زامبیا در جستجوی ریشه کنی مالاریا به داده های مکانی روی می آورد

بر اساس گزارش سازمان بهداشت جهانی، در سال 2021، حدود 247 میلیون مورد مالاریا در جهان وجود داشت که منجر به مرگ حدود 619000 نفر شد. نود و پنج درصد از این موارد و 96 درصد از مرگ و میر مربوط به مالاریا در آن سال در آفریقا رخ داده است.

دو نفر با ماسک روی یک لپ‌تاپ و یک نقشه خم شده‌اند و به مکان‌های مختلف روی نقشه اشاره می‌کنند
زامبیا در جستجوی ریشه کنی مالاریا به داده های مکانی روی می آورد
در سال 2020، تیم‌های مدیریت کنترل بردار در استان غربی، زامبیا، از نقشه‌ها در طول جلسات برنامه‌ریزی خرد برای برنامه‌ریزی توزیع اسپری باقی‌مانده در داخل ساختمان استفاده کردند.

زامبیا، کشوری محصور در خشکی در جنوب آفریقا با جمعیتی حدود 19.6 میلیون نفر، در میان 20 کشور جهان است که از بیشترین میزان ابتلا به عفونت های مالاریا و مرگ و میر رنج می برد. برای اجرای برنامه‌هایی برای ریشه‌کن کردن این بیماری از زامبیا، وزارت بهداشت این کشور مرکز ملی حذف مالاریا (NMEC) را در سال 2016 ایجاد کرد. در سال 2020، چهار شریک فنی برای ارائه ابزارهای نقشه‌برداری و پشتیبانی فنی برای کمک به دولت در توزیع اسپری باقی‌مانده در داخل ساختمان با یکدیگر متحد شدند. و تورهای حشره کش.

با استفاده از فن آوری ArcGIS، شرکای – که شامل شرکت راه حل های داده های مکانی، زیرساخت های مرجع جغرافیایی و داده های جمعیتی برای توسعه (GRID3) می شود. دو سازمان بهداشتی مبتنی بر داده، Akros و PATH (که قبلاً به عنوان برنامه فناوری مناسب در سلامت شناخته می شد). و ابتکار مالاریا رئیس جمهور ایالات متحده – از وزارت بهداشت زامبیا در استفاده از نقشه های دارای قابلیت جغرافیایی برای افزایش برنامه ریزی دولت برای ریشه کنی مالاریا و تخصیص منابع حمایت کردند.

 برای ایجاد این نقشه ها از داده های جمعیتی با وضوح بالا و سکونتگاه، امکانات بهداشتی و سایر داده های نقاط مورد علاقه با وضوح بالا استفاده شد. سپس دولت توانست از نقشه ها در طول جلسات برنامه ریزی خرد استفاده کند، که در آن تیم ها در مناطق محلی اطمینان حاصل می کنند که مناطق آنها منابع مناسب برای هر مداخله کنترل بردار را دارند.

توسعه شبکه ها و ایجاد اطلس

GRID3 – شریک فنی زمین فضایی در پروژه – با سازمان های دولتی در سراسر جنوب صحرای آفریقا برای تولید، اعتبار سنجی و استفاده از داده های جغرافیایی کار می کند. محصولات داده های جغرافیایی اصلی سازمان شامل مجموعه داده هایی در مورد جمعیت، سکونتگاه، زیرساخت و مرزها است.

نقشه منطقه ای در زامبیا که جاده ها، مکان های دیدنی و نقاط دیدنی را نشان می دهد
این نقشه از منطقه مانسا، در استان لواپولا زامبیا، با استفاده از الگوی نقشه پویا برای کمک به کمپین ریشه کنی مالاریا توسط دولت ایجاد شده است.

با همکاری نزدیک با سایر شرکای فنی در پروژه زامبیا، اعضای کارکنان GRID3 از ArcGIS Pro و ArcPy برای ایجاد یک اطلس ملی از نقشه‌های برنامه ریزی خرد استفاده کردند تا به دولت زامبیا در برنامه ریزی کمپین کنترل بردار کمک کنند. این تیم از تخمین‌های جمعیت شبکه‌ای با وضوح بالا، وسعت سکونتگاه، تعداد ساختار مسکونی، مرزهای ناحیه اداری و مکان‌های شاخص کلیدی مانند امکانات بهداشتی و مدارس استفاده کرد. 

علاوه بر این، تیم آکروس تخمین‌های خود را در مورد تعداد جمعیت و ساختار با استفاده از داده‌های تأیید شده میدانی که آکروس و وزارت بهداشت زامبیا در سال‌های گذشته از طریق پلتفرم Akros Reveal دریافت کرده‌اند، اصلاح کردند. این پلتفرم یک ابزار جمع‌آوری داده‌ها و برنامه‌ریزی ریز مکانی است که تیم‌های میدانی از آن برای اطمینان از اینکه همه افرادی که در یک کمپین بهداشتی هدف قرار می‌گیرند، خدمات دریافت می‌کنند، اعم از سمپاشی باقی‌مانده داخلی یا پشه‌بند استفاده می‌کنند.

برای ایجاد اطلس، کارکنان GRID3 از ابزار Grid Index Features در ArcGIS Pro استفاده کردند تا هر یک از 116 ناحیه زامبیا را به یک شبکه فهرست ایستا 289 سلولی تقسیم کنند. آنها از این شبکه شاخص برای تعیین میزان هر صفحه نقشه که در سری نقشه گنجانده می شود استفاده کردند. صفحات روی نسبت ابعاد 4:3 (منظره) یا 3:4 (عمودی) تنظیم شدند تا اطمینان حاصل شود که هر نقشه می تواند به سلول های شبکه ای با مساحت مساوی تقسیم شود.

سپس کارکنان مجدداً از ابزار Grid Index Features در خروجی گرید شاخص اصلی استفاده کردند تا هر نقشه را به یک سری شبکه های تودرتو تقسیم کنند. این اجازه می‌دهد تا خلاصه‌های جدولی مربوط به ویژگی‌های شبکه – که کل جمعیت تخمینی و تعداد تخمینی سازه‌های قابل زندگی را نشان می‌دهد – در نقشه‌ها گنجانده شود و کاربران را قادر می‌سازد تا آمار خلاصه هر زیربخش را در سند نقشه بررسی کنند. این تیم همچنین یک تپه‌سایه زمین را به‌عنوان یک نقشه پایه تعبیه‌شده برای ارائه بافت فضایی اضافی، مانند رودخانه‌ها، تالاب‌ها، و مناطق با ارتفاع زیاد، برای کمک به تلاش‌های برنامه‌ریزی در اختیار کاربران قرار داد.

اولنا بورکوفسکا، سرپرست اجرایی در GRID3 گفت: «نقشه‌ها در طول فرآیند برنامه‌ریزی خرد برای تجزیه و تحلیل توزیع جمعیت کشور در سطح دانه‌بندی استفاده شد. ماهیت شبکه ای مجموعه داده جمعیتی GRID3 انعطاف پذیری را در محاسبه جمعیت در مناطق مسکونی فراهم می کند. این یک تصویر دقیق از محل زندگی مردم زامبیا ارائه می دهد و می تواند به شما اطلاع دهد که کدام روش کنترل برداری را می توان با در نظر گرفتن جمعیت پراکنده، منابع و هزینه ها بهینه کرد.

نقشه ای از زامبیا که مرزهای منطقه را به رنگ سیاه و شبکه های تودرتو در داخل آنها را با رنگ های مختلف نشان می دهد.
زیرساخت های مرجع جغرافیایی و داده های جمعیتی برای توسعه (GRID3) یک سیستم شبکه ای را برای زامبیا با استفاده از مرزهای ناحیه ایجاد کرد تا قبل از ایجاد شبکه های تودرتو (نشان داده شده) که آمار خلاصه برای هر سلول را نشان می دهد، یک منطقه مطالعه نقشه تهیه کند.

نقشه های تفصیلی منجر به اقدام می شود

شرکا نسخه‌های دیجیتال و چاپی نقشه‌های حاصل را در اختیار کارکنان دولت در دفاتر بهداشت منطقه قرار دادند تا به هدایت فرآیند برنامه‌ریزی کنترل بردار کمک کنند. برنامه ریزان منطقه از داده های دانه ای روی نقشه ها، روند سازگار برای توسعه آنها و این واقعیت که نقشه ها به صورت الکترونیکی و چاپی در دسترس بودند، قدردانی کردند.

Beauty MS Pallu، افسر حذف مالاریا در منطقه Chongwe در زامبیا گفت: «نقشه‌های GRID3 در تهیه و برنامه‌ریزی ما مفید بودند زیرا تمام امکانات و ساختارهای منطقه را نشان می‌دهند. با استفاده از این اطلاعات، ما توانستیم محل قرار دادن انبارها و محل‌های شستشو را انتخاب کنیم که برای فعالیت‌های اسپری باقی‌مانده داخلی بهینه هستند و تعداد منابع مورد نیاز در هر مکان را تعیین کنیم. ما همچنین قادریم تخمین بزنیم که چه تعداد سازه در یک منطقه خاص سمپاشی کنیم.

در سال 2020، 112 منطقه از 116 منطقه زامبیا از این نقشه ها در طول جلسات برنامه ریزی خرد به رهبری NMEC برای بهبود تخمین منابع برای توزیع اسپری باقیمانده داخل ساختمان و پشه بندهای تیمار شده با حشره کش استفاده کردند. به گفته Akros، استفاده از نقشه ها همچنین به به حداقل رساندن همپوشانی منابع اسپری باقیمانده داخلی و پشه بندها در همان مناطق کمک کرد – یکی از اهداف اصلی استراتژی کنترل بردار 2020 NMEC.

این نقشه ها در سال 2021 به روز شد و برای حمایت از تلاش های ریشه کنی مالاریا در زامبیا در سال های 2021 و 2022 استفاده شد.

تصویری هوایی از یک منطقه روستایی با خطوط سفید در اطراف بخش‌های خاص
گستره‌های سکونتگاهی، که چند ضلعی‌هایی هستند که مناطقی را نشان می‌دهند که احتمالاً یک سکونت انسانی بر اساس وجود ساختمان‌ها وجود دارد، در تصاویر ماهواره‌ای شناسایی می‌شوند.

تجهیز دولت ها به داده های مکانی

داده‌های عملیاتی توسعه‌یافته برای این پروژه با همکاری کمیته‌های فنی و راهبری زیرساخت داده‌های مکانی ملی زامبیا (NSDI) و همچنین سایر سازمان‌های دولتی از جمله آژانس آمار زامبیا، وزارت بهداشت، وزارت آموزش و پرورش و وزارت اراضی و منابع طبیعی. در حال حاضر برای سایر برنامه های وزارت بهداشت، مانند برنامه ریزی ایمن سازی، استفاده می شود و می تواند در سایر مداخلات بهداشتی تحت رهبری دولت در سراسر کشور به کار گرفته شود.

و این تنها نمونه ای از تلاش های GRID3 برای حمایت از دولت های ملی در جمع آوری، تولید و نگهداری داده های مکانی برای مداخلات مرتبط با سلامت است.

در پنج سال گذشته، GRID3 شاهد انطباق موفقیت‌آمیز لایه‌های داده‌های مکانی اصلی و استفاده از فناوری GIS توسط دولت‌های جمهوری دموکراتیک کنگو، نیجریه، زامبیا، بورکینافاسو، موزامبیک، سیرالئون و کنیا بوده است. بورکوفسکا گفت. ذینفعان دولتی به درک کافی از فناوری GIS برای استفاده از آن در فرآیند تصمیم‌گیری در بخش سلامت مجهز می‌شوند.

تصویر روز

تصویر روز

تصویر روز

برج کلیسای غرق شده فهرست کوتاه، سفر. “در سال 1950 روستای ایتالیایی Curon برای ایجاد حوضه مصنوعی دریاچه Resia، برای تامین انرژی یک سد برق آبی، زیر آب رفت. امروز، تنها باقیمانده قابل مشاهده از روستا، برج کلیسای قرن چهاردهمی است که از آب بیرون زده است.” #

تحت تعقیب: تحلیلگران کسب و کار با مهارت های تجزیه و تحلیل موقعیت مکانی

در فوریه گذشته، برخی از باهوش ترین دانشجویان تحلیلگر فارغ التحصیل زنجیره تامین کشور در پردیس دانشگاه مسیحی تگزاس (TCU) در فورت ورث، تگزاس گرد هم آمدند تا یک آزمون دوستانه اما شدید از هوش تجاری و تجزیه و تحلیل موقعیت مکانی داشته باشند.

رقابت فارغ التحصیلان زنجیره تامین سال 2020، که برای چهارمین سال توسط دانشکده تجارت و مرکز نوآوری زنجیره تامین TCU Neeley ارائه شد ، 18 تیم از برنامه های برتر MBA را به چالش کشید تا راه حل برنده ای را برای پرونده ای که توسط رستوران های زنجیره ای در حال رشد سریع Chick ارائه شده است، ایجاد کنند. -fil-A.

تنها با توجه به 24 ساعت، تیم های دانشجوی فارغ التحصیل مجبور شدند از اطلاعات مکانی – تجزیه و تحلیل داده های کسب و کار در زمینه جغرافیایی – برای طراحی مجدد شبکه توزیع رستوران در هفت ایالت غربی، با در نظر گرفتن عواملی مانند جمعیت شناسی مصرف کننده، مسیرهای ترافیکی و اثرات زیست محیطی استفاده کنند. علاوه بر تجزیه و تحلیل مکان و مهارت‌های حل مسئله، تیم‌ها نیاز داشتند تا با ارائه یافته‌های خود به مدیران زنجیره تامین که به عنوان قاضی عمل می‌کنند، با C-suite ارتباط مؤثری برقرار کنند.

در پایان، جورجیا تک با جایزه اول: 10000 دلار، به علاوه iPads و امتیازات تا سال آینده به خانه رفت. با این حال، در تصویر بزرگتر، این یک پیروزی برای جامعه تجاری است. این مسابقه با تاکید بر نیاز به متخصصانی که هم هوش تجاری و هم توانایی استفاده از قدرت تحلیلی یک سیستم اطلاعات جغرافیایی (GIS) را دارند، با شکاف مهارتی که به شدت توسط شرکت های Fortune 500 احساس می شود، مقابله می کند.

حامیان شرکتی برای رقابت امسال عبارتند از Frito-Lay، PepsiCo و SAP. نایک و لاکهید مارتین حامی این رویداد بوده اند و در سال های گذشته مواردی را ارائه کرده اند. حضور نمایندگان برتر شرکت ها نشان دهنده علاقه مدیران به رفع این شکاف مهارتی است.

مورگان سوینک، مدیر مرکز TCU Neeley می‌گوید: «یکی از چیزهایی که بیشتر از مدیران می‌شنوم این است: «خب، ما اکنون فناوری را داریم، داده‌ها را داریم، اما استعداد نداریم.» برای نوآوری زنجیره تامین “کسی که تجارت را درک می کند و می تواند مهارت های تجزیه و تحلیل را برای مشکلات تجاری به کار ببرد و داده ها را تفسیر کند – این ترکیبی از مهارت هایی است که در حال حاضر بیشترین تقاضا را دارد.”

پر کردن خط لوله استعدادها

از آنجایی که زنجیره‌های تامین در سراسر جهان توسط اختلالات جهانی مانند همه‌گیری کووید-19 و تحولات اقتصادی آزمایش می‌شوند، نیاز به متخصصانی که می‌توانند به شرکت‌ها کمک کنند تا شبکه‌های تامین خود را کاملاً دیده شوند و برنامه‌های تداوم چابکی ایجاد کنند، بیشتر از همیشه است.

