Czasem największe pomysły zaczynają się od… telefonu.
Kilka lat temu spadł na mnie grom w postaci prowadzenia nowego przedmiotu (w języku angielskim) po koleżance, która właśnie poszła na urlop macierzyński.
Przez telefon usłyszałam jedno hasło-klucz: QGIS.
Nie miałam wtedy pojęcia, że to będzie początek mojej przygody z danymi przestrzennymi – i że z czasem połączę ten świat z generatywną sztuczną inteligencją… i z dronami.
Od QGIS do konferencji KES
Dziś ukazał się mój jednoautorski artykuł:
🎯 “Leveraging Generative AI for Spatial Data Preparation”
opublikowany w Procedia Computer Science (Elsevier, open access).
👉 https://doi.org/10.1016/j.procs.2025.09.357
Artykuł został zaprezentowany w ramach konferencji KES 2025, na sesji IS13: Interdisciplinary Approaches in Data Science Practice (IADSP 2025), organizowanej przez naukowców z University of Belgrade.
To była sesja o wysokim poziomie merytorycznym i – jak wiem z doświadczenia – z bardzo wymagającym procesem recenzji. Z profesorem Ivanem Lukoviciem miałam już wcześniej okazję spotkać się na innych konferencjach informatycznych, więc tym bardziej cieszę się, że ten tekst został tam zakwalifikowany.
Gdzie naprawdę zaczynają się trudności
W artykule pokazuję, że największym wyzwaniem w GIS nie jest wizualizacja, ale przygotowanie danych – ich pozyskanie, oczyszczenie, transformacja i integracja.
To żmudny, wieloetapowy proces, który często zajmuje więcej czasu niż sama analiza.
Generatywna AI, zwłaