Sterke bachelor-oppgaver i KartAi-prosjektet

Det har vært hele fire bachelorprosjekter og et masterprosjekt direkte tilknyttet KartAi-prosjektet i vår. De har levert sterke resultater på flere ulike områder. Flere har fått toppkarakter: A 🥳

CADAiD – AI-validering av byggetegninger

Link til oppgaven: Rapporter og resultater

Ingeborg Brommeland Austeid
Julia Jørstad
Charlotte Celine Thorjussen


Obtaining a building permit can be a challenging and time-consuming process. When filling out a digital building application, applicants are required to submit various architectural drawings documenting the changes they want to make. However, architectural drawings have been reported as one of the main reasons behind incomplete building applications and application deficiencies. CADAid is developed to explore how machine learning can contribute in addressing these challenges. By developing a web application applying machine learning models, we can evaluate if drawings include the required drawing types, scale and cardinal direction, and room types. To achieve this, a phased, iterative development approach is employed for system development and machine learning integration. To conclude, machine learning can efficiently contribute to evaluation of architectural drawings within digital building applications, aiding verification of necessary requirements and reducing deficiencies.

ArkivGPT

Link til oppgaven: Rapporter og resultater

Markus Hwan Tørå Hagli
Nikolai Eidsheim
Sondre Horpestad

Architecture is critical in software development, particularly when translating stakeholder requirements into a functional system. This thesis introduces ArkivGPT, a building case summary generation system designed for caseworkers handling building permits. Based on microservice architecture, ArkivGPT connects to municipal archives to retrieve documents, utilizes a language model to generate summaries, and delivers these summaries to caseworkers. ArkivGPT is currently a minimum viable product (MVP) designed to be a proof of concept. To ensure that the system architecture aligns with the quality attributes specified by stakeholders — reliability, modifiability, scalability, and integratability — this study utilizes the Architectural Tradeoff Analysis Method (ATAM) to perform an analysis of the system. This method comprehensively examines the architecture through a structured process of nine steps across three phases, identifying whether the system meets the elicited quality attributes. Following the ATAM methodology, this analysis investigates ArkivGPT’s alignment with the identified quality attributes, revealing that while the architecture supports most scenarios, it encounters challenges in scalability and reliability. Specifically, the system’s integrity could be severely compromised due to issues originating from inadequate mapping within the archive. The analysis also reveals that there is a significant risk related to the internal communication pattern in the system because it may result in high resource usage when processing a high number of requests simultaneously. This study highlights the necessity of prioritizing modifications to the system architecture before its production release. However, the tradeoff between addressing every issue has to be evaluated due to its high complexity and potential cost implications. The improvements will ensure ArkivGPT meets its current stakeholder requirements and is robust enough to adapt to future demands.

GeoGPT – Søk i geografiske data med språkmodeller

Link til oppgaven: https://kompetansetorget.uia.no/fullfoerte-oppgaver/geogpt-soek-i-geografiske-data-med-spraakmodeller

Aleksander Grimstad Mo
Carsten Østergaard
Lars Gunnar Stokke
Theodor Litlere
William Peter Johansson Åredal

Prosjektsammendrag
Dette prosjektet har laget en «proof of concept» ved å benytte språkmodeller og vektordatabase til gjenfinning av geografisk data, for å forbedre søkefunksjonen på Kartverkets portal Geonorge.no.
Som prosjektmetodikk har gruppen hovedsakelig benyttet Scrum med Jira som styringsverktøy.

Teknologi

Den tekniske løsningen baserer seg på bruk av vektordatabasesøk med språkmodell embeddings og Retrieval Augmented Generation (RAG) for instruks av språkmodell til å besvare spørsmål med relevant kontekst hentet fra Vektor DB. I utviklingen er det brukt Javascript med HTML og CSS. For vektordatabasesøk er det benyttet PostgreSQL med Pgvector. Python, Pandas og Regex er benyttet blant annet for å rense metadata for DOK datasettene fra Geonorge. Docker, shell scripts og batch script er brukt for oppsett og kjøring av Vektor DB.

GeoGPT: An LLM-Based Geographic Information System

Link til oppgaven: Rapporter og resultater

Karl Oskar Magnus Holm
Master of Science in Engineering and ICT, June 2024
Supervisor: Hongchao Fan, NTNU
Co-supervisors: Alexander Salveson Nossum and Arild Nomeland, Norkart AS