در صنایع مختلف از انرژی گرفته تا پوشاک و کشاورزی ، نسل جدیدی از تحلیلگران این خلاء را پر کرده اند. این تحلیلگران که گاهی اوقات ترانسفورماتورهای تجاری فضایی نامیده می شوند ، از بینش اطلاعات مکانی استفاده می کنند تا مشکلات را به صورت بصری از طریق نقشه های هوشمند و داشبوردهایی که الگوها را در داده ها آشکار می کنند، چارچوب بندی کنند.

 با استفاده از تجزیه و تحلیل موقعیت مکانی GIS، تحلیلگران کسب و کار می توانند مجموعه داده ها را برای مشخص کردن بهترین مناطق برای گسترش کسب و کار خرد کنند. توسعه برنامه های اضطراری برای حفظ عملیات زنجیره تامین در مواجهه با طوفان های شدید یا یک بیماری همه گیر؛ و حتی معیارهای پایداری و عدالت اجتماعی مرتبط با عملیات شرکت و شریک را نظارت کنید.

تحلیلگر کسب و کار جدید ظهور می کند

برای اطلاع از جزئیات نحوه مشارکت این نوع جدید تحلیلگر تجاری در تصمیم گیری های کلیدی در شرکت هایی مانند Walmart، Chick-fil-A و Driscoll’s، این پخش اینترنتی درخواستی را مشاهده کنید.

شرکت‌های متمرکز بر رشد مانند Chick-fil-A به طور فزاینده‌ای با مشارکت با برنامه‌هایی مانند مدرسه کسب‌وکار TCU Neeley، خط لوله استعدادهای مورد نیاز خود را شکل می‌دهند. رستوران های زنجیره ای مستقر در آتلانتا همچنین یک دفتر ماهواره ای نوآوری را در میدان فناوری جورجیا تک افتتاح کرده است تا همکاری با دانشجویان را تقویت کند. به طور مشابه، نایک از پروژه هایی با دانشجویان MIT در زمینه نوآوری زنجیره تامین حمایت می کند.

براندون استوکر، مدیر ارشد شبکه در Chick می‌گوید: استخدام مجموعه مهارت‌های مناسب برای انجام کارهایی که انجام می‌دهیم زمان زیادی طول می‌کشد – استفاده از داده‌های مکان برای حل مشکلات در مورد مسافت، هزینه‌ها، حمل‌ونقل و خدمات. -fil-A.

استوکر به شکل دادن به پرونده رقابت فرضی در TCU Neeley کمک کرد و آن را بر اساس مسائل واقعی زندگی Chick-fil-A برای حل آن کار کرد.

او می گوید: “در زنجیره تامین، بزرگترین مشکل ما در حال حاضر فقط رشد شرکت است.” از آنجایی که Chick-fil-A فروشگاه هایی را اضافه کرده است، به طور فزاینده ای به تیم GIS خود برای هدایت استراتژی رشد متکی است. تحلیلگران مکان از مدل‌های پیش‌بینی‌کننده برای داده‌های جمعیتی، جغرافیایی و فروش استفاده می‌کنند تا پیش‌بینی کنند که تقاضا در آن‌ها احتمالاً بیشترین و ریسک‌ها کمترین خواهد بود.

ترکیب تفکر تجاری و تجزیه و تحلیل مکان

18 تیم مسابقه TCU یک وظیفه مشابه داشتند: بازسازی شبکه توزیع Chick-fil-A در امتداد ساحل غربی برای پاسخگویی به تقاضای فزاینده مشتریان. با ظرفیت ذخیره‌سازی ثابت در هر رستوران، تیم‌ها باید راهی برای گسترش عرضه بدون اتمام موجودی مکان‌ها بیابند.

تیم جورجیا تک داشبورد مبتنی بر نقشه را برای شناسایی بهترین مکان 11 مرکز توزیع جدید، انجام تجزیه و تحلیل مکان در شهرهایی مانند Kennewick، واشنگتن، و San Luis Obispo، کالیفرنیا ایجاد کرد. آنها تفاوت عواملی مانند نرخ دستمزد محلی، دسترسی به بزرگراه های بین ایالتی و هزینه های املاک تجاری را در سایت های بالقوه مقایسه کردند.

دانش‌آموزان یک سرویس ون پیشنهاد کردند که مکمل تحویل معمول رستوران در مناطق متراکم شهری است. آن‌ها برنامه‌ریزی مسیر روزانه را با استفاده از GIS بهینه‌سازی کردند تا ترتیب و زمان‌بندی تحویل را بر اساس الگوهای ترافیک، موقعیت جغرافیایی و پنجره‌های ایده‌آل برای ورودی‌های محموله ترتیب دهند. فراتر از تجزیه و تحلیل اقتصادی، تیم جورجیا Tech همچنین انتشار گاز از ون ها را پیش بینی کرد و آنها را به پیشنهاد استفاده از وسایل نقلیه الکتریکی سوق داد .

نتیجه طرح پیشنهادی آنها بازیابی 500000 دلار از فروش از دست رفته به اضافه 150000 دلار سود به لطف خدمات تحویل ون جدید بود. در نهایت، این یک استراتژی برنده با داوران ثابت کرد.

دانیل پولین، رئیس جان وی. روچ از دانشکده بازرگانی TCU Neeley، به تیم ها اعتبار می دهد که راه حل های نوآورانه را پذیرفته اند.

او می‌گوید در تجارت، «شما باید هر روز حق رهبری را کسب کنید. به نظر من، شما حق رهبری و رقابت را از طریق پذیرش نوآوری به دست می‌آورید.»

براندون استوکر، چیک فیل ای
 تحلیلگر کسب و کار

مکان‌هایی مانند TCU که واقعاً برای ایجاد ارزش برای دانش‌آموزان خود تلاش می‌کنند – در توسعه افرادی که نه تنها دارای قابلیت‌های فنی هستند، بلکه می‌دانند چگونه به مشکلات تجاری به روشی بهتر فکر کنند – این برای ما بسیار ارزشمند است.

براندون استوکر، چیک فیل ای

اطلاعات مکان 101

این توصیف همچنین نوع فارغ‌التحصیلان MBA را مشخص می‌کند که Chick-fil-A و سایر شرکت‌ها به دنبال جذب آن هستند: حرفه‌ای‌هایی که می‌توانند تجزیه و تحلیل موقعیت مکانی را با استراتژی کسب‌وکار از روز اول ترکیب کنند و به آموزش در حین کار کمتری نیاز دارند.

استوکر از این رقابت می گوید: «شما واقعاً می توانید بگویید که چه کسی می داند چگونه داده ها را [تجزیه و تحلیل] تجزیه و تحلیل کند، چه کسی می داند چگونه چیزها را توضیح دهد، چه کسی می داند که چگونه با هم کار کند. او می گوید که تعداد انگشت شماری دانش آموز را از رده های تیم های رقیب دیده است که دوست دارد آنها را استخدام کند.

همچنین تحلیلگرانی که همان توانایی دوگانه را دارند، اما برعکس، تقاضای بالایی دارند: فارغ التحصیلان GIS که مهارت های تجزیه و تحلیل موقعیت مکانی را در مدرسه تقویت کردند و این مهارت را با درک نیازهای تجاری تکمیل کردند. تا حدی از آنجایی که COVID-19 و نوسانات اقتصادی نیاز شرکت ها به توسعه استراتژی های مکان یابی را تقویت کرده است، بازار جهانی GIS به سرعت در حال رشد است و پیش بینی می شود تا سال 2030 به 25.6 میلیارد دلار برسد . برای شرکت‌های Fortune 500، مهم نیست که کدام تمرکز برای استخدام‌های جدید اول بوده است – اولویت یافتن افرادی است که بتوانند از بینش موقعیت مکانی برای کمک به کسب‌وکارها برای کسب برتری استفاده کنند.

مسابقاتی مانند TCU که به عنوان پلی بین دانشجویان MBA، دانشگاه ها و مشاغل عمل می کند، هدف مهمی برای همه طرف های شرکت کننده دارد. شرکت ها فرصتی برای تبلیغ مهارت های مورد نیاز مانند تسلط GIS، ایجاد گفتگو با دانشگاه ها در مورد چگونگی تطبیق برنامه ها و برنامه های درسی با نیازهای بخش خصوصی را دارند. در همین حال، فارغ‌التحصیلان مدرسه بازرگانی با برندهای بزرگ، تماس برقرار می‌کنند و مهارت‌های خود را به رهبران تجاری برتر نشان می‌دهند.

مدرسه نیلی هیئت مشاوری متشکل از 16 شرکت دارد و به طور منظم با شبکه گسترده‌تری متشکل از 30 شریک نزدیک شرکتی در تماس است. هر سال، این دانشگاه از رهبران کسب و کار در مورد اینکه چه مجموعه مهارت هایی بیشتر مورد نیاز است و چه نوع فناوری هایی که دانشجویان فارغ التحصیل باید با آن ها آشنا شوند، نظرسنجی می کند.

Swink می گوید: “ما در حال تلاش برای اضافه کردن اطلاعات بیشتر از این مجموعه اطلاعات مکانی و مجموعه مهارت های GIS به برنامه درسی خود هستیم، و زمانی که این کار را انجام دادیم، فکر می کنم بازار جدیدی را باز خواهیم کرد.”

دانش آموزان نیز از این گفتگوی آموزشی-تجاری بهره مند می شوند. Swink اشاره می کند که در حالی که دانش آموزان تمایل دارند در یک زمینه تخصص داشته باشند – به عنوان مثال، خرید، تدارکات یا برنامه ریزی – اگر امیدوارند در سازمان پیشرفت کنند، باید بدانند که چگونه این عملکردها با هم کار می کنند. او می گوید: «قدرت واقعی مدیریت زنجیره تامین فقط در مدیریت عالی این عملکردها نیست، بلکه مدیریت ارتباطات بین آنهاست.

پس‌زمینه تجزیه و تحلیل موقعیت مکانی می‌تواند به فارغ‌التحصیلان اخیر رونق حرفه‌ای بدهد، با داشبوردهای GIS که گرفتن آن نمای کل‌نگر و تصویر بزرگ از یک شبکه را در تمام سطوح تامین‌کننده آسان‌تر می‌کند .

فارغ التحصیلی از رهبران تجارت فردا

مدرسه نیلی به توانایی انطباق برنامه های درسی با نیازهای دنیای تجارت که به سرعت در حال تغییر هستند می بالد. آنها اخیراً در عرض چند هفته یک مدرک کارشناسی ارشد علوم در تجزیه و تحلیل کسب و کار ایجاد کردند – وظیفه ای که ممکن است به سال ها در مدارس کمتر چابک نیاز داشته باشد.

TCU Neeley علاوه بر ایجاد مزیت هوش مکانی در رقابت زنجیره تامین، بر این مهارت به روش‌های دیگری تاکید کرده است. این مدرسه اخیراً شروع به شرکت در روز ملی GIS کرد، یک باشگاه GIS ایجاد کرد و یک مسابقه نقشه برداری را آغاز کرد که اعضای بخش زمین شناسی و موسسه انرژی TCU را درگیر می کند.

Molly Kanthak، دستیار مدیر جذب و پذیرش فارغ التحصیلان در مرکز نوآوری زنجیره تامین، می گوید: “این یک راه خلاقانه دیگر است که ما به آن دانش آموزان این فرصت را می دهیم که اکنون با استفاده از فناوری GIS، رهبری را آغاز کنند.”

همانطور که TCU برای فارغ التحصیل شدن رهبران کسب و کار فردا تلاش می کند، مربیان زنجیره تامین مانند Swink رقابت TCU را به عنوان یک مزیت اساسی – با قرار دادن دانش آموزان در معرض فناوری های تحلیلی سطح بعدی – می دانند. رهبران تجاری که پتانسیل پلتفرمی مانند GIS را درک می‌کنند و می‌توانند اطلاعات مکانی را که ایجاد می‌کند در استراتژی و عملیات به کار ببرند، هم به پیشرفت شغل خود و هم به موفقیت شرکت‌هایشان کمک می‌کنند.

دین پولین می‌گوید که اکنون این موضوع به‌ویژه مهم است.

بسیار واضح است که با وجود همه تغییرات در جهان و سرعتی که ما آن را تجربه می‌کنیم، این کسانی هستند که می‌توانند به داده‌ها دسترسی داشته باشند، تجزیه و تحلیل و تفسیر کنند تا تصمیم‌های بهتری را که بر اساس ریسک تعدیل شده است، برنده شوند. “

برای مگاپروژه زیرساخت در پرو، ArcGIS GeoBIM حیاتی است

در سال 2017، مناطق مختلف پرو باران سیل آسا، سیل گسترده و رانش زمین به دلیل ال نینو را تجربه کردند – زمانی که آب گرم غیرعادی در اقیانوس آرام باعث ایجاد شرایط آب و هوایی غیرعادی می شود. آب و هوای فاجعه بار 1 میلیون نفر از ساکنان سواحل پرو را تحت تأثیر قرار داد و نزدیک به 22000 خانه را ویران کرد.

برای کمک به بازیابی، دولت پرو «مرجع بازسازی با تغییرات» (ARCC) را تأسیس کرد، یک نهاد عمومی موقت که مسئول تلاش‌ها برای بازسازی زیرساخت‌های عمومی آسیب‌دیده بود. طرح بازسازی ARCC شامل مجموعه ای از پروژه ها در 13 منطقه است، از جمله یکی برای حوضه رودخانه Olmos و Zaña در شمال پرو. برای این پروژه، سدهای دفاعی رودخانه، دایک های مهار و کانال های تخلیه برای کاهش سیل و حفاظت از ساکنان آسیب پذیر در صورت وقوع طوفان های دیگر ساخته می شود.

مدل سه بعدی سازه های ساخته شده در بستر رودخانه
برای مگاپروژه زیرساخت در پرو، ArcGIS GeoBIM حیاتی است
ArcGIS GeoBIM به ذینفعان کمک می کند تا پروژه ها را به طور کلی مشاهده کنند و به راحتی بازخورد خود را به اشتراک بگذارند.

از آنجایی که اجزای طراحی و توسعه شامل بسیاری از سهامداران و تعداد زیادی از دارایی ها می شود، همه چیز باید به طور کارآمد سازماندهی شود. بنابراین کنسرسیوم Rovella INMAC – شرکتی که مسئولیت مدیریت، طراحی و اجرای پروژه را بر عهده دارد – ArcGIS GeoBIM را مستقر کرد.

 این برنامه مبتنی بر وب، اعضای تیم و سایر ذینفعان را قادر می‌سازد تا پروژه‌ها، دارایی‌ها و پورتفولیوهای مبتنی بر مدل‌سازی اطلاعات ساختمان (BIM) را مشاهده کرده و با یکدیگر همکاری کنند. با ایجاد یک اتصال ابر به ابر بین ArcGIS و Autodesk Construction Cloud، ArcGIS GeoBIM نحوه دسترسی تیم‌ها به اطلاعات طراحی و ساخت به‌روز را که در سیستم‌ها ذخیره می‌شود، از جمله مستندات، مدل‌های دیجیتال سه بعدی و مسائل مدیریت پروژه، ساده می‌کند.ادغام BIM و GIS

با پروژه Olmos و Zaña، یک چالش مهم برای کنسرسیوم Rovella INMAC – که از Rovella Carranza و INMAC PERÚ، دو شرکت مستقر در آرژانتین تشکیل شده است – همه سهامداران را وادار کرد تا از مدل اطلاعات پروژه (PIM) در طول ساخت و ساز استفاده کنند. PIM مجموعه ای از اطلاعات دیجیتالی است که در مراحل طراحی و ساخت پروژه ایجاد می شود. یک PIM اطلاعات را از چندین رشته، از جمله داده های غیر گرافیکی و اسناد پروژه جمع آوری می کند.

