газом, который серьезно влияет на изменение климата.По оценкам, к 2025 году на свалки будут приходиться 8–10% глобальных выбросов парниковых газов.
Все мы производим отходы; его управление должно быть нашим бизнесом!
TrashOut - это экологический проект, цель которого - нанести на карту все незаконные свалки по всему миру и помочь гражданам перерабатывать больше. TrashOut позволяет пользователям находить нелегальные свалки и отслеживать их с помощью приложения. Помогает пользователям найти ближайшие центры переработки или мусорные баки, побуждает их присоединиться к местным экологическим организациям, принимает участие в действиях по очистке и дает пользователям возможность читать экологические новости и отчеты. Кстати, TrashOut - официальное приложение Всемирного дня уборки!
Сотрудники Omdena взяли на себя задачу построить модели на нелегальных свалках, чтобы увидеть, есть ли какие-то закономерности, которые могут помочь нам понять, что вызывает нелегальные свалки. Некоторые из вопросов, затронутых в этом проекте, были: Как мы можем предсказать потенциальные свалки и как мы можем избежать их образования? Можно также подтолкнуть потребителей к правильной утилизации. Почему? Способность предмета к переработке повреждается, если он заражается другими предметами, поэтому предметы отправляются на свалки, а не в центры переработки. Во второй задаче этого проекта команда Omdena реализовала новую функцию в приложении TrashOut с целью определения того, является ли продукт для покупок экологически чистым и экологически чистым и к какому мусорному контейнеру он принадлежит. Наконец, третья часть проекта взяла на себя задачу обновления базы данных свалок, созданных с помощью приложения TrashOut, чтобы помочь местным органам власти и заинтересованным сторонам НПО сделать уборку более эффективной. Ниже мы кратко обсудим каждую из этих задач.
Классификатор ML для прогнозирования незаконных свалок и получения ценной информации и извлечения закономерностей из данных, чтобы понять причину появления свалок и способы их предотвращения.
Команда сначала работала над пониманием различных закономерностей, возникающих из набора данных, который мы получили от TrashOut. Основываясь на различных переменных, мы проанализировали частоту свалок, возникающих в разных частях мира (анализ на городском и глобальном уровне), а также с различными видами и размерами (автомобиль, сумка и тачка) отходов и размеров. Чтобы предсказать незаконную свалку, нам нужно было понять, что их вызывает. Итак, мы придумали несколько различных факторов, которые имели прямую логическую корреляцию с возникновением свалки. К ним относятся: население района, где размещается свалка, категории объектов вокруг свалки и расстояние до дорог от свалки. Поскольку эти функции были недоступны в имеющемся наборе данных, мы использовали несколько различных API-интерфейсов для получения этой информации для всех наших точек данных.
Чтобы научить нашу модель ИИ тому, что представляет собой свалка, нам также пришлось научить ее тому, что не является свалкой. Поэтому мы с нуля создали то, что мы назвали набором данных отрицательного класса для не-свалок. Естественно, не-свалки также будут иметь те же функции, что и свалки, на основе которых модель ИИ узнает разницу между двумя классами.
Чтобы узнать больше о том, как был создан этот набор элементов управления, о результатах модели ИИ и о том, как это было сделано, прочтите статью полностью.
Если через мобильное приложение будет идентифицировано большее количество мусора, пригодного для вторичной переработки, мы предотвратим попадание этого предмета на свалки, выброса в океаны или сжигания. Классификатор изображений, который определяет категории повторного использования элемента как дополнительную утилиту для приложения / веб-сайта TrashOut, побуждает пользователей не выгружать его как мусор. Приложение TrashOut используется во всем мире для сообщения о свалках. Поскольку правила утилизации различаются от страны к стране и даже от города к городу, классификатор ML может предсказать категории рециркуляции, которые используются во всем мире. Наша команда, расположенная по всему миру, была выгодна. Участники просматривали веб-сайты своих городов / городов, чтобы собрать руководящие принципы и правила утилизации. Из многих рекомендаций по переработке мы определили 20 наиболее часто встречающихся категорий переработки.