Sammendrag
Nyvinninger innenfor språkprosessering har ført til fremveksten av store og kraftige språkmodeller, for eksempel modellene som ligger bak ChatGPT — en språkmodellbasert chat-applikasjon utviklet av OpenAI. Slike generative språkmodeller har vist seg å være allsidige, og denne masteroppgaven vil utnytte språkmodellenes evner til
logisk resonnering og kodegenerering til å utvikle en GIS-applikasjon som kan løse GIS-oppgaver basert kun på problemformuleringer fra brukeren i naturlig språk. Den foreslåtte løsningen, en applikasjonen ved navn GeoGPT, tilbyr tre forskjellige agenttyper som gjennom eksperimenter har vist at de kan utføre en rekke ulike GIS-analyser på OpenStreetMap (OSM)-data uten nevneverdig hjelp fra brukeren. GeoGPT utnytter function calling, som i prinsippet gir agentene muligheten til å ta i bruk eksterne verktøy. Agentene har blitt tildelt forskjellige verktøy og har også forskjellige måter å aksessere OSM-dataene på. Den ene agenten bruker en PostGIS-database, en annen bruker en OGC API Features-server for å laste ned GeoJSON over HTTP, og den tredje har direkte tilgang til shapefiler lagret lokalt i miljøet som GeoGPT kjører i. Eksperimentelle resultater, basert på en ny GIS-benchmark, viser at SQL/PostGIS-agenten gir korrekt
svar på flest oppgaver, i tillegg til å være raskest og billigst. Resultater fra et eksperiment utført for å evaluere betydningen av kvaliteten på problemformuleringen til brukeren, viser at det å gi GeoGPT sekvensielle trinn for å løse problemet forbedrer sjansen betraktelig for at den produserer riktig svar. Samlet sett viser arbeidet i denne masteroppgaven at et språkmodellbasert GIS, slik som GeoGPT, kan løse mange vanlige GIS-oppgaver basert kun på spørringer formulert ved naturlig språk, men også at GIS-ekspertise blir viktigere og viktigere etter hvert som oppgavene blir mer utfordrende.

Tilgjengeliggjøring av nasjonale kartdata til bruk i AI-algoritmer

Link til oppgaven: https://kompetansetorget.uia.no/fullfoerte-oppgaver/tilgjengeliggjoering-av-nasjonale-kartdata-til-bruk-i-ai-algoritmer

Gustav Svartsund
Victor Bakken
Cassandra Hartvedt Vårdal
Tørres Andreas Båshus
Larisa Saitova

Denne rapporten beskriver utviklingsprosessen for en applikasjon for generering av treningsdata til bruk for maskinlæringalgoritmer, og er en fortsettelse på et tidligere bachelorprosjekt fra våren 2023 med tittelen “Automatisering av dataflyt fra nasjonale kartbaser mot AI-algoritmer”. Prosjektet ble gjennomført i samarbeid med Tietoevry og Kartverket og går inn under et større forskningsprosjekt med navn KartAI. Målet med prosjektet er å tilgjengeliggjøre genereringen av kartdata som videre kan brukes til å trene maskinlæringsmodeller. Rapporten dekker hva som ble gjort under prosjektperioden som gikk fra januar 2024 til mai 2024.

Kick-off studentprosjekter

En fantastisk start på nyåret med kick-off for studentprosjekter i KartAi. Vi samlet 50 personer til arrangementet hvorav 4 studentgrupper og 1 masterstudent som skal skrive oppgave i samarbeid med KartAi-prosjektet nå i vår.

Studentene får veiledning og oppfølging av Kartverket, TietoEvry, Norkart og Kristiansand Kommune. Utrolig bra at alle investerer tid og kompetanse i prosjektet!

TietoEvry holdt innlegg om erfaring med studentprosjekter og kort om arbeidsmetodikk: «Agile with discipline». Kartverket ga en morsom og faglig introduksjon til GeoNorge og datadeling av geografiske datasett i Norge.

Studentgruppene fikk videre jobbet i grupper sammen med veiledere for å bli kjent med faget og problemstillingen – samt legge en plan videre. I tillegg den viktigste oppgaven: Gruppenavn!

Gruppene er:

  1. Ai-jentan: Jobbe med AI-validering av byggetegninger i eByggesøk
  2. Ai-guttan: Jobbe med «ArkivGPT» – oppsummering og rask innsikt i byggesaksarkivet med LLM
  3. Hot & Pink Markdown: Jobbe med produksjon og deling av geografisk treningsdata
  4. GeoGPT-datadeling: Jobbe med cloud-native formater, språkmodeller og søketeknologi for bedre og mer brukervennlig geografisk datadeling
  5. GeoGPT-analyse: Jobbe med utforske LLM og GIS-analyse gjennom eksperimenter

Fantastisk gjeng med studenter og veiledere samlet i Kristiansand – en snøfull torsdag i januar!

KartAi på Techpoint Future

KartAi ble invitert til å holde motivasjonsforedrag for Geografisk Ai og Geomatikk på Techpoint Future i Kristiansand. 220 elever og studenter deltok på foredraget. Deretter avholdt prosjektet interaktiv workshop hvor elevene fikk kjørt KartAi-algoritmene i en brukervennlig Jupyter Notebook. Resultatet ble en helt egen maskinlæringsmodell som var trent opp på data de valgte.

Vellykket lokal kick-off for KartAi

Kan vi skape et internasjonalt kompetansesenter for kunstig intelligens på geografisk informasjon i Agder? KartAi-prosjektet er på god vei!

KartAi har fått tildeling fra Forskningsrådet til et stort innovasjonsprosjekt i offentlig sektor! Prosjektet har større omfang og fokus på effektivisering av byggesaksbehandlingen.