به گفته دیوید آنتونیو کاستیلو، متخصص BIM در کنسرسیوم Rovella INMAC، نرم افزاری که معمولاً برای ایجاد PIM استفاده می شود برای مناطق کاری به بزرگی حوضه رودخانه اولموس و زانا طراحی نشده است که مجموعاً 1239 مایل مربع (3210 کیلومتر مربع) را شامل می شود. – مساحتی چهار برابر شهر نیویورک. از آنجایی که PIM مجموعه‌ای از مدل‌های دیجیتال سه بعدی است، نرم‌افزار مورد استفاده برای آن نیز معمولاً روی رایانه‌های رومیزی پیشرفته اجرا می‌شود که همه اعضای تیم به آن دسترسی ندارند.

رویر فرانکلین تیتو، مهندس عمران و مدیر BIM در کنسرسیوم Rovella INMAC، فکر می‌کند که یکپارچه‌سازی فناوری BIM و GIS برای دیجیتالی کردن داده‌های مرتبط و مدیریت اطلاعات می‌تواند مشکل PIM را حل کند و به پروژه ارزش بیافزاید. همچنین به تیم کمک می کند تا به ISO 19650، استانداردی بین المللی برای مدیریت اطلاعات با استفاده از BIM در طول چرخه عمر دارایی ساخته شده، پایبند باشد.

کاستیو گفت: «برای سازماندهی و دیجیتالی کردن اطلاعات، لازم بود فناوری GIS به هم متصل شود و متدولوژی BIM در آن ادغام شود… در طول مراحل طراحی».

استراتژی اولیه این بود که Autodesk Construction Cloud و داده‌های مدل ArcGIS را در Autodesk InfraWorks یکپارچه کنیم. با این حال، تیم با دو چالش بسیار خاص روبرو شد.

سدی که به رنگ قرمز و نارنجی نشان داده شده است که با یک مجرای ورودی پیشنهادی تقاطع می‌یابد که در رنگ‌های سفید و قهوه‌ای نشان داده شده است.
با استفاده از ArcGIS GeoBIM، اعضای تیم می توانند درگیری هایی را که ممکن است در طول مرحله ساخت و ساز رخ دهد، مانند بین آبگیر و سد، که در اینجا نشان داده شده است، تشخیص دهند.

Ttito گفت: «[Autodesk InfraWorks] تنها می‌توانست توسط یک تیم کوچک اداره شود. علاوه بر این، [اندازه] کل پروژه استفاده از این نرم‌افزار را برای ساخت PIM دشوار می‌کرد. می‌توان قسمت‌هایی از فیل را تجسم کرد، اما نه کل فیل را.”

این زمانی بود که ArcGIS GeoBIM وارد تصویر شد.

راهی برای مشاهده کل نگر طرح ها

برای کاستیو، ضروری بود که همه اعضای کنسرسیوم بتوانند با داده های BIM و GIS بدون نیاز به فناوری پیشرفته کار کنند. به عنوان یک برنامه مبتنی بر وب، ArcGIS GeoBIM – که می تواند در پروژه های BIM از مرحله طراحی تا ساخت و ساز استفاده شود – توانست این را ارائه دهد. این برنامه همچنین تیم را قادر می‌سازد تا داده‌ها را در میان سیستم‌های متفاوت پیوند دهد – به عنوان مثال، با اتصال اطلاعات طراحی و ساخت که در Autodesk Construction Cloud با ArcGIS مدیریت می‌شوند.

ArcGIS GeoBIM یک راه حل دیجیتالی است که استراتژی ما برای یکپارچه سازی اطلاعات در یک مدل دیجیتال را برآورده می کند. ما می‌توانیم ساخت دارایی‌های دیجیتال را با [این] محیط مرتبط کنیم و همکاری با دیگر [ذینفعان] درگیر را ارتقا دهیم.» این به ما امکان می دهد از دوباره کاری اجتناب کنیم و تأخیر زمان پاسخگویی اطلاعات را کاهش دهیم.

Castillo اضافه کرد که با ArcGIS GeoBIM، این تیم «می‌تواند اطلاعات بی‌پایانی را از نظر مدل‌های تبدیل شده به لایه‌ها و مدل‌های ویژگی در نرم‌افزار اصلی خود که در Autodesk Construction Cloud ذخیره می‌شوند، ترکیب و پیوند دهد».

برای یادگیری نحوه استفاده از ArcGIS GeoBIM، Castillo و Ttito فیلم های آموزشی را تماشا کردند و کار با برنامه را تمرین کردند. Ttito به طور خاص دوست داشت ArcGIS GeoBIM به متخصصان اجازه می‌دهد به راحتی اطلاعات طراحی نهایی را در حین ساخت مشاهده کنند، زیرا تجسم داده‌ها در فضای ابری موجود است.

تیتو گفت: “روش کار به منظور تجسم اطلاعات الفبایی مدل های BIM و اطلاعات GIS برای متخصصان درگیر بسیار دوستانه تر است.” ArcGIS GeoBIM بصری است و به سادگی باز کردن یک صفحه وب بدون نیاز به نصب نرم افزار دسکتاپ است.

اعضای تیم اکنون از Autodesk Construction Cloud برای طراحی و ذخیره داده‌های مورد نیاز برای ساخت مدل‌های دیجیتال و مستندات، مانند معیارها و بودجه‌ها استفاده می‌کنند. این تیم همچنین از Autodesk Docs، یک محیط مدیریت اسناد مبتنی بر ابر در پلتفرم Autodesk Construction Cloud، برای مدیریت ارسال اطلاعات رسمی از طرف پیمانکاران فرعی طراحی و ساخت استفاده می‌کند. نرم افزار مدیریت پروژه Autodesk Build به تیم کمک می کند تا اسناد را سازماندهی کند، داده های BIM را با داده های GIS متصل کند و همکاری بین سهامداران را افزایش دهد.

یک مدل سه بعدی از پلی که بر بستر رودخانه امتداد دارد
داشتن مدل‌های دیجیتالی دقیق از طرح‌های آن‌ها به اعضای کنسرسیوم کمک می‌کند تا به سرعت تأییدیه‌ها را دریافت کنند.

با برنامه‌های ArcGIS GeoBIM – که نقشه‌های وب، صحنه‌های وب و داده‌های پروژه Autodesk ارجاع‌شده جغرافیایی را به هم متصل می‌کنند، اعضای تیم می‌توانند از داده‌های مرتبط برای پشتیبانی از اهداف تحویل پروژه و گردش‌های کاری عملیاتی استفاده کنند. و برنامه ها را می توان با سهامداران مختلف در کنسرسیوم به اشتراک گذاشت تا آنها بتوانند پروژه ها را به طور کلی مشاهده کنند و به راحتی بازخورد خود را به اشتراک بگذارند.

برای Castillo، جذاب‌ترین جنبه استفاده از ArcGIS GeoBIM این است که ظرفیت اجرای پروژه‌ای به بزرگی پروژه‌ای که در حوضه رودخانه اولموس و Zaña انجام می‌شود را دارد.

او گفت: «من از این واقعیت خوشم می‌آید که ArcGIS GeoBIM به عنوان راه‌حلی برای پروژه‌های بزرگ در نظر گرفته شده است، جایی که میزان اطلاعاتی که به کار گرفته می‌شود محدودیتی نیست.

“بزرگترین دستاورد” پروژه

پروژه Olmos و Zaña هنوز در مرحله طراحی است، اما استفاده کنسرسیوم از ArcGIS GeoBIM قبلاً نتایج مثبتی برای برنامه ریزی و محاسبه هزینه به همراه داشته است. داده‌های GIS و BIM دیجیتالی، سازمان‌دهی‌شده و مرتبط، پروژه را چابک‌تر کرده است، زیرا ذینفعان می‌توانند به راحتی به اطلاعات مورد نیاز برای تصمیم‌گیری سریع و مؤثر دسترسی پیدا کنند.

اعضای تیم کنسرسیوم و همچنین پیمانکاران فرعی پروژه، می توانند بر روی اسناد BIM و مدل های دیجیتال کار کنند و در Autodesk Construction Cloud ارتباط برقرار کنند. این داده ها همچنین در Microsoft SharePoint به اشتراک گذاشته می شوند که همکاری بیشتری را تقویت می کند.

به گفته کاستیو، داشتن فضایی مبتنی بر وب برای ذخیره و پیوند دارایی های پروژه، “بزرگترین دستاورد” کنسرسیوم بوده است.

او گفت: «می‌توانیم بگوییم که ArcGIS GeoBIM مهره‌ای بر روی کیک در کل پروژه است. “همکاری که بین Esri و Autodesk وجود دارد کمک بزرگی به ادغام GIS و BIM/CAD بوده است که برای توسعه پروژه‌ها در بخش AEC [معماری، مهندسی و ساخت‌وساز] ضروری بود.”

تیتو افزود: «همکاری اطلاعاتی امکان کشف کاستی‌هایی را در هماهنگی فضایی فراهم می‌کند که اگر ما به روش متعارف کار می‌کردیم امکان‌پذیر نبود.

با استفاده از ArcGIS GeoBIM، این تیم می تواند یک مدل دیجیتال هماهنگ شده از یک زیرساخت را قبل از ساخت آن تولید کند. تجربه مبتنی بر وب ارائه شده توسط ArcGIS GeoBIM که به Autodesk Construction Cloud متصل می شود به تیم اجازه می دهد تا اثرات زیست محیطی و آسیب احتمالی به بقایای باستان شناسی را قبل از شروع ساخت و ساز اندازه گیری کند.

یک مدل سه‌بعدی آبگیر - با رنگ‌های قرمز، نارنجی، سبز و بنفش نشان داده شده است - در بستر رودخانه
این کنسرسیوم در حال طراحی آبگیرهایی در امتداد رودخانه Zaña است که امکان پمپاژ آب از آن را فراهم می کند.

Ttito گفت: «راه‌حل‌های Autodesk و Esri قطعاً برای متخصصان به یک ضرورت تبدیل شده‌اند و کار آن‌ها را در مقایسه با جریان‌های کاری سنتی کارآمدتر می‌کنند. مشتری ما به طرح ها اطمینان بیشتری دارد و این امکان وجود دارد که [طرح ها] سریعتر پذیرفته شوند تا بتوان آنها را ساخت.»

هنگامی که ساخت و ساز شروع می شود، ذینفعان همچنان می توانند به اطلاعات مورد نیاز خود در یک مدل دیجیتال دسترسی داشته باشند – و این مدل دیجیتال حتی زمانی که زیرساخت در نهایت به بهره برداری برسد مفید خواهد بود. به گفته Ttito، این کار تکراری را کاهش می‌دهد و این امکان را فراهم می‌کند که منابع را با کارآمدتر تهیه کنیم و بفهمیم که در کجا می‌توان از مواد اضافی استفاده کرد.

او گفت: «ساخت یک مدل هماهنگ… این امکان را فراهم می کند که یک چشم انداز کامل و جامع از پروژه داشته باشیم. ما مسیرهای دسترسی واضح تری به کارها داریم و همچنین برآورد محاسبه بار برای بودجه واقعی تر و مؤثرتر است.»

ستونی برای موفقیت

اگرچه کنسرسیوم Rovella INMAC هنوز در حال اجرای ArcGIS GeoBIM است، Ttito تأیید کرد که سازمان در حال برنامه‌ریزی برای استفاده از آن، همراه با Autodesk و سایر پیشنهادات Esri مانند ArcGIS Field Maps و ArcGIS Survey123 برای مدیریت ساخت‌وساز و جمع‌آوری داده‌ها است. پرسنل کنسرسیومی که در ساخت و ساز شرکت خواهند کرد، اکنون در مورد راه حل ها آموزش می بینند و پیمانکاران فرعی ساخت و ساز باید دنبال شوند.

این تیم همچنین از ArcGIS GeoBIM برای ارائه ارائه برای ساکنان حوضه رودخانه اولموس و Zaña استفاده می کند تا آنها را از به روز رسانی پروژه مطلع کند. تیتو گفت که تیم این کار را در طول چرخه عمر پروژه ادامه خواهد داد.

تیتو در پایان گفت: “کنسرسیوم Rovella INMAC متقاعد شده است که راه حل های دیجیتال Esri و Autodesk یک ستون اساسی برای موفقیت پروژه هستند.”

ابهام زدایی GeoAI

در چشم انداز تکنولوژیک به سرعت در حال تحول امروز، همگرایی هوش مصنوعی (AI) و هوش مکانی باعث ایجاد یک فناوری انقلابی شده است: هوش مصنوعی جغرافیایی (GeoAI). GeoAI هوش مصنوعی را با داده‌های مکانی، علم و فناوری ترکیب می‌کند تا گردش کار را تسریع کند، بینش‌های ارزشمند را کشف کند و مشکلات فضایی را حل کند. با توانایی نظارت و تجزیه و تحلیل سریع رویدادها، کاربران را قادر می سازد تا با محیط در حال تغییر تکنولوژیک همگام شوند و سریعتر از قبل تصمیمات آگاهانه بگیرند. این افزایش آگاهی موقعیتی، همراه با بینش و پیش بینی های غنی که GeoAI می تواند از الگوهای فضایی ایجاد کند، نتایج ارزشمندی را برای مشاغل، سازمان های دولتی و سایر سازمان ها ایجاد می کند.

ابهام زدایی GeoAI
هوش مصنوعی زمین مکانی (GeoAI) در تقاطع هوش مصنوعی (AI) و هوش مکان اتفاق می افتد.

هوش مصنوعی دو جزء کلیدی دارد: یادگیری ماشینی و یادگیری عمیق. یادگیری ماشینی شامل آموزش کامپیوتر برای یادگیری الگوهای درون داده ها و پیش بینی نتایج بدون دریافت دستورالعمل های صریح برای انجام این کار است. یادگیری عمیق – زیر مجموعه ای از یادگیری ماشین – از ساختارهای الگوریتمی به نام شبکه های عصبی استفاده می کند که از روشی الهام گرفته شده از مغز انسان برای یادگیری الگوهای پیچیده در داده ها با کنار هم قرار دادن مفاهیم ساده تر.

در چارچوب GeoAI، یادگیری ماشینی می‌تواند برای تجزیه و تحلیل داده‌های مکانی و حل مسائل فضایی با استفاده از طبقه‌بندی، خوشه‌بندی و تکنیک‌های پیش‌بینی و پیش‌بینی استفاده شود. از سوی دیگر، یادگیری عمیق اغلب در GeoAI برای تولید داده‌های فضایی غنی با خودکارسازی استخراج، طبقه‌بندی و تشخیص اطلاعات مکانی از تصاویر، ویدیوها، ابرهای نقطه‌ای و متن استفاده می‌شود. همچنین می توان از آن برای تجزیه و تحلیل داده های مکانی برای پیش بینی و پیش بینی استفاده کرد.

بسیاری از سازمان‌ها با استفاده از GeoAI برای اتخاذ تصمیم‌های مبتنی بر داده‌ها و اتخاذ اقدامات پیشگیرانه که چالش‌ها و فرصت‌ها را در حوزه فضایی برطرف می‌کنند، عملیات خود را مدرن می‌کنند. GeoAI از طیف وسیعی از کاربردها مانند شناسایی و طبقه بندی تغییرات پوشش زمین، پیش بینی رشد شهری و ارزیابی خطرات زیست محیطی پشتیبانی می کند. و مجموعه متنوعی از راه‌حل‌های GeoAI وجود دارد – از جمله مدل‌های از پیش آموزش‌دیده خارج از جعبه، مدل‌هایی که می‌توانند برای رسیدگی به مسائل خاص تنظیم شوند، و مدل‌های سفارشی – که نیازهای سازمانی مختلف را برآورده می‌کنند.

در ادامه بخوانید تا ببینید GeoAI چگونه می‌تواند به سازمان‌هایی که با سناریوهای مختلف روبرو هستند کمک کند تا بینش معنی‌داری را از داده‌ها به دست آورند و مشکلات مکانی را با سرعت، دقت و کارایی بی‌نظیر حل کنند.