Для создания нового классификатора мы решили объединить и повторно использовать широкий спектр существующих общедоступных наборов данных. Наборы данных, такие как Open Images, TACO, в репозиториях Kaggle и Github. Было достаточно изображений в наиболее распространенных категориях стекла, бумаги, консервных банок, картона, но не хватало изображений в необычных категориях, таких как текстиль или объемный жесткий пластик, гибкий пластик.
Дополнив общедоступные наборы данных удалением изображений из Интернета, мы создали новую базу данных. Данные были помечены категорией и вручную аннотированы с использованием платформы маркировки данных Labelbox. Аннотированный набор данных был предварительно обработан и преобразован в различные форматы для ввода в модели машинного обучения. Для оценки были завершены четыре модели: YOLO v5, Mask R-CNN с ResNet50 и Mask R-CNN с ResNet50 и Detectron 2 и модель Inception v3. Мы обнаружили, что наиболее производительной моделью является Inception v3 (точность проверки до 94,6%), за которой следует Mask R-CNN с ResNet50 и Detectron 2. Дополнительные технические подробности и обсуждения этого классификатора можно найти здесь.
Классификатор категорий повторного использования с использованием Inception v3 был развернут на веб-панели управления с помощью Streamlit. Который был в дальнейшем размещен в сети с помощью Heroku. Городские правила утилизации были представлены пользователю через приложение. Приложение позволяет пользователю обновлять или добавлять категории и рекомендации по переработке на основе местоположения. Опция добавления: после определения категории утилизации с помощью таблицы поиска и географического положения пользователя предложите пользователю, как и где утилизировать элемент.
Приложение TrashOut привлекает пользователей к сообщениям о незаконных свалках. Местные организации и НПО полагаются на эту информацию при очистке свалки. Постоянное обновление базы данных свалок делает очистку более эффективной. Довольно сложно полагаться на сообщество TrashOut в обновлении базы данных дампов. Как мы можем привлечь пользователей к обновлению незаконных свалок?
Собрав историческую информацию из TrashOut, запросив идеи у добровольцев Omdena и сравнив стоимость или сложность с человеческими или автоматизированными сценариями, команда пришла к рекомендациям.
Опрос участников Omdena отдавал приоритет элементам как №1: уведомление о близости к свалке, №2 по Gamify-Score и №3 по обнаружению улиц.
Уведомление о близости к свалке соответствует сайтам, которые нуждаются в обновлении, или близким к предполагаемой свалке с ближайшими пользователями. Баллы начисляются за любые обновления. Его реализация отличается невысокой сложностью и низкой автоматизацией. Требование GPS, высокий расход заряда батареи, раздражение пользователя уведомлениями - вот некоторые недостатки этого подхода.
Геймификация делает обновление свалок интересным и конкурентоспособным, а также эффективным способом поощрения участия пользователей. Его реализация отличается невысокой сложностью и низкой автоматизацией. Чтобы геймификация была эффективной, необходима активная база пользователей, и пользователи не фальсифицируют данные для сбора дополнительных баллов.
Автоматическое обнаружение просмотра улиц обновляет элементы базы данных индивидуально, используя изображения Google Street View. Это высокая сложность, высокая степень автоматизации и может привести к более высокой стоимости. В базу данных добавляются новые входные данные из Streetview API, с помощью которых классификатор ML обнаруживает мусор и его категории. Преимущество - потенциально 100% обновляемая база данных. Осторожно, время может не соответствовать наличию или отсутствию мусора.
Были предложены шаги по интеграции идей Street View Detection (SVD) в бизнес-процессы TrashOut. SVD обращается к бизнес-метрике TrashOut: процент отчетов о дампах, обработанных до конечного состояния («очищено»). Внедрение SVD увеличит количество часов человеческих ресурсов TrashOut. Это никак не отразится на опыте пользователей приложения и на общении с муниципалитетами и НПО. Потребуется дополнительная стоимость запроса элемента базы данных с помощью SVD.