7. juni inviterte vi til lokal kick-off i lokalene til Kartverket. Dagen ble svært vellykket med bredt spekter av fagmiljø representert. Byggesaksbehandlere, AI-eksperter, geodata-eksperter og matrikkel-eksperter. Målet var å dele kunnskap rundt potensial til digitalisering og effektivisering av saksbehandling i en kommune. Det ble åpenbart at potensialet er stort – og at det er en god del hinder på veien. Akkurat slik et tverrfaglig innovasjonsprosjekt skal være!

Utrolig gøy at så mange fra både Kristiansand Kommune, Vennesla Kommune, Lindesnes Kommune, Norkart, KS, Kartverket, TietoEvry, UiA og MIL deltok og bidro med kunnskapsdeling.

KartAi-prosjektet skal jobbe åpent og vil ha et sterkt fokus på involvering av studentmiljøene og relevante fagmiljøer. Samarbeidspartnerne i prosjektet vil bidra med over 15.000 timer innsats i prosjektet. I tillegg vil vi knytte til oss og delfinansiere 2 PhD-studenter og 1 PostDoc hos UiA og legge opp til minst 10-15 masteroppgaver og tilsvarende bacheloroppgaver. Alt med kjerne i Agder!

Automatisk produksjon av treningsdata

Kjempeflinke studenter fra UiA har i sin bacheloroppgave utviklet bibliotek, system og webapp for automatisk bestilling og produksjon av geografisk treningsdata – rett fra «fasit-databasen» i Norge – FKB. De bruker NGIS Open API direkte og integrerer med treningsdatabibliotek i KartAi-prosjektet. Kjempespennende og nyttig! Takk for innsatsen!

Gratulerer til studentene med A på oppgaven!

Prosjektet har vært samarbeid med Kartverket Kristiansand, TietoEvry Kristiansand og Norkart.

Kodebasen ligger åpent på https://github.com/kartAI/NGIS-training-machine-webclient

Rapporten ligger under Rapporter og resultater

KartAi 1.0 Oppsummerings-seminar

9. mai arrangerte vi oppsummeringsseminar for KartAi 1.0. Det markerer slutten på KartAi 1.0 og fortsettelsn i KartAi 2.0! Seminaret var et hybridarrangement med over 120 deltakere totalt!

Tusen takk til alle som har deltatt i prosjektet!

Slides som ble vist finnes under Rapporter og resultater

Pilotering av innbyggerdialog i Kristiansand

KartAi-prosjektet er i gang med å pilotere innbyggerdialog i Kristiansand kommune. Prosjektet inviterer et utvalg innbyggere til å delta og gjennomføre piloten på sine eiendommer og bygninger.

Datasett i piloten er en kombinasjon av data fra Ai-algoritmer og fiktive kontrolldata. Selve piloten er utviklet direkte på Kristiansand Kommune sin MinSide-plattform – men kun åpnet for de innbyggere som er med i piloten.

Piloten gjennomføres som et ledd i forskningsprosjektet KartAi. Ingen data, resultater eller tilbakemeldinger vil derfor ikke bli brukt i kommunal saksbehandling eller endre matrikkelen eller kartgrunnlaget.

Med piloten vil vi demonstrere både teknisk og ikke-teknisk mulighetene med en heldigital innbyggerdialog med konkrete tilbakemeldinger på sine kart og matrikkel-data.

Veiledning og informasjon til testkandidater

Alle testkandidater har fått tilsendt et invitasjonsbrev via DigiPost/SvarUt. Det fullstendige brevet kan du lese her:

De som har samtykket til å delta i piloten har fått ytterligere beskrivelse av oppgaven. Under er en kort veiledning for å logge inn:

Logg inn på Kristiansand Kommune sin MinSide: https://minside.kristiansand.kommune.no/

Velg deg selv (privatperson) hvis du får valget under «Hvem vil du representere»

Det vil da dukke opp en informasjonsboks om KartAi-prosjektet. Trykk på «Se hvilken eiendom det er funnet endringer på» for å starte oppgaven.

Husk å lagre og sende inn skjemaene som er i dialogen. Du har totalt 30 minutter til å fullføre hele dialogen.

KartAi presentert på Gi-Norden

KartAi ble presentert under konferansen Nordic webinar on Artificial Intelligence in relation geodata med over 150 tilhørere.

02.35: On the use of geospatial AI in Norway. Alexander Nossum, Norkart, Norway.
Norway has a long tradition in public-public and private-public collaboration resulting in massive amounts of high detailed aerial photos with often year-to-year updates and centimeter resolution. Combined with national standards on map data and rich cadastre models this serves as a perfect point of departure for innovative use of novel AI methods. Alexander holds a ph.d. in geomatics, has over ten years experience working in the intersection between private-public collaboration and innovation in one of Norway’s largest geospatial IT companies, Norkart. In this presentation he will highlight the “KartAi ecosystem of projects” as well as other relevant geospatial AI projects from both the public, the private and the R&D sector. The KartAi ecosystem of projects revolves around the idea of harvesting the potential of AI on aerial photos combined with citizen participation in order to more efficiently and in an automated way to obtain an accurate cadastre and map data representation of the built environment.