افزایش تعمیر و نگهداری بزرگراه با یک مدل از پیش آموزش دیده

انجام تعمیر و نگهداری بزرگراه چالش های متعددی را برای ادارات حمل و نقل ایجاد می کند. شبکه‌های جاده‌ای وسیع هستند و ترک‌ها و عیوب جاده‌ها باید به سرعت شناسایی شوند. روش‌های بازرسی دستی سنتی کار فشرده هستند و می‌توانند مناطقی را که نیاز اساسی به تعمیر دارند، شناسایی نکنند.

مدل های GeoAI از پیش آموزش دیده وجود دارد که می تواند تشخیص ترک جاده را به صورت خودکار انجام دهد و بخش های حمل و نقل را قادر می سازد تا تجزیه و تحلیل بیشتری را در نقاط کلیدی انجام دهند. با در دست داشتن این اطلاعات، بخش‌های حمل‌ونقل می‌توانند برنامه‌های تعمیر و نگهداری کارآمد و پیشگیرانه را برای حفظ بزرگراه‌ها در شرایط خوب اجرا کنند.

خطوط زرد متمایل به عکسی از آسفالت که محل ترک‌ها را نشان می‌دهد
مدل های GeoAI از پیش آموزش دیده می توانند به طور خودکار ترک ها را در جاده ها تشخیص دهند.

نحوه استفاده از یک مدل از پیش آموزش دیده تشخیص ترک در جاده

یک بخش تعمیر و نگهداری بزرگراه می تواند رویه های ارزیابی وضعیت جاده خود را با GeoAI با استفاده از یک مدل یادگیری عمیق از پیش آموزش دیده که به طور خاص برای تشخیص ترک ها و ناهنجاری ها در جاده ها آموزش دیده است، افزایش دهد.

این فرآیند با استفاده از پهپادها و دوربین‌های نصب شده بر روی خودرو برای گرفتن تصاویر با وضوح بالا از جاده‌های منطقه مورد علاقه خود توسط تیم GIS بخش حمل‌ونقل آغاز می‌شود. سپس تیم GIS می‌تواند یک مدل تشخیص ترک‌های جاده‌ای آماده برای استفاده و از پیش آموزش دیده را روی تصاویر اعمال کند. همانطور که مدل تصاویر را پردازش می کند، به طور موثر ترک ها و عیوب جاده ها را شناسایی می کند.

سپس این بخش می‌تواند از این ویژگی‌های استخراج‌شده به عنوان ورودی برای الگوریتم یادگیری ماشینی استفاده کند که از تحلیل رگرسیون برای مدل‌سازی شرایط جاده بر اساس ویژگی‌های ترافیکی، مانند تراکم بالای کامیون در مسیرهای خاص استفاده می‌کند. خواص مصالح جاده، مانند سن و ضخامت روسازی؛ و سایر اندازه گیری های عملکرد جاده این به تیم درک بهتری از تأثیراتی که این متغیرها می‌توانند بر ترک‌های موجود و نقص جاده داشته باشند، می‌دهد.

با تمام این اطلاعات در دست، تیم می تواند پیش بینی کند که تعمیر و نگهداری جاده ممکن است مورد نیاز باشد. این به بخش حمل و نقل اجازه می دهد تا تلاش های تعمیر را اولویت بندی کند، تعمیرات پیشگیرانه را انجام دهد و منابع تعمیر و نگهداری جاده را بهینه کند. اتخاذ این رویکرد به طور قابل توجهی روند بازرسی و تعمیر جاده را تسریع می کند و این بخش را قادر می سازد تا جاده های خود را برای رانندگان هموارتر و ایمن تر کند.

بهینه سازی تخصیص منابع شهر با تنظیم دقیق مدل های موجود

در بسیاری از مناطق در سراسر جهان، مردم در سکونتگاه‌های غیررسمی زندگی می‌کنند که در آن واحد مسکونی می‌تواند امروز وجود داشته باشد و فردا نقل مکان کند. اکثر کشورها هر دهه از طریق سرشماری جمعیت را مورد بررسی قرار می دهند، اما از آنجایی که سکونتگاه های غیررسمی پویا هستند، شمارش جمعیت در مقیاس محلی می تواند تا زمان انتشار داده های سرشماری قدیمی شود.

از آنجایی که دولت‌های محلی برای تخصیص خدمات اجتماعی حیاتی مانند مراقبت‌های پزشکی، مدارس و بانک‌ها به داده‌های جمعیتی تکیه می‌کنند، جمع‌آوری و نگهداری داده‌های دقیق جمعیت در سطوح محلی – به‌ویژه در مناطقی که مهاجرت فعال مداوم را تجربه می‌کنند، ضروری است.

استفاده از یک مدل یادگیری عمیق ردپای ساختمان که به خوبی با جغرافیای یک منطقه تنظیم شده است، می تواند به سازمان های دولتی محلی کمک کند تا شمارش جمعیت را ثابت نگه دارند.

عکس هوایی از یک منطقه روستایی با مستطیل‌هایی با شکل‌های متفاوت و نقاط رنگارنگ که محل قرارگیری ساختمان‌ها را نشان می‌دهد.
یک مدل یادگیری عمیق ردپای ساختمان را می توان به خوبی با جغرافیای یک منطقه تنظیم کرد.

نحوه به کارگیری یک مدل یادگیری عمیق ردپای ساختمان با تنظیم دقیق

برای تنظیم دقیق یک مدل یادگیری عمیق ردپای ساختمانی خارج از جعبه به طوری که بتواند سکونتگاه های غیررسمی را در یک جغرافیای خاص شناسایی کند، کارکنان دولت محلی می توانند با گرفتن تصاویر هوایی از یک سکونتگاه غیررسمی محلی شروع کنند. کارکنان می توانند از این تصاویر برای تولید داده های آموزشی استفاده کنند، ابتدا با انتخاب مناطق نمونه و شناسایی دستی سکونتگاه های غیررسمی. سپس، آنها می توانند این داده ها را دیجیتالی کرده و از آن به عنوان ورودی برای آموزش مجدد مدل استفاده کنند. سپس کارکنان می توانند مدل را با پارامترهای مورد نظر خود – مانند میزان یادگیری یا دقت مدل – تنظیم کنند و از آن برای استخراج ردپای ساختمان در منطقه بزرگتر استفاده کنند.

پس از آن، کارکنان می‌توانند از تکنیک‌های یادگیری ماشینی مانند تحلیل رگرسیون برای مدل‌سازی نوسان جمعیت سکونتگاه غیررسمی بر اساس عواملی مانند ویژگی‌های جمعیتی خانوار استفاده کنند. متغیرهای جغرافیایی، از جمله ارتفاع منطقه، نزدیکی به جاده ها، و چراغ های شبانه. و ویژگی های خاص خود ردپای ساختمان مشتق شده، مانند مساحت و تراکم آنها. این به کاربران امکان می‌دهد تخمین‌های جمعیت در سطح خانوار را در منطقه بزرگ‌تر پیش‌بینی کنند. این تخمین‌ها می‌توانند متعاقباً برای کمک به اطلاع‌رسانی تصمیمات دولت محلی جمع‌آوری شوند.

این تکنیک کاربران را از آموزش دستی یک مدل از ابتدا منع می کند. در عوض، آنها می‌توانند از یک مدل آماده استفاده کنند و آن را به پارامترهای مورد نظر بازآموزی کنند. این امر روند جمع آوری داده ها را سرعت می بخشد و به دولت های محلی کمک می کند تا امکانات و خدمات لازم را به ساکنان خود برای کمک به رشد و شکوفایی جامعه دریافت کنند.

بهبود نتایج واکنش به بلایا با ساخت مدل‌های سفارشی

پس از طوفان، دولت‌های محلی و سازمان‌های کمک‌رسان باید آسیب وارد شده به سازه‌های ساختمانی در مناطق سخت‌دیده را ارزیابی کنند. انجام سریع ارزیابی خسارت، درست پس از یک بلای طبیعی، بازیابی سریعتر و تلاش های بازسازی را امکان پذیر می کند.

این سازمان ها می توانند تصاویر تاریخی از یک منطقه بگیرند و از آن برای آموزش یک مدل یادگیری عمیق سفارشی استفاده کنند که می تواند به سرعت و ایمن ساختمان های آسیب دیده و سایر ویژگی های مورد علاقه را شناسایی کند.

یک عکس هوایی از یک منطقه مسکونی با جای زخم سوختگی در اطراف آن که اشکال قرمز رنگی را نشان می‌دهد که ساختمان‌های آسیب‌دیده را نشان می‌دهد و اشکال سبزی که نشان‌دهنده ساختمان‌های آسیب‌دیده است.
مدل های یادگیری عمیق سفارشی را می توان برای مکان یابی ساختمان های آسیب دیده پس از یک بلای طبیعی آموزش داد.

چگونه یک مدل تشخیص آسیب سفارشی بسازیم

برای توسعه یک مدل یادگیری عمیق سفارشی که میزان آسیب پس از طوفان را تشخیص می‌دهد، تیم GIS در سازمان کمک‌رسانی در بلایا می‌تواند با گرفتن آرشیو داده‌های تصاویر تاریخی که منطقه را پس از چندین بلای طبیعی نشان می‌دهد، شروع کند. سپس یک مدل یادگیری عمیق سفارشی را می توان با استفاده از این تصاویر آموزش داد تا نحوه شناسایی ساختمان های آسیب دیده و سایر ویژگی های مهم را بیاموزد.

هنگامی که بلایای طبیعی در آینده رخ می دهد، تیم می تواند این مدل را در تصاویر جدید پس از رویداد اعمال کند تا به طور خودکار ویژگی های آسیب دیده را استخراج کند. این امر تخصیص منابع را برای اولین پاسخ دهندگان و شرکت های بیمه برای شروع رسیدگی به مطالبات ساکنان آسان تر می کند.

هنگامی که مدل سازه‌هایی را که توسط طوفان اخیر آسیب دیده‌اند شناسایی و نقشه‌برداری می‌کند، تیم می‌تواند آن‌ها را در جریان کار یادگیری ماشین بارگذاری کند. از آنجا، تیم می‌تواند به سرعت تحلیل‌های خوشه‌ای را روی ساختمان‌های آسیب‌دیده انجام دهد تا مناطق اولویت‌دار برای اسکان موقت را شناسایی کند. این تیم همچنین می‌تواند از یک مدل پیش‌بینی برای تخمین میزان زباله‌های تولید شده توسط طوفان و کشف تأثیر تجمعی طوفان بر حوزه‌های آبخیز محلی استفاده کند.

با استفاده از مدل‌های یادگیری عمیق، ارزیاب‌هایی که قبلاً، مثلاً 100 ارزیابی دستی آسیب در ساعت انجام می‌دادند، اکنون می‌توانند صدها هزار ارزیابی خودکار را در همان زمان انجام دهند. این امر آژانس های فدرال و شرکت های بیمه را قادر می سازد تا در ارسال کمک به نیازمندان اقدام به موقع انجام دهند.

با GeoAI در ArcGIS شروع کنید

همه اینها نمونه‌های قدرتمندی از نحوه عملکرد GeoAI در موقعیت‌های مختلف هستند، اما آنها فقط سطح ممکن را خراش می‌دهند. راه های زیادی وجود دارد که کاربران می توانند از GeoAI در ArcGIS استفاده کنند که از نظر پیچیدگی و سطوح سفارشی سازی متفاوت است.

برای شروع کار با این فناوری پیشگامانه زمین‌فضایی، کاربران می‌توانند ابتدا بیش از 50 مدل یادگیری عمیق از پیش آموزش‌دیده Esri را کاوش کنند و ببینند آیا یکی برای موقعیت آنها کار می‌کند یا خیر. این مدل‌ها یک راه‌حل خارج از جعبه ارائه می‌کنند، بنابراین کاربران می‌توانند بدون صرف زمان و منابع فشرده برای آموزش یک مدل، استخراج، طبقه‌بندی و شناسایی داده‌ها را آغاز کنند. کاربران همچنین می توانند این مدل های از پیش آموزش دیده را با نیازهای خاص خود تنظیم کنند. علاوه بر این، برای کاربرانی که گردش کار سفارشی دارند، می‌توانند فهرست گسترده‌ای از مدل‌های یادگیری عمیق موجود را بررسی کنند و از آن‌ها برای آموزش مدل‌های خود با استفاده از داده‌های خود استفاده کنند.

با مراجعه به صفحه قابلیت GeoAI درباره GeoAI بیشتر بیاموزید و پتانسیل کامل این فناوری قدرتمند را در سیستم ArcGIS کشف کنید .

اول شخص: سه اشتباهی که با GIS مرتکب شدم و چیزهایی که یاد گرفتم

چند سال پیش وقتی شروع به استفاده از فناوری کردم که مدیران عامل، دانشمندان، برنامه‌ریزان خرده‌فروشی و تنظیم‌کنندگان بیمه روزانه به آن تکیه می‌کنند، چند اشتباه مرتکب شدم. در غلبه بر آنها، راه های جدیدی برای کمک به همکارانم و شرکتم پیدا کردم. فکر کردم آموخته هایم را به اشتراک بگذارم.

من یک مدیر تحقیقاتی در تلویزیون هرست هستم و شش ایستگاه را در دو بازار پوشش می دهم: پیتسبورگ، پنسیلوانیا و پورتلند، مین. در طول زندگی حرفه‌ای‌ام، با همکاران فروش همکاری کرده‌ام تا به صاحبان مشاغل محلی، مدیران شرکت‌ها و آژانس‌های تبلیغاتی کمک کنم تا پیام‌هایی را به مردم ارائه دهند. در حالی که تبلیغات تلویزیونی یک رسانه گسترده است، تبلیغات دیجیتال از طریق وب‌سایت‌ها و برنامه‌های ما بسیار هدفمندتر است، و چند سال پیش متوجه شدم که در جستجوی یک ابزار تحقیقاتی جدید برای حمایت از این نوع بازاریابی هستم.

در آن زمان بود که من فناوری GIS – یک سیستم اطلاعات جغرافیایی – را کشف کردم. اطلاعات مکانی که تولید می‌کند به ما کمک می‌کند بینندگان خود را بهتر درک کنیم و تبلیغ‌کنندگان را با سطح دقتی که چند سال پیش تصورش را نمی‌کردیم راهنمایی کند. اما ما یک شبه به آنجا نرسیدیم و من در طول مسیر اشتباهاتی مرتکب شدم.

در واقع، وقتی برای اولین بار در معرض این فناوری قرار گرفتم، کمی ترسیده بودم. یکی از بزرگترین خرده فروشان جهان عملیات اضطراری خود را بر روی یک سیستم اطلاعات جغرافیایی اجرا می کند. FedEx تعمیر و نگهداری هواپیما خود را هماهنگ می کند، Nespresso بر انطباق ESG نظارت می کند، و John Deere مکان های با عملکرد بالا را برای نمایندگی ها پیش بینی می کند. من به سرعت متوجه شدم که چرا تحلیلگران GIS در بین کسب و کارهای Fortune 500 تقاضای زیادی داشته اند.

اما من یک تحلیلگر نبودم و جغرافیا مطالعه نکرده بودم، بنابراین مطمئن نبودم که آیا این فناوری برای من مناسب است یا خیر. مدتی طول کشید تا متوجه شدم که اطلاعات مکانی می تواند به همان اندازه که شما نیاز دارید ساده یا پیچیده باشد. به محض اینکه متوجه شدم، شروع به درک ارزش واقعی آن کردم .

درس 1: اختصاص زمان برای کشف

چالش: در طول دو سال اول کارم با GIS، یاد گرفتم که چگونه دیدی دقیق از مخاطبان WTAE به تبلیغ‌کنندگان نشان دهم. می‌دانستم که این فناوری می‌تواند چالش‌های تجاری دیگر را برطرف کند، اما هنوز برای کشف قابلیت‌های آن وقت نگرفته بودم.