Затем мы хотели интегрировать и развернуть все веб-приложения, чтобы разработки Omdena-TrashOut были доступны любому, у кого есть URL-адрес. Предиктор классификатора свалок и классификатор категорий повторного использования были развернуты на веб-панели через Streamlit. В дальнейшем Streamlit был развернут в сети с использованием Heroku, сервисной платформы для приложений. Городские правила утилизации были представлены пользователю через приложение. Приложение позволяет пользователю обновлять или добавлять категории и рекомендации по переработке на основе местоположения. в общем месте или на веб-портале через Streamlit и Heroku.
Пользовательский интерфейс имеет 4 вкладки для классификаторов, анализа и рекомендаций, разработанных в ходе проекта.
На вкладке «Прогнозирование рисков» пользователь должен ввести местоположение или указать широту и долготу местоположения. Используя которую модель прогнозирует вероятность того, что свалка находится в этом месте.
Для классификации категории корзины пользователь загружает изображение в приложение. Категория утилизации определяется моделью. В Streamlit есть возможность через слот обновлять местные правила утилизации или правила, если пользователь решит это сделать. Прототип можно усовершенствовать, чтобы привязать прогноз категории рециркуляции к местным правилам рециркуляции или правилам утилизации. Используя координаты GPS и местоположение, приложение поможет пользователю правильно утилизировать предмет.
В разделе «Анализ» у нас есть ссылки на различные отчеты об анализе, например о том, какие социально-экономические факторы играют роль в управлении и удалении отходов. Понимание моделей существующих свалок для предотвращения потенциальных свалок в будущем. Они зависят от города. Анализ можно расширить, включив в этот портал больше моделей, социально-экономических условий или городов.
Существует руководство по устранению неполадок на случай, если веб-сайт не загружается или работает некорректно.
Омдена использует волонтерство на основе навыков, позволяющее исследователям и профессионалам предлагать свои знания и волонтерство в интересах, которыми они увлечены. Коллаборационисты впервые за несколько месяцев стремительного роста работают вместе для достижения общей цели. Примерно через неделю после начала проекта члены команды сформировали кластеры интересов и опыта и приступили к решению проблемы. Команда стремится внести свой лучший вклад в решение задачи, преодолевая трудности, связанные с работой в глобальной команде, расположенной в разных часовых поясах, и взаимодействуя с различными уровнями навыков. Во время проекта каждый соавтор демонстрировал ответственность перед своими коллегами и организацией, спонсирующей проект. Мотивация к проекту органично двигала команду к конечной цели.
Помимо бесценного опыта работы и личной жизни и обучения, команда покинула этот волонтерский корабль со связями с невероятно талантливыми, вдохновляющими и самоотверженными профессионалами, готовыми поделиться своими знаниями. Спасибо, Омдена, за создание этой невероятной системы сотрудничества и искусственного интеллекта на благо общества.
Большой привет членам команды Omdena-TrashOut
Адебайо Аонуллахи, Акшая Рави, Анель Нуркаева, Анна Танг, Энн Ноулз, Арнольд Игивийиси, Аруна Шри Ти, Айоволе Огункола, Бисма Акрам, Брайан Кариуки, Кристиан Мозли, Диего Флорес-Эстрада, Диви Мохан Рай, Франсиско Эсиско Кришнан Рави, Эрве Бауманн, Якуб Моравски, Хорди Планас, Джулия Кребс, Картик П., Комалла С. Редди, Лукас Васконселос Роча, Марьям Ахмади, Мохаммед Аман, Нишрин Качвала Озгур Доган Педро, Траванка Рамакш Акуман Рихабмару, Премкумарджи , Розана де Оливейра Гомеш, Самьяк Мехта, Сара Эль-Атиф, Шадрак Кипротич, Шрейус Путхияпураил, Шубхам Биндал, Симоне Ваккари, Теджас Тхакур, Таринду Харит Витана, Ясамин Аббасзадеган
