De wereld van kunstmatige intelligentie (AI) lijkt soms complex en ontoegankelijk, maar het Tygron Platform bewijst dat dit niet het geval hoeft te zijn. Met een focus op open source en toegankelijkheid stelt Tygron gebruikers in staat om zelf AI-modellen te ontwikkelen, te trainen en toe te passen. In deze blog laten we zien hoe eenvoudig het is om met AI aan de slag te gaan en hoe Tygron daarbij ondersteunt.
Waarom open source belangrijk is
Tygron gelooft sterk in het delen van kennis en technologie. Daarom worden de neurale netwerken en trainingsdata die zij ontwikkelen open source gepubliceerd. Dit betekent dat iedereen toegang heeft tot de tools en data om zelf AI-modellen te maken. Door gebruik te maken van open standaarden zoals ONNX (Open Neural Network Exchange), kunnen gebruikers hun eigen getrainde modellen eenvoudig integreren in het Tygron Platform. Dit bevordert innovatie en samenwerking, zowel binnen als buiten de AI-gemeenschap.
Hoe toegankelijk is AI op het Tygron Platform?
Het bouwen en toepassen van je eigen AI-model bestaat uit 3 stappen:
- Het maken van je trainingsdata;
- Het trainen van je model;
- Het toepassen van je model;
1. Voor het trainen van je model heb je een gis-programma nodig, zoals bijvoorbeeld Qgis. Als je doel is om objecten te herkennen op satellietfoto’s kan je een hoogwaardige satellietkaart exporteren via het Tygron Platform. Daarna kan je de objecten op de satellietkaart in je gisprogramma gaan omtrekken. Als je voldoende trainingsdata hebt gemaakt, laad je dit in Tygron. Vervolgens kan je deze trainingsdata exporteren uit het platform op een manier dat deze direct in te laden is als trainingsdata.
2. Voor het trainen van je model heb je naast je trainingsdata ook software nodig. Het makkelijkste is om hiervoor de softwareomgeving Anaconda te gebruiken. In Anaconda kan je werken met Python-sctips en Jypyter-lab.
Via GitHub kan je ons stappenplan downloaden. In feiten is dit een repository met scripts en datasets die u nodig zijn om een neuraal netwerk te trainen (GitHub – Tygron/tygron-ai-suite). Op basis van het stappenplan (How to train your own AI model for an Inference Overlay – Tygron Preview Support Wiki), kan je je eigen AI-model trainen. Het type AI-model dat je traint is een RCNN-model.
Daarna kan je je model exporteren en opslaan als een ONNX-bestand.
3. De laatste stap is het uitvoeren van je AI-model. Daarvoor moet je het opgeslagen ONNX-bestand uploaden naar het Tygron Platform. Met de nieuwe AI Inference Overlay kunt u uw AI-model koppelen aan kaarten waarop je je model wil toepassen. Als dat een bijvoorbeeld de satelietkaart is, koppel je deze kaart aan de AI Inference Overlay. (Inference Overlay – Tygron Preview Support Wiki). De Inference Overlay voert nu je AI-model uit.
Met dit stappenplan kunnen zowel beginners als experts aan de slag. In het proces van het trainen van het model en het uitvoeren van het model kunnen de beginners de standaard instellingen gebruiken en de expert heeft op zijn beurt voldoende parameters om mee te spelen om het getrainde model beter te maken.
Praktische toepassingen van AI
De mogelijkheden van AI op het Tygron Platform zijn breed. Een praktijkvoorbeeld is het inzetten van een AI-model voor het waterschap Vallei en Veluwe om het waterbeheer te verbeteren op de Veluwe. We hebben een AI-model gegenereerd om gedetailleerde kaarten van vegetatie en bodemstructuren te genereren op basis van satellietbeelden. Dit liet niet alleen zien dat de traditionele kaarten niet nauwkeurig zijn, maar ook levert deze methode veel nauwkeurigere data op waarmee infiltratiecapaciteit en microreliëf beter inzichtelijk wordt gemaakt. Dit helpt bij het maken van simulaties en uiteindelijk bij het nemen van de meest gerichte maatregelen (zie ook Hoe gebruiken we AI om neerslag beter vast te houden waar het valt?).
Enkele andere voorbeelden zijn:
- Het verbeteren van bomendata, bijvoorbeeld door de boomdata uit openbare bronnen aan te vullen met gegevens over private terreinen.
- Het verbeteren van de geografische informatie over watergangen en kunstwerken in de leggers van waterschappen.
- Het identificeren van zebrapaden en looproutes om mobiliteit beter in kaart te brengen.
Deze toepassingen tonen aan dat AI niet alleen theoretisch is, maar ook direct bijdraagt aan praktische oplossingen.
Samenwerking met onderwijsinstellingen
Tygron werkt nauw samen met hogescholen en universiteiten om kennis over AI te verspreiden. Studenten krijgen gratis licenties om te experimenteren met het platform, waardoor ze leren hoe ze neurale netwerken kunnen maken, trainen en toepassen. Dit draagt bij aan de ontwikkeling van een nieuwe generatie experts die vertrouwd zijn met AI-technologie.
Conclusie
AI hoeft niet magisch of ingewikkeld te zijn. Het Tygron Platform biedt een toegankelijke manier om zelf met deze technologie aan de slag te gaan. Dankzij de open source aanpak en praktische tools kan iedereen experimenteren, leren en bijdragen aan innovatieve oplossingen. Dus waar wacht u nog op? Duik in de wereld van AI en ontdek hoe u uw data kunt verbeteren en analyses kunt versterken!
De hier beschreven functionaliteit is beschikbaar op onze Preview Server.
- Als je interesse hebt om zelf op de Preview Server aan de slag te gaan, vraag dan toegang aan door een bericht te sturen via de contactpagina op deze site of door een email te sturen naar support@tygron.com
- Bekijk ook de beschikbare documentatie zoals AI Suite, Demo Iteration Project en ons trainingsaanbod Tygron Academy
- Heb je vragen? We helpen je graag via support@tygron.com.