راه حل: اگر منتظر الهام باشید، ممکن است نباشد. زمانی را برای کشف فناوری برنامه ریزی کنید و خود را برای کشف تکنیک های جدید مسئول بدانید.

چگونه یاد گرفتم: در سال 2018، من از یک ابزار نقشه برداری ساده برای نشان دادن دسترسی جغرافیایی ایستگاه خود به تبلیغ کنندگان WTAE استفاده کردم. شوهرم در آن زمان روی مدرک کارشناسی ارشد خود در جغرافیا کار می کرد و به من پیشنهاد داد که به جای آن فناوری GIS را امتحان کنم. اطلاعات مکانی ایجاد شده توسط GIS راهی عالی برای راهنمایی تبلیغ کنندگان WTAE به نظر می رسید، بنابراین تصمیم گرفتم آن را امتحان کنم.

هرست هزینه متوسط ​​یک محصول SaaS GIS را پوشش داد و من در یک کارگاه آموزشی در دانشگاه کارنگی ملون اینجا در پیتسبورگ شرکت کردم. با توجه به یک روز آموزش GIS و کنجکاوی فراوان، فکر کردم که بقیه را در حین پرواز یاد خواهم گرفت. این شروع اولین اشتباه من بود.

هنگامی که کار با نرم افزار را شروع کردم، احساس کردم که می تواند از بسیاری جهات به کسب و کار ما کمک کند. اما مانند بسیاری از حرفه ای ها، روزهای من از قبل کم شده بود، بنابراین به اصول اولیه پایبند بودم.

این به تنهایی یک پیشرفت بزرگ بود. اگر یک فروشنده خودرو با شش مکان در حال بررسی تبلیغات با ما بود، می‌توانم یک نقشه GIS ایجاد کنم که انواع مشتریانی را که در فاصله 15 دقیقه‌ای رانندگی از هر مکان زندگی می‌کنند، همراه با عملکرد فروش رقبای اطراف را نشان می‌دهد. با چنین اطلاعات مکانی، WTAE به چیزی بیش از یک کانال توزیع ساده تبدیل شد – ما به یک مشاور بازاریابی برای شرکت‌های منطقه خود تبدیل شدیم. 

ما به یک دانشگاه کمک کردیم تا زادگاه دانش‌آموزانش را برای سرنخ‌هایی در مورد جایی که ممکن است برای دانش‌آموزان دبیرستانی عرضه کند، ترسیم کند. ما حتی با یک شرکت ارتودنسی کار کردیم تا مکان‌های مطب جدید آن را با تجزیه و تحلیل جمعیت‌شناسی در اطراف سایت‌های احتمالی برنامه‌ریزی کنیم.

در همین حال، GIS به تیم خبری ما کمک کرد تا پیشینه و علایق بینندگان ما را درک کند—به تولیدکنندگان این امکان را می‌دهد تا پوشش خبری ما را با موضوعاتی که بیشتر برای مخاطبان ما مهم است تنظیم کنند.

این پیشرفت ها در ایستگاه به خوبی مورد استقبال قرار گرفت، اما من این احساس آزاردهنده را داشتم که GIS می تواند حتی بیشتر برای WTAE انجام دهد. بعد از چند سال پایبندی به اصول اولیه، نیاز داشتم و می‌خواستم زمانی برای یادگیری بیشتر پیدا کنم. بنابراین، هفته ای یک ساعت برای کاوش برنامه ریزی کردم.

یک سه‌شنبه که مدت زیادی از آن نگذشته بود، به طور تصادفی به جستجوی تجارت و امکانات GIS رسیدم. با کنجکاوی، ویدیوی کوتاهی را تماشا کردم که این قابلیت را توضیح می داد و به سرعت پتانسیل آن را دیدم. من می‌توانم نقشه‌ای از تمام رستوران‌های جدید – یا بستنی‌فروشی‌های جدید، یا سالن‌های مو – در هر منطقه جغرافیایی ایجاد کنم. تصمیم گرفتم این تکنیک را با تیم فروش WTAE به اشتراک بگذارم تا بتوانند با کسب و کارهای جدید درباره مزایای تبلیغات با ایستگاه ما صحبت کنند.

آن موقع بود که با درس مهم بعدی ام روبرو شدم.

اشتباهات GIS تاتیا اوکانر را به برنامه ریزی جلسات یادگیری سوق داد

زمانی که ایمیل ها در حال انباشته شدن هستند، کند کردن سرعت کار دشواری است، اما پشتیبانی Hearst برای یادگیری و توسعه، من را بر آن داشت تا زمان کشف هفتگی GIS را برنامه ریزی کنم و این منجر به ابزار توسعه فروش جدیدی شد.


درس 2: انتظار از همکاران برای اتخاذ یک تکنیک جدید به تنهایی

چالش: وقتی برای اولین بار به همکاران فروش خود نشان دادم که چگونه GIS می تواند به آنها در یافتن مشتریان بالقوه جدید کمک کند، آنها بلافاصله از این تکنیک استفاده نکردند.

راه حل: اگر راه جدیدی برای GIS و تجزیه و تحلیل فضایی برای کمک به سازمان خود کشف کردید، انتظار جادو نداشته باشید. آماده باشید تا مزایا را به همکاران منتقل کنید و استفاده از آن را برای آنها آسانتر کنید.

چگونه یاد گرفتم: بعد از اینکه متوجه شدم GIS می تواند مشاغل جدید را در هر بازار مشخصی پیدا کند، یک گزارش جستجو برای تیم فروش خود ایجاد کردم. این شامل یک نقشه با پین هایی بود که تمام مشاغل جدید در یک شهرستان را نشان می داد و یک صفحه گسترده از تمام نقاط داده پشت نقشه.

مانند مشتری خود فکر کنید و صحبت کنید

با گذشت زمان، یاد گرفتم که با شخصی که در طرف دیگر داده‌هایی که به اشتراک می‌گذارم همدلی کنم—تا در چالش کسب‌وکار او سکونت داشته باشم و با عباراتی صحبت کنم که آنها می‌فهمند . به عنوان مثال، تحلیلگران GIS گاهی اوقات در مورد چند ضلعی ها ، شکل فایل ها و ژئوکدینگ صحبت می کنند ، اما این کلمات ممکن است برای صاحب یک شرکت حقوقی محلی یا مدیر بازاریابی برای یک کمپ تابستانی معنی زیادی نداشته باشد. 

وقتی آن تبلیغ‌کنندگان درباره هدف‌یابی تبلیغات برای افرادی که در چند مایلی کسب‌وکارشان رد می‌شوند می‌پرسند، من به آنها می‌گویم که می‌توانیم این کار را از طریق فناوری جغرافیایی و GIS انجام دهیم. من از پایان نامه ژئوفنسینگ صرف نظر می کنم.

من همچنین یاد گرفته‌ام که به‌جای صفحه‌گسترده با نقشه‌ها رهبری کنم—نقشه‌ها درک را سرعت می‌بخشند. من می‌توانم به مکان تبلیغ‌کننده در یک نقشه تعاملی اشاره کنم و بگویم: «این چیزی است که افراد اطراف کسب‌وکار شما به نظر می‌رسند. بگذارید یک اینفوگرافیک به شما نشان دهم.» این یک زبان بصری است که هر کسی با یک نگاه می تواند آن را درک کند.

من هیجان زده بودم که این تکنیک را با مدیران فروش به اشتراک بگذارم، اما پس از ارائه گزارش، عدم پاسخگویی تا حدودی ناامیدکننده بود – برای یافتن داده های مفید زمان گذاشته بودم، و آنها از آن استفاده نمی کردند. وقتی ناامیدی اولیه فروکش کرد، تجربه خودم را در نظر گرفتم. می دانستم که این فناوری می تواند خیلی بیشتر به تیم ما کمک کند، اما زمانی را برای کشف آن اختصاص ندادم. همکاران من به اندازه من سرشان شلوغ بود، به این معنی که گزارشی که من آن را پیشرفتی می دانستم احتمالاً بلافاصله در میان آنها قرار نمی گرفت.

بخشی از اشتباه محاسباتی من این بود که مثل یک فروشنده فکر نکرده بودم. [به نوار کناری، «مثل مشتری خود فکر کنید و صحبت کنید» را ببینید.] من به عقب برگشتم و بر ایجاد گزارش هدفمندتر تمرکز کردم – سپس مزایای آن را به تیم فروختم.

در طول سال، WTAE از رویدادهای اجتماعی مانند پروژه Slavation Army’s Project Bundle Up (یک مسابقه جمع آوری کت های زمستانی) و Susan G. Komen Race for the Cure (جمع آوری کمک مالی برای تحقیقات سرطان) حمایت مالی می کند. از آنجایی که مشاغل محلی اغلب تبلیغات خود را با رویدادهای غیرانتفاعی هماهنگ می کنند، من گزارش های جستجوی GIS را بر این اساس تنظیم کردم.

 به‌جای ایجاد نقشه‌ای که صدها کسب‌وکار جدید را در سراسر بازارمان نشان می‌دهد، داده‌ها را با در نظر گرفتن پروژه‌های خاص فیلتر کردم. سپس یک نقشه دیجیتال را با یادداشتی به اشتراک گذاشتم که می‌گفت: «از آنجایی که شما در حال کار بر روی حمایت‌های مالی برای مسابقه هستید، در اینجا برخی از کسب‌وکارهای نزدیک وجود دارد که ممکن است بخواهید با آنها صحبت کنید.»

اکنون عادت کرده ام که در جلسات فروش و گفتگوهای شخصی پیگیری کنم. اگر این کار را نکنم، اطلاعات مکانی ارزشمند می تواند در عجله روزانه گم شود.

درس 3 : تجربیاتم را زودتر به اشتراک بگذارم  

چالش: به مدت دو سال، من تنها فردی در تلویزیون هرست بودم که از GIS استفاده می‌کرد. سایرین در سازمان اکنون شروع به استفاده از فناوری اطلاعات موقعیت مکانی می کنند، اما اگر من پر سر و صداتر بودم ممکن بود زودتر اتفاق بیفتد.

راه حل: گروه های همتا ایجاد کنید و آنچه را که آموخته اید با همکاران به اشتراک بگذارید—شما با هم مهارت های GIS خود را سریع تر بهبود خواهید داد.

چگونه یاد گرفتم: قهرمان یک فناوری گاهی اوقات می تواند چیزی شبیه به یک تلاش باشد. یک تحلیلگر GIS در بخش برنامه ریزی املاک و مستغلات یک شرکت ممکن است نقشه های هوشمند را به هیئت مشاور تحویل دهد و هرگز نداند که یکی از همکاران بازاریابی در حال تجزیه و تحلیل جمعیت شناسی مشتری است یا اینکه یک مدیر اجرایی روند فروش در سراسر کشور را در داشبورد GIS دنبال می کند. اینها فرصت های عالی برای یادگیری از یکدیگر و چند برابر کردن ارزش GIS در سراسر سازمان هستند.

در سال 2018، من اولین فردی در سازمان تلویزیون هرست شدم که از GIS استفاده کرد. من این فناوری را از طریق کنجکاوی و اشتیاق یاد گرفتم و بر یافتن راه هایی برای کمک به ایستگاه در خدمت رسانی بهتر به بینندگان و تبلیغ کنندگان تمرکز کردم. با نگاهی به گذشته، باید زودتر نتایج و بینش خود را با مدیران همکار پژوهشی در میان می گذاشتم.

در آن روزهای اولیه، من بر روی یادگیری GIS تمرکز لیزری داشتم و هیجان زده بودم که ببینم چه چیزی می تواند ارائه دهد . در یک نمونه، یک شرکت تایرسازی محلی می‌خواست تبلیغات آنلاین را برای گروه خاصی از خریداران – در این مورد، مادران فوتبال – هدف قرار دهد. با استفاده از تجزیه و تحلیل جمعیت شناختی، نقشه ای ایجاد کردم که کدهای پستی را با غلظت بالایی از مادران فوتبالیست نشان می دهد. 

هنگامی که بینندگان از آن مناطق از وب سایت WTAE یا کانال پخش بازدید می کردند، ما به طور خودکار تبلیغات تایر را به آنها تحویل می دادیم. این امر باعث صرفه جویی در هزینه تبلیغ کننده شد و شانس ارتباط با مشتریان اصلی خود را افزایش داد.

پس از اینکه GIS به آن و سایر برنده‌های فروش کمک کرد، تیم شرکتی Hearst Television از من پرسید که آیا آنچه را که از این فناوری آموخته‌ام به اشتراک بگذارم. من شروع به ملاقات با مدیران تحقیقاتی دیگر در کارولینای جنوبی و کالیفرنیا کردم و اخیراً متوجه شدم که یکی از مدیران می‌خواهد مکان آگهی‌دهندگان را با مناطقی که بینندگان ایستگاهش متمرکز هستند مقایسه کند. داده ها در صفحات گسترده قفل شده اند و تجسم آنها دشوار است. با دانش اولیه من از GIS و داده های او، ما در حال یادگیری ایجاد نقشه هایی هستیم که به سؤال او در یک نگاه پاسخ می دهد.

رفاقت گروه و دانش‌سازی جمعی ما نیروبخش بوده است، و همه ما سریع‌تر از هر یک از ما به تنهایی در حال پیشرفت هستیم. همانطور که تکنیک های جدید GIS را یاد می گیریم، مشتاقانه منتظر به اشتراک گذاشتن اکتشافات خود با همکاران در سراسر سازمان هستیم.

اشتباهات GIS منجر به کشف GIS برای تاتیا اوکانر از WTAE شد

با فناوری GIS، ما اکنون سیستمی داریم که به ما امکان می‌دهد در جنبه جغرافیایی نحوه دریافت پیام‌ها توسط افراد تحقیق کنیم، جایی که واقعاً نمی‌توانستیم این کار را به طور مؤثر با سایر ابزارهای تحقیقاتی خود انجام دهیم.


وقت گذاشتن برای انعکاس

با نگاهی به درس های آموخته شده ام، یک موضوع مشترک این است که ارتباطات مهم در سازمانم را از دست دادم. این یک محصول جانبی ناخوشایند زندگی همیشه پرمشغله ما است: ما سرمان را پایین می گذاریم و کارمان را انجام می دهیم، اما فراموش می کنیم که چقدر می تواند سودمند باشد که ارزشی را که کشف کرده ایم به اشتراک بگذاریم.

توصیه من این است که تصویر بزرگ را در ذهن داشته باشید. برای کشف اشکال جدید هوش مکانی وقت بگذارید. به همکاران خود در مورد اکتشافات GIS خود بگویید تا بتوانند از آنها بهره مند شوند. و همکاری کنید تا بتوانید بیشتر بیاموزید—درباره فناوری و اینکه چگونه می تواند به افراد و سازمان های اطراف شما کمک کند.

مهاجران شهر نیویورک را به مقصد این ایالت ها ترک می کنند

مهاجران شامل ده‌ها هزار نفر شهر نیویورک را ترک کرده‌اند تا فرصت‌هایی را در ایالت‌های دیگر دنبال کنند و بیش از 3000 نفر به مکان‌هایی مانند تگزاس و فلوریدا بازگشته‌اند.

Downloads\Video\Migrants Are Leaving New York City for These States.mp4


داده‌های شهرداری نیویورک که در اختیار نیوزویک قرار گرفته نشان می‌دهد که مقصد اصلی مهاجرانی که شهر نیویورک را ترک می‌کنند، ایلینوی است که برای آن ۲۳۶۹ بلیط هواپیما صادر شده است. دومین مقصد محبوب، جاهای دیگری در ایالت نیویورک است.

تگزاس به ویژه در رتبه سوم قرار دارد. بیش از 1800 مهاجر به دنبال بلیط برای تگزاس بوده اند، که نشان می دهد بسیاری از آنها به ایالتی باز می گردند که احتمالاً آنها را برای شروع به شمال فرستاده است. همچنین نزدیک به 1200 مهاجر وجود دارند که شهر نیویورک را به مقصد فلوریدا ترک کرده اند.

در حالی که بیش از 19000 مهاجر اریک آدامز، شهردار نیویورک را به پیشنهاد او قبول کرده اند، این ارقام تقریباً 13 درصد از مهاجران این شهر را نشان می دهد.

مهاجران شهر نیویورک را ترک می کنند
شهر نیویورک 19366 بلیط برای خروج مهاجران از شهر صادر کرده است. ده‌ها هزار مهاجر شهر نیویورک را ترک کرده‌اند تا فرصت‌هایی را در ایالت‌های دیگر دنبال کنند و بیش از 3000 نفر به مکان‌هایی مانند تگزاس و فلوریدا بازگشته‌اند.عکس-تصویر از نیوزویک/گتی

دولت آدامز بیش از 4.6 میلیون دلار را بین مارس 2022 و نوامبر 2023 برای رزرو بلیط هواپیما یک طرفه برای جابجایی بیش از 150100 مهاجری که از بهار 2022 وارد شهر شده اند، هزینه کرده است.

سخنگوی شهرداری کایلا ماملاک به نیوزویک گفت که 19,366 بلیط در سراسر شرکت بهداشت و بیمارستان های شهر نیویورک، اداره حفاظت و توسعه مسکن شهر نیویورک، مدیریت اضطراری شهر نیویورک و وزارت امنیت داخلی صادر شده است .

شهر نیویورک که در تیراندازی یک بحث ملی گسترده تر در مورد مهاجرت گرفتار شده است، با بحران مهاجرانی دست و پنجه نرم می کند که شهردار هشدار داده است که شهر را “ویران می کند”. در پاسخ به هجوم بی‌سابقه پناهجویانی که در بهار 2021 شروع به ورود به مرز ایالات متحده و مکزیک کردند، فرماندار تگزاس، گرگ ابوت، عملیات ستاره تنها را آغاز کرد. در تلاش برای افزایش فشار بر دولت بایدن، ابوت شروع به حمل و نقل مهاجران به شهرهای تحت رهبری دموکرات ها، مانند نیویورک، شیکاگو، دنور و واشنگتن دی سی کرد.

از آگوست 2022، تگزاس بیش از 33600 مهاجر را با اتوبوس به شهر نیویورک منتقل کرده است. این شهر طی ماه گذشته مجدداً افزایش ورود را تجربه کرده است و بیش از 14700 ورودی جدید را ثبت کرده است. آدامز گفت که هفته گذشته پس از ارسال 14 اتوبوس “سرکش” توسط تگزاس در یک شب، “بیشترین تعداد ثبت شده خود را در یک شب” تجربه کرد.ادامه مطلب

ابوت از عملیات ستاره تنها دفاع کرده و استدلال می‌کند که حمل و نقل مهاجران در جاهای دیگر «تسکین حیاتی برای جوامع مرزی ما فراهم می‌کند». ابوت در یک مراسم صبحانه در ماه سپتامبر که توسط اندیشکده محافظه‌کار موسسه منهتن برگزار شد، گفت: “واردکننده اصلی مهاجران به نیویورک تگزاس نیست، جو بایدن است .”

در نتیجه عملیات ستاره تنها، شهر نیویورک برای اسکان دادن مهاجران با مشکل مواجه شده است. آدامز تاکید کرده است که ظرفیت پناهگاه های شهر وجود دارد و تخمین زده است که این پناهگاه ها در طول سه سال آینده حدود 12 میلیارد دلار هزینه خواهد داشت. دفتر شهردار قبلاً محدود کردن مهاجران بزرگسال را به 30 روز در پناهگاه های شهری و 60 روز برای خانواده های مهاجر دارای فرزند محدود کرده است – یک اقدام قانونی مشکوک با توجه به الزام شهر برای “حق سرپناه” – و همین هفته گذشته، آدامز دستور جدیدی را صادر کرد که ورود را محدود می کند. زمان اتوبوس های حامل مهاجران

شهردار همچنین به مهاجران پیشنهاد سفر داوطلبانه به خارج از شهر را به امید کاهش فشار بر منابع شهری داده است. آدامز با تصور اینکه صدور کرایه هواپیما برای هر نقطه از جهان ارزان تر از اسکان مهاجران برای ماه ها متوالی است، آدامز مهاجرانی را که از پناهگاه های شهری تخلیه شده بودند به یک “مرکز فروش بلیط” در پایان اکتبر هدایت کرد.

مامالک در آن زمان به شبکه محلی THE CITY گفت: «در اینجا، شهر تلاش‌های خود را برای خرید بلیط برای مهاجران دو چندان می‌کند تا به آنها کمک کند گام‌های بعدی در سفر خود را بردارند، و به ما کمک می‌کند تا عملیات تریاژ را در روزولت برای تازه واردان انجام دهیم.

روز سه‌شنبه، مامالک درخواست نیوزویک برای اطلاعات مربوط به پروازهای بین‌المللی را رد کرد و اشاره کرد که این شهر در حال حاضر تنها 10 مقصد برتر را ارائه می‌کند.

در اینجا 10 مقصد برتری که مهاجران در شهر نیویورک در آن ها بلیت شده اند آورده شده است:

  1. ایلینوی – 2369
  2. نیویورک – 2261
  3. تگزاس – 1847
  4. فلوریدا – 1189
  5. مینه سوتا – 1177
  6. کلرادو – 1147
  7. گرجستان – 925
  8. کالیفرنیا – 823
  9. ویرجینیا – 664
  10. اوهایو – 615

علیرغم تلاش های شهر برای محدود کردن تعداد مهاجران، پناهجویان همچنان در بزرگترین شهر کشور حاضر می شوند. صدها مهاجر با حضور در نقاط ترانزیت در نیوجرسی آخرین سفارش آدامز را دور زدند.

“شاید الزاماتی که شهردار آدامز وضع کرده است بسیار سخت گیرانه بوده و منجر به عواقب غیرمنتظره ای می شود، زیرا به نظر می رسد اپراتورهای اتوبوس به منظور اطمینان از رسیدن مهاجران به مقصد نهایی خود، یعنی شهر نیویورک، شکافی را در سیستم کشف کرده اند. طبق گزارش‌های پلیس ایالتی، این اتفاق اکنون در ایستگاه‌های قطار در سراسر ایالت رخ می‌دهد.”

مدل یادگیری عمیق پتانسیل توسعه انرژی خورشیدی را باز می کند

انرژی خورشیدی فرصتی عظیم برای تولید انرژی پایدار و سبز است. تحقق پتانسیل کامل آن مستلزم شناسایی مکان های مناسب برای نصب پنل های خورشیدی است. Pivot Energy ، یک تامین کننده ملی انرژی های تجدیدپذیر که دفتر مرکزی آن در کلرادو قرار دارد، برای مکان یابی پارکینگ ها در مناطق مختلف مورد علاقه که برای اجرای پنل های خورشیدی بالقوه مناسب هستند، به کمک نیاز داشت. 

با استفاده از فناوری پیشرفته GIS، تیمی از شریک Esri Platte River Analytics به Pivot Energy کمک کرد تا این کار را به طور دقیق و کارآمد انجام دهد. با استفاده از یک مدل یادگیری عمیق از Esri، تیم Platte River Analytics سطوح پارکینگ را از تصاویر با وضوح بالا استخراج کردند. سپس تیم از ابزارهای ژئوپردازش در ArcGIS Pro برای انجام اندازه‌گیری‌ها و محاسبات دقیق‌تر سایت‌های بالقوه استفاده کرد.

نتایج این تجزیه و تحلیل اطلاعات ارزشمندی را در اختیار Pivot Energy قرار داد و کارکنان را برای تصمیم‌گیری مبتنی بر داده‌ها و برنامه‌ریزی موثرتر تلاش‌های پذیرش انرژی خورشیدی توانمند کرد.

تصویری هوایی از یک شهر که برخی از بخش‌های آن به رنگ بنفش سایه انداخته شده است
مدل یادگیری عمیق پتانسیل توسعه انرژی خورشیدی را باز می کند
این تیم با استفاده از طبقه‌بندی پارکینگ‌های Esri – مدل یادگیری عمیق ایالات متحده در ArcGIS Pro، مطالعه آزمایشی استخراج پارکینگ در گلدن، کلرادو را انجام داد.

مزایای توسعه خورشیدی مبتنی بر پارکینگ

پارکینگ ها فضای قابل توجه و در عین حال کم استفاده ای را برای توسعه انرژی خورشیدی ارائه می دهند. آنها دارای ویژگی های کلیدی هستند که آنها را برای تولید انرژی خورشیدی ایده آل می کند، مانند سطح وسیع، قرار گرفتن بدون مانع در معرض نور خورشید و نزدیکی به اتصالات زیرساخت های الکتریکی. علاوه بر این، پارکینگ‌های آسفالت‌شده معمولاً دارای شیب بسیار کم هستند، برای زهکشی طراحی شده‌اند، با سایر کاربری‌ها رقابت نمی‌کنند و همیشه در استفاده کامل نیستند.

پارکینگ های خورشیدی می توانند مزایای زیست محیطی و اقتصادی متعددی را برای مالکان و جوامع فراهم کنند. آنها را می توان به سرعت به ایستگاه های شارژ وسایل نقلیه الکتریکی (EV) مجهز کرد. این نه تنها به خودروهای برقی امکان می‌دهد مستقیماً با انرژی تولید شده از خورشید تغذیه شوند و حمل‌ونقل پاک را ترویج می‌کنند، بلکه هزینه‌های برق را برای مالکان و اپراتورها کاهش می‌دهد و راه‌هایی را برای درآمدزایی بالقوه از طریق فروش انرژی باز می‌کند. علاوه بر این، ارائه شارژ EV به مشتریان، صاحبان خودروهایی را جذب می‌کند که در حین شارژ کردن وسایل نقلیه خود در منطقه هزینه می‌کنند.

همه اینها دلایلی هستند که چرا Pivot Energy نیاز به جست و جوی پارکینگ ها در سراسر ساحل شرقی و در نهایت کشور را دید تا ببیند کدام یک برای توسعه انرژی خورشیدی ایده آل هستند.

روشی سریع و خودکار برای تشخیص پارکینگ های مناسب

برای خودکارسازی تشخیص پارکینگ‌ها در مناطق مورد علاقه Pivot Energy، تیم Platte River Analytics بر طبقه‌بندی پارکینگ‌های Esri – مدل یادگیری عمیق ایالات متحده، که در ArcGIS Living Atlas of the World موجود است، تکیه کردند.

این مدل از پیش ساخته شده توسط تیم تجزیه و تحلیل Esri توسعه یافته است، برای شناسایی پارکینگ ها در تصاویر منطقه ای منبع آموزش داده شده است. مانند بیش از 65 مدل یادگیری عمیق دیگر که تیم تجزیه و تحلیل Esri برای شناسایی اشیاء از مهر و موم های قطب شمال گرفته تا خطوط برق ایجاد کرده است، مدل طبقه بندی پارکینگ ها – ایالات متحده به طور خودکار دارایی ها را از تصاویر استخراج می کند بدون اینکه کاربران مجبور به سرمایه گذاری زمان یا هزینه برای آموزش باشند. داده ها یا پرسنل

برای این پروژه، تیم Platte River Analytics نیاز به استفاده از داده‌های زیرمتری با کیفیت بالا داشت که به مدل اجازه می‌داد ویژگی‌های زمین را به جزییات پارکینگ شناسایی و تجزیه و تحلیل کند. این تیم تصاویر برنامه ملی تصویربرداری کشاورزی (NAIP) با وضوح یک متر را از برنامه وب EarthExplorer سازمان زمین شناسی ایالات متحده به دست آورد. تصاویر موجود در این برنامه توسط وزارت کشاورزی ایالات متحده در طول فصول رشد کشاورزی از سال 2003 تا کنون به دست آمده است.

پس از دانلود تصاویر NAIP، تیم Platte River Analytics به طور یکپارچه مدل یادگیری عمیق را در گردش کار ArcGIS Pro خود ادغام کرد. این تیم تصاویر را با این مدل پردازش کرد که به طور خودکار پارکینگ ها را در ده ها منطقه مورد علاقه Pivot Energy شناسایی کرد.

استفاده از مدل آسان بود. منطقه مورد علاقه اولیه که تیم بررسی کرد اندازه یک شهر بزرگ ایالات متحده بود و کمتر از 12 ساعت طول کشید تا هم تصاویر را دانلود کرد و هم در ArcGIS Pro پردازش کرد.

برای تجزیه و تحلیل بیشتر پارکینگ های شناسایی شده، تیم Platte River Analytics از ابزار ژئوپردازش Raster به Polygon در ArcGIS Pro برای تبدیل خروجی های شطرنجی به چند ضلعی استفاده کرد. این تیم را قادر ساخت تا اندازه‌گیری‌های دقیق‌تری را به دست آورد و اندازه هر لات را محاسبه کند و اطلاعات ارزشمندی را در اختیار Pivot Energy قرار دهد تا کارکنان بتوانند ارزیابی‌های امکان‌سنجی را آغاز کنند و برنامه‌ریزی پروژه را آغاز کنند.

از آنجا، تیم GIS در Pivot Energy قادر به مطالعه عوامل نظارتی – مانند دشت‌های سیلابی، پوشش درختان، تالاب‌ها، و مسیرهای مهاجرت حیات وحش – در اطراف پارکینگ‌هایی بود که در ابتدا برای توسعه خورشیدی قابل قبول تلقی می‌شدند.

صرفه جویی در ده ها ساعت کار دستی در هفته

اتخاذ رویکرد مبتنی بر یادگیری ماشین برای یافتن پارکینگ‌های مناسب برای نصب پنل‌های خورشیدی، کارکنان Pivot Energy را قادر می‌سازد تا تصمیمات آگاهانه‌ای را در مورد اینکه کدام مناطق و پارکینگ‌های خاص می‌توانند برای این کار مفید باشند، اتخاذ کنند. با استفاده از GIS پیشرفته برای ارزیابی مکان‌ها و اندازه‌های پارکینگ، توسعه‌دهنده می‌تواند برنامه‌ریزی پروژه را بهینه کند، حداکثر ظرفیت تولید انرژی را تضمین کند و نصب زیرساخت‌های خورشیدی را سرعت بخشد.

به گفته ریچل مید، مدیر GIS در Pivot Energy، فرآیندی که تیم Platte River Analytics برای استخراج پارکینگ‌ها از تصاویر استفاده کرد، باعث شد تیم او بیش از 20 ساعت در هفته از جستجوی دستی تصاویر هوایی برای – و دیجیتالی کردن پارکینگ‌ها در سراسر – صرفه‌جویی کند. مناطق مورد علاقه این شرکت که در سراسر ایالات متحده امتداد دارند.

او گفت: “دسترسی به مدل های یادگیری عمیق ارائه شده توسط Esri باعث صرفه جویی در زمان شده است.” با خودکار کردن این … ما می توانیم ده ها ساعت در هفته صرفه جویی کنیم و آن زمان را مجدداً با پروژه های دیگر تنظیم کنیم.

یک یادگیرنده مادام العمر یک مزیت علم داده را برای Fruit of the Loom به ارمغان می آورد

هفت سال پیش، بث راجرز به طور جدی به دنبال یک حرفه آکادمیک در علم بود که شامل مطالعه تکنیک‌های استتار ماهی‌های دریایی در اعماق اقیانوس هند بود یک یادگیرنده مادامالعمر. در زیر دریا، در دنیای پر طاووس‌های ته‌نشین و موجودات اختاپوس‌مانند، او برای اولین بار فریب زندگی اختصاص یافته به تحقیقات علمی را احساس کرد. با این حال، آن محیط آرام زیر آب نمی‌توانست بیشتر از این از دنیای خرده‌فروشی خشن Fruit of the Loom حذف شود، جایی که راجرز در نهایت به پایان رسید و اکنون به عنوان مدیر ارشد علم داده رشد می‌کند.

عکس لحظه ای مقاله: وقتی بث راجرز مهارت های علم داده و اطلاعات مکانی خود را – که در پی تحقیقات علمی به دست آورده بود – به شرکت 169 ساله Fruit of the Loom برد، به یک کاتالیزور برای تغییرات مبتنی بر داده در غول پوشاک تبدیل شد.

اگرچه تغییر شغلی او کمتر فلسفی بود تا اقتصادی، راجرز جایگاه محرک فکری خود را در Fruit of the Loom پیدا کرده است. او اکنون سرپرستی یک تیم علم داده را بر عهده دارد که تصمیم گیری مبتنی بر داده را از طریق استفاده از هوش موقعیت مکانی، تجزیه و تحلیل داده ها و فناوری سیستم اطلاعات جغرافیایی (GIS) به خط مقدم این شرکت 169 ساله می آورد.

این رویکرد در حال افزایش است، به ویژه پس از اینکه یک پروژه به ایجاد حدود 20 درصد صرفه جویی در هزینه های حمل و نقل کمک کرد. اکنون، نه تنها بخش‌های بیشتری از تیم او مشاوره می‌خواهند، بلکه خرده‌فروشان بزرگی که محصولات Fruit of the Loom را می‌فروشند نیز بینش آنها را درخواست کرده‌اند.

راجرز که زمانی به Fruit of the Loom وارد شد که رهبران شرکت به دنبال یک مزیت مبتنی بر داده در رقابت بودند، می‌گوید: «به‌طور اتفاقی در زمان مناسب در مکان مناسب قرار گرفتم تا به یک کاتالیزور برای علم داده تبدیل شوم.

انتقال ناگهانی به شرکت پوشاک میوه می دهد

راجرز مدرک کارشناسی ارشد خود را در رشته علوم زمین در دانشگاه کنتاکی غربی (WKU) با تمرکز بر فناوری GIS گرفت. راجرز بین سال های اول و دوم در WKU، با بودجه مدرسه برای کار تابستانی زیر سوال رفت، خود را به دنبال کارآموزی یافت. هنگامی که جستجوی او در دفتر مرکزی میوه لوم در زادگاهش بولینگ گرین، کنتاکی، افتتاح شد، راجرز غافلگیر شد.

اگرچه والدین چند تن از دوستان او برای این شرکت کار کرده بودند، اما او هرگز به شغلی در تجارت فکر نمی کرد – چه رسد به اینکه در یکی از معروف ترین برندهای دنیای خرده فروشی. او همچنین می‌دانست که برخی در دانشگاه‌ها تحقیقات تجاری را عجولانه یا ناقص می‌دانند.

اما او درخواست داد و شغل را به دست آورد. راجرز وقتی وارد شد، مدیرانی را یافت که در تلاش برای سرنگونی سیلوهای اطلاعاتی بودند – به دنبال راه‌هایی برای استفاده از ذخیره‌های عظیم داده‌ای که از طریق دسترسی جهانی شرکت جمع‌آوری شده بودند. که او را مجذوب خود کرد.

او می‌گوید: «من یک یادگیرنده مادام‌العمر هستم، و دوست دارم اطلاعات را از متخصصان و متخصصان دریافت کنم.» بنابراین، او داخل شد.

یکی از اولین چیزهایی که راجرز در Fruit of the Loom کشف کرد این بود که یک کسب و کار زمانی برای پروژه های تحقیقاتی بدون پایان ندارد. تجزیه و تحلیل باید متفکرانه اما سریع انجام می شد – و ارتباط کلیدی بود. او آموخت که داستان تحقیقات خود را بر روی نقشه‌های هوشمند مبتنی بر GIS تعریف کند و به همکارانش اطلاعات مکانی را نشان دهد که می‌تواند به کسب‌وکار کمک کند.

راجرز از اینکه متوجه شد داده‌های شرکت آنقدر گسترده است که گنجینه‌ای از امکانات را در خود جای داده بود، هیجان‌زده بود، به خصوص اگر بتواند داده‌های Fruit of the Loom را با خواص دیگر آن، از جمله لباس‌های زیر زنانه راسل ورزشی، اسپالدینگ، و ونیتی فیر ترکیب کند.

او همچنین نمی توانست تشخیص دهد که به طور ناگهانی، حرفه او از زیر آب به لباس زیر تبدیل شده است. با برخی معیارها، اتفاق عجیبی بود، اما با این وجود جذاب بود. راجرز امروز می‌گوید: «مطمئناً صدای استتار کوتل‌فیش با لباس زیر Fruit of the Loom بسیار متفاوت است. اما هسته اصلی آن همه آن فرآیندها و مجموعه‌های مهارتی است که برای تقطیر داده‌ها، حمله به سؤالات تحقیق و فرمول‌بندی فرضیه‌ها آموخته بودم. علم داده قابل اعتماد در خرده فروشی بر اساس همان فرآیند علمی است که من در کالج مطالعه کردم.

بت راجرز، مدیر ارشد علوم داده در Fruit of the Loom

همه می توانند – اگر کمی جغرافیا داشته باشند – نقشه و آنچه را که نشان می دهد درک کنند. و برای من، این بسیار قدرتمند بود. استفاده از آن نقشه ها، به خصوص در ابتدا، راهی برای من بود تا بتوانم وارد دروازه شوم و دنیای امکانات را به روی این تیم ها باز کنم.


بث راجرز، مدیر ارشد علوم داده، Fruit of the Loom

علم داده به عنوان یک سلاح مخفی

زمانی که راجرز برای کارآموزی درخواست داد، کریس کربس، مدیر ارشد فناوری Fruit of the Loom، از قبل به دنبال راه هایی برای سرعت بخشیدن به تحول دیجیتال شرکتش بود .

کربس می‌گوید: «همه در خرده‌فروشی به دنبال یک مزیت هستند و همه به دنبال آن فرصت برای بهبود هستند. زمانی که ما در نهایت تیم را حول بث ساختیم، در مورد ایجاد یک قابلیت علم داده در شرکت برای تجزیه و تحلیل مشکلات تجاری، دیدن چیزها از منظری متفاوت و تفکر با داده ها بود.

دوره کارآموزی راجرز به یک موقعیت تمام وقت و در نهایت به یک نقش رهبری به عنوان رئیس علوم داده در Fruit of the Loom تبدیل شد. همانطور که تلاش‌های تیم علم داده افزایش یافت و رهبران بخش درخواست کمک کردند، کربس متوجه شد که افراد بدون آموزش دانشکده بازرگانی می‌توانند در واقع بینش‌های مهمی را در حجم عظیمی از داده‌های تجاری کشف کنند.

کربس می‌گوید : «ما از استعدادهای این افراد در حالی که از مدرسه بیرون می‌آیند و روی مشکلات واقعی تجاری کار می‌کنند، استفاده می‌کنیم و از مهارت‌های ریاضی و علوم داده‌شان برای ایجاد بینش تازه استفاده می‌کنیم. ما به تنوع گسترده ای از مردم نیاز داریم که بتوانند همه این داده ها را غربال کنند و چیزهایی را ببینند که دیگران نمی بینند.

مشاهده الگوها در دریاهای داده

برای Rogers و Fruit of the Loom، علم داده و اطلاعات مکان به سرعت ارزش خود را ثابت کردند. او و تیمش راهی برای صرفه جویی در هزینه های حمل و نقل با ساده کردن زنجیره تامین و جابجایی محصولات به یک مرکز توزیع متفاوت پیدا کردند .

راجرز در مورد روزهای اولیه خود در این شرکت می‌گوید: «بسیاری از مردم به زنجیره تأمین ما در صفحات گسترده یا شاید نقشه‌های بسیار ناهموار نگاه می‌کردند. از صفحات گسترده، شما نمی توانید هیچ زمینه فضایی را درک کنید. و من فکر می‌کنم که این خیلی مهم بود – ایجاد این حرکت به سمت تجسم فضایی و علاقه‌مند کردن تیم‌های بیشتر و بیشتر.»

راجرز و تیمش همچنین از اطلاعات مکانی استفاده کردند تا مشخص کنند که دما باید چند درجه کاهش یابد تا مردم به فروشگاه‌ها یا آنلاین در جستجوی لباس زمستانی بروند. آنها بررسی کردند که چگونه آن نقطه اوج مربوط به آب و هوا می تواند بر اساس منطقه متفاوت باشد (برای مثال به تصویر سمت چپ نگاه کنید). برای کسب‌وکاری که از طریق کانال‌های آنلاین و خرده‌فروشی‌های آجری به فروش می‌رساند، درک ترجیحات مشتری در مکان‌های مختلف بسیار ارزشمند است.

چگونه آب و هوا بر فروش در مکان های خاص تأثیر می گذارد
یک یادگیرنده مادام العمر یک مزیت علم داده را برای Fruit of the Loom به ارمغان می آورد
تجزیه و تحلیل نمونه ای از چگونگی تأثیر آب و هوا بر موجودی و فروش Fruit of the Loom که توسط راجرز و تیم علم داده تهیه شده است.

اما در بازاری با حاشیه های کم و رقبای زیاد، به سختی می توان به یک مزیت دست یافت. شاید به همین دلیل، کربس در مورد بحث درباره برخی از کارهایی که راجرز و تیمش انجام می دهند محتاط است. او به WhereNext می گوید: «من به آن تیم کوچک به عنوان یک سلاح مخفی نگاه می کنم . “من می خواهم سعی کنم بخشی از آن را برای خودمان نگه داریم.”

او بیشتر در مورد توانایی راجرز در درک نیازهای کسب و کار و مهارت او در بیان داستان علم داده و اطلاعات مکان – نه از طریق صفحات گسترده سنتی بلکه از طریق نقشه ها و شبیه سازی های هوشمند که می تواند تصمیم گیرندگان تجاری را با وضوح و اطمینان بیشتر توانمند کند، صحبت می کند.

کربس می‌گوید: «او در مورد چیزها متفاوت فکر می‌کند [و] دیدگاهی کاملاً متفاوت، رویکردی بسیار تحلیلی برای حل مشکلات ارائه می‌کند. او بسیار فهیم است، که به ویژه در این زمینه مهم است، و من فکر می‌کنم که او کار خوبی انجام می‌دهد و یافته‌های آنها را توضیح می‌دهد و آن داستان را در مورد علم داده بیان می‌کند تا غیر دانشمندان و استراتژیست‌های فروش و بازاریابی بتوانند درک کنند و خرید کنند.»

مخالفت با سنت و شهود

عدم تجربه اولیه راجرز در تجارت، بعد جدیدی را به کار آورد. برای اولین بار، به او دیدگاهی انتقادی از شیوه های سنتی و تفکر مرسوم داد.

او می‌گوید : «من واقعاً می‌خواستم به رهبران کمک کنم تا بهترین تصمیم را بر اساس آنچه داده‌ها به آن‌ها می‌گویند، بگیرند.

او و تیمش از علم داده و اطلاعات مکان استفاده کردند تا نتایج بعضاً خلاف واقع را به دست آورند. یکی از کشفیات این بود که در حالی که نمایندگان بازاریابی اغلب محصولات خود را در هر فروشگاه ممکن می خواهند، یک استراتژی موثرتر این است که موجودی هر فروشگاه را مطابق با سلیقه مشتریان محلی تنظیم کنید.

جف لین، معاون مدیریت دسته بندی و تجزیه و تحلیل کسب و کار Fruit of the Loom می گوید: «این شهودی نیست که به فروش یا بازاریابی بگوییم که محصول آنها ممکن است بازدهی کمتری داشته باشد، زیرا در فروشگاه های بیشتری در آن وجود دارد.

با استفاده از فناوری GIS، تیم بررسی کردند که چگونه یک محصول در فروشگاه‌های خاص فروخته می‌شود و در کجا موفق بوده است. لین می‌گوید: «سپس گروه بعدی فروشگاه‌هایی که ما آن را راه‌اندازی می‌کنیم، فروشگاه‌هایی هستند که با مشخصات مصرف‌کننده مطابقت دارند. “و واقعاً اینجاست که ما شروع به جذب بیشتر در مورد نحوه استفاده از این [فناوری] برای گسترش توزیع به مناطق مناسب کردیم.”

کریس کربس، CIO Fruit of the Loom

یک فروشگاه خاص در یک بازار خاص و یک جمعیت جمعیتی خاص ممکن است نیازهای موجودی متفاوتی نسبت به فروشگاه دیگری در جمعیتی متفاوت در یک وضعیت متفاوت داشته باشد.


کریس کربس، CIO، Fruit of the Loom

ایجاد داشبوردهای علم داده برای افراد غیر دانشمند

پس از اثبات اینکه علم داده چگونه استراتژی‌های برنده را تولید می‌کند، تیم راجرز اکنون آماده ارائه داشبوردهای خودسرویس است که به غیر دانشمندان امکان استفاده از داده‌ها را می‌دهد. یک مدل خودخدمت برای بینش تجاری و هوشمندی موقعیت مکانی چیزی است که سایر رهبران صنعت نیز به آن علاقه دارند. این به تیم علم داده کمک می کند تا تجزیه و تحلیل عمیق تری را به جای پاسخ به درخواست های تکراری انجام دهند.

لین می‌گوید: «بث در تحلیل‌هایی که ما انجام می‌دهیم، اتوماسیون زیادی را هدایت می‌کند. “من فکر می کنم او واقعاً یک نیروی محرکه است که به همه ما کمک می کند تا در نحوه استفاده از داده های بیشتر در زمان واقعی برای تصمیم گیری های تجاری مهم پیشرفت کنیم.”

لین می‌گوید در حالی که شهود گهگاه به موفقیت منجر می‌شود، در عصر دیجیتال سرمایه‌گذاری در استراتژی‌هایی که در برابر داده‌ها بررسی نشده است برای شرکت‌ها سخت‌تر می‌شود.

لین می‌گوید: «من فکر می‌کنم کاری که بث و تیمش انجام می‌دهند به ما این فرصت را می‌دهد تا هوشمندانه‌تر عمل کنیم. و هر چه بیشتر بتوانیم با اطلاعات انجام دهیم و سریعتر بتوانیم آن اطلاعات را بدست آوریم و تصمیم گیری کنیم، فکر می کنم ما به عنوان یک سازمان قوی تر خواهیم بود، نه تنها برای خود بلکه برای شرکای خرده فروشیمان.

جف لین، Fruit of the Loom، معاون مدیریت دسته بندی و تجزیه و تحلیل تجاری

بث توانسته است جریان های داده را از مناطق مختلف بگیرد تا همه آنها را با هم جمع کند. و من فکر می‌کنم این جایی است که فایده آن به وجود می‌آید، زیرا وقتی همه داده‌های ترکیبی را در یک نقطه داشته باشید، قدرت تجزیه و تحلیل بسیار بهتر است.


جف لین، معاون مدیریت دسته بندی و تجزیه و تحلیل تجاری، Fruit of the Loom

آینده علم داده و دانشمندان داده

راجرز همچنان با دوستان دانشگاهی و مربیان خود در ارتباط است و با دانشجویان در مورد علم زمین و اطلاعات مکانی و کاربردهای عملی آنها در تجارت صحبت می کند.

اما او هیچ پشیمانی از راه انداختن مسیر خود، یا هیچ تردیدی در مورد توصیه دنیای شرکت به همکاران علم‌اندیش ندارد. یک مطالعه اخیر نشان می دهد که مشاغل علوم زمین درآمد بسیار خوبی دارند.

او به WhereNext می گوید: «امیدوارم همه دوستانم به حرفه علمی خود ادامه دهند و تحقیقات شگفت انگیزی انجام دهند . “اما فکر می کنم توانسته ام نمونه ای برای افرادی باشم که اکنون می بینند که شما می توانید از دانشگاه به صنعت پل بزنید.”

راجرز برای تشویق دانش‌آموزان جوان‌تر به در نظر گرفتن مشاغل STEM، کلاس‌های ویژه سوپر شنبه برای دانش‌آموزان کلاس سوم و چهارم در مورد زندگی زیر دریا تدریس می‌کند. او می‌گوید: «این همچنین به من کمک می‌کند تا سفر شغلی‌ام را برای آنها توضیح دهم، و به نظر می‌رسد که دانشجویان جوان فکر می‌کنند که بودن در اتاق با یک دانشمند به نوعی تمیز است. “اما من همچنین کسی هستم که دانش او را به کار گرفته و از آن در بخش خصوصی شغل و حرفه ای ایجاد کرده ام.”

راجرز از دانش‌آموزان کلاس می‌خواهد بدانند که می‌توانند همین کار را انجام دهند و مسیرهای شغلی گاهی اوقات دارای چرخش‌های ناهموار هستند. CIO Krebs احتمالا موافق است.

کربس می‌گوید: «اگر همه به راست بپیچند، بث کسی است که می‌گوید، شاید باید به چپ بپیچیم». ایده‌های او باعث می‌شود به راه جدیدی برای نزدیک شدن به چیزی فکر کنم. شما هرگز یک جلسه با او را بدون یادگیری یک سری چیزها یا بدون فکر کردن به مسائل به روشی دیگر ترک نمی کنید.

بنابراین آینده برای مدیر ارشد علم داده چیست؟

کربس می‌گوید: «من حتی یک جعبه دور آن قرار نمی‌دهم. “او یکی از آن افرادی است که می تواند آنچه را که می خواهد انجام دهد. فکر می‌کنم او در اینجا چیزهای زیادی یاد گرفته است و من می‌توانم روزی او را ببینم که شرکت را اداره می‌کند.»

GeoAI، مسئولیت شرکتی، و هوشیاری یک سازمان دیده بان آب و هوا

نسل جدیدی از نگهبانان محیط زیست وجود داردِ GeoAI. یک دهه پیش، پیشینیان آن‌ها در جنگل‌ها و جنگل‌ها قدم زدند تا جنگل‌زدایی ناشی از استخراج غیرقانونی معدن، حفاری نفت، دامداری و کشاورزی روغن نخل را ثبت کنند. آنچه را که در آن زمان کشف آن ماه ها یا حتی سال ها طول کشید، ناظران امروزی در یک روز با استفاده از تصاویر ماهواره ای و فناوری GIS (سیستم اطلاعات جغرافیایی) مبتنی بر هوش مصنوعی فاش می کنند.

دکتر مت فاینر کمک کرد تا چنین تکنیک هایی را به جریان اصلی تبدیل کنند. امروزه، در حالی که او و همکارانش برای محافظت از زمین های مولد و جلوگیری از اثرات بحران آب و هوا، نظارت و تجزیه و تحلیل در زمان واقعی را انجام می دهند، آنها با دقت و سرعت بیشتری نقش نگهبان جهانی را القا می کنند.

یک سگ دیده بان به اعماق زنجیره تامین برای حفاظت از آمازون نگاه می کند

برای کسب‌وکارهای جهانی، مشاهده کل زنجیره تامین نادر است – برخی از مطالعات می‌گویند تنها 6 درصد از شرکت‌ها به آن دست یافته‌اند . اما مدیران دیگر نمی‌توانند نسبت به فعالیت‌هایی که در اعماق شبکه‌های تامین آنها رخ می‌دهد اظهار بی‌اطلاعی کنند. برای مثال، قوانین جدید و در حال انتظار برای مقابله با جنگل‌زدایی ، ثابت می‌کند که اقدامات هر بازیگری در زنجیره تامین – هر چند جزئی یا دور از دفتر مرکزی – اکنون یک خطر شرکتی است.

و نگهبانان در حال تماشا هستند.

نام مت فاینر در میان آن ها زبانزد است. در سال 2013، او در حفاظت از آمازون مشغول به کار شد. دو سال بعد، او سازمان نظارت بر پروژه آمازون (MAAP) را با مأموریت تنظیم دقیق و تسریع نظارت بر زمین های حفاظت شده تأسیس کرد. فاینر و تیم MAAP به جای تکیه بر خدمه میدانی، از تصاویر ماهواره ای و تجزیه و تحلیل GIS برای شناسایی جنگل زدایی غیرقانونی استفاده می کنند. در روزهای اولیه پروژه، آنها گزارش های سالانه را بر اساس تصاویر با وضوح 1000 متر ایجاد کردند. اکنون، آنها تجاوزاتی را در مناطق کوچکتر از نیمی از زمین تنیس – در عرض یک یا دو روز پس از وقوع آنها مشاهده می کنند.

فینر روزانه هزاران هشدار دریافت می کند که نشان می دهد یک پیکسل مشخص در تصاویر ماهواره ای از زمان پرواز یک روز قبل تغییر رنگ داده است. این تغییر می تواند نشان دهنده این باشد که ممکن است چند درخت قطع شده باشند یا ممکن است دود بلند شود. نرم افزار GIS تیم MAAP را از بررسی دستی هر هشدار نجات می دهد. با استفاده از علم داده، GIS پیکسل‌ها را در خوشه‌های فعالیت گروه‌بندی می‌کند و محققان MAAP و Amazon Conservation را به فوری‌ترین مناطق جنگل‌زدایی راهنمایی می‌کند.

این کار نظارتی در زمانی اتفاق می افتد که آمازون در خطر از دست دادن جایگاه خود به عنوان غرق کربن سیاره است . دانشمندان می گویند از دست دادن درختان و آتش سوزی ها، آمازون را به یک انتشار دهنده خالص دی اکسید کربن تبدیل می کند که باعث تسریع گرم شدن جو و بدتر شدن تغییرات آب و هوایی می شود.

بهتر و تیمی مراقب فعالیت هایی هستند که تعادل طبیعی را به هم می زند. با شواهدی که جمع آوری کرده اند، مقامات در سراسر آمازون فعالیت های مختلفی از تولید غیرقانونی روغن نخل گرفته تا دامداری های مخرب در مناطق در معرض خطر و استخراج غیرقانونی طلا را متوقف کرده اند.

نقشه های جدید محافظان را توانمند می کند

نادیا مامانی در منطقه Madre de Dios پرو به دنیا آمد و بزرگ شد، جایی که معدنچیان طلا و دیگران به طور غیرقانونی جنگل های بارانی را برای راه اندازی عملیات پاکسازی کرده اند.

علیرغم اینکه تمام عمرش را در Madre de Dios زندگی کرده بود، تا زمانی که شروع به استفاده از GIS و ابزار سنجش از دور برای تکمیل تحقیقات میدانی خود کرد، میزان استخراج غیرقانونی معدن را درک نکرده بود . آنچه او دید او را الهام بخش کرد تا برای حفاظت و بازسازی مناظر در جوامع بومی کار کند.

فضای پنهان دیگر وجود ندارد

رویه ای به نام مالی فضایی – و پسرعموی آن، ESG جغرافیایی – رهبران کسب و کار را مورد توجه قرار داده است: فعالیت هایی که زمانی بی سر و صدا در حاشیه زنجیره تامین اتفاق می افتاد اکنون قابل کشف هستند. برای کسب اطلاعات بیشتر، مقاله “مالی فضایی چیست و چگونه برای آن آماده شویم” را مطالعه کنید.

این آگاهی جدید با آنچه که یک مدیر کسب و کار ممکن است ببیند زمانی که بینش مبتنی بر GIS فعالیت ناخواسته را در اعماق زنجیره تامین نشان می دهد، مشابه است، در غیر این صورت دور از چشم.

مامانی توضیح می دهد: «در زادگاه من، مناطقی وجود دارد که چندان قابل دسترس نیستند. بنابراین برای من، سیستم اطلاعات جغرافیایی و سنجش از دور به من چشم‌های تازه‌ای داد – نمایی از زاویه‌ای متفاوت.

مامانی در طول تحصیلات تکمیلی خود در GIS و حفاظت، بر روی نقشه های فاینر برای بررسی فعالیت های معدنی در شهر خود تکیه کرد. او توضیح می دهد: «مت فاینر نامی آشنا در جامعه حفاظت از محیط زیست در پرو است.

پس از مهاجرت به ایالات متحده برای شروع کار خود، او یک هدف حرفه ای داشت.

مامانی به همکارانش گفت: «می‌خواهم مت فینر را پیدا کنم.

هنگامی که او را در حفاظت از آمازون در واشنگتن دی سی یافت، همچنین به عنوان یک متخصص GIS و سنجش از دور برای تیم MAAP کار کرد.

«بعد از نقل مکان به اینجا، تصمیم گرفتم برای کشور و زادگاهم کار کنم. و به نوعی، این کاری است که ما انجام می‌دهیم—حفاظت از مردم، جنگل‌هایمان. این خانه من است و این چیزی است که من و مت را متحد می کند.»

نادیا مامانی از حفاظت از آمازون

او همیشه در حال [گرفتن] داده‌های علمی، اطلاعات – اساساً مشکلات پیچیده – و تبدیل آنها به گزارش‌های عمومی قابل هضم است. این کاری است که او کاملاً انجام می دهد. برای من، این تبدیل ایده های پیچیده به چیزی ساده است.

حفاظت از آمازوننادیا مامانی

یک پیشگام در مکان مناسب در زمان مناسب

در اواسط دهه گذشته، فاینر و برنامه MAAP با کشف یک پروژه جنگل‌زدایی عظیم – 2000 هکتار توسط یک تولیدکننده کاکائو در چند ماه پاکسازی شد، به پیروزی بزرگی دست یافتند .

این تیم از نرم افزار GIS برای ترکیب تصاویر ماهواره ای با داده های مربوط به موقعیت جاده ها، مرزهای کشور، امتیازات معدن و زمین های حفاظت شده استفاده کرده بود.

«با مقداری متن مختصر، [ما] به نوعی خواننده را در این مورد راهنمایی کردیم. و ممکن است متوجه آن نباشید، اما ما فقط 10 لایه داده را گرد هم آورده ایم. “این واقعا در این برنامه های GIS است . . . جایی که همه این داده ها با هم جمع می شوند.»

این روش زمانی کارایی خود را نشان داد که El Comercio ، قدیمی ترین و محبوب ترین روزنامه پرو، تصاویر ماهواره ای عملیات کاکائو را در صفحه اول خود چاپ کرد. زمانی که مقامات عملیات را شکستند، ال کومرسیو آن خبر را نیز چاپ کرد.

فاینر به یاد می آورد: «این واقعاً فقط یک لحظه تغییر بازی بود.

(برای اطلاعات بیشتر در مورد چگونگی وقوع اولین کشف بزرگ، ویدیوی انتهای این مقاله را ببینید.)

گربه و موش در جنگل

نقشه‌ای عمدتا سبز از برزیل با نقاط قرمز و زرد که نشان دهنده از دست رفتن جنگل است
GeoAI، مسئولیت شرکتی، و هوشیاری یک سازمان دیده بان آب و هوا
نقشه ای مبتنی بر GIS که توسط Amazon Conservation تهیه شده است، مناطق نگران کننده را نشان می دهد.

اما در حالی که گروه‌های ناظر مانند Amazon Conservation از فناوری برای شناسایی و افشای برخی تهدیدها استفاده می‌کردند، برخی دیگر شناسایی نشدند.

سیدنی نووا، مدیر GIS و فناوری در Conservación Amazónica، سازمان خواهر حفاظت از آمازون در پرو، این روند را مشاهده کرد. کارهای اولیه او بر روی اپراتورهای غیرقانونی چوب متمرکز بود که جاده های عظیمی را می ساختند و بخش های وسیعی از چوب را از جنگل های بارانی استخراج می کردند. عملیات‌های کوچک‌تر که تا حد امکان محتاطانه کار می‌کردند، با استفاده از کامیون‌های کوچک و حذف درخت‌های منتخب، اغلب مورد توجه قرار نمی‌گرفت.

خوشبختانه، وضوح روزافزون تصاویر ماهواره ای و یک تکنیک GIS به نام GeoAI به زودی مزیت جدیدی را به تیم MAAP داد. هنگامی که چوبگیرها سعی می کنند درختان را به تعداد کم نازک کنند، این فعالیت شکاف های ظریف اما گویا در تاج پوشش ایجاد می کند.

Novoa به WhereNext گفت: «و زمانی که [برنامه GIS] را در مورد شکل شکاف و گاهی اوقات رنگ ناحیه ای که عملیات به جا می گذارد، آموزش دادید، می توان آن ویژگی را با الگوریتم های [یادگیری ماشین] شناسایی کرد .

به عبارت دیگر، GeoAI آنچه را که برخی افراد امیدوارند پنهان بماند را آشکار می کند.

سیدنی نووا از Conservación Amazónica، سازمان خواهر سازمان حفاظت از آمازون در پرو

ما اردوگاه ها را شناسایی کردیم، چوب های الواری را که آماده انتقال به مناطق دیگر بود، شناسایی کردیم. ما آن را به مقامات محلی در پرو گزارش دادیم.

حفاظت از آمازونیکاسیدنی نووا

یک سفر یک ماهه تبدیل به یک شغل می شود

مت فاینر هرگز انتظار نداشت حرفه خود را صرف حفاظت از آمازون کند، اما از همان ابتدا به سمت مناظر وسیع و چالش های پیچیده کشیده شد. مدت کوتاهی پس از اتمام دکترای خود در دانشگاه ایالتی واشنگتن، سفری به اکوادور داشت. او یک ماه دیگر بلیتی برای بازگشت داشت، اما یک سال ماند و وقتی رفت، به خوبی در راه حرفه تماشای آمازون بود.

در مورد انگیزه او، او می‌گوید: «فکر می‌کنم این ترکیبی از تنوع زیستی [و] وسعتی بود که هنوز دست نخورده بود، اما همراه با تهدیدها بود.»

کار او با تصاویر ماهواره‌ای و فناوری GIS – ابزارهایی که به او و سازمان حفاظت از آمازون کمک کرد تا عملکرد پایش بلادرنگ را تعریف کنند – فقط یک حادثه خوشحال کننده بود.

او می‌گوید: «من هیچ سابقه یا آموزشی در زمینه فناوری ندارم. «در آن دوره زمانی، من به طور ارگانیک دریافتم که فناوری قوی‌ترین ابزار برای مستندسازی به شیوه‌ای علمی است. . . چه اتفاقی داشت می افتاد.”

با افزایش فشار بر دنیای کسب‌وکار ، مدیران شرکت‌های بیشتری برای ریشه‌کن کردن شیوه‌های بد از زنجیره‌های تامین، به ناظرانی مانند فاینر – یا تحلیل‌گران مکان در سازمان‌های خودشان – تکیه می‌کنند.

اگرچه فاینر و همکارانش در MAAP به مجموعه‌ای از تهدیدات در سراسر آمازون می‌پردازند، استخراج طلای پرو به نشان دادن تأثیر تیم و قدرت دیده‌بانان برای تغییر شیوه‌های تجاری کمک می‌کند.

فاینر توضیح می‌دهد: «ما واقعاً توانسته‌ایم این مشکل را در زمان واقعی ردیابی کنیم، آن اطلاعات را برای دولت پرو ارسال کنیم و واقعاً به دولت پرو کمک کنیم تا آن را سرکوب کند. و ما شاهد کاهش عمده جنگل‌زدایی غیرقانونی معدن طلا در آمازون پرو بوده‌ایم. بنابراین واقعاً به پیشبرد این زمینه نظارت بلادرنگ کمک می کند.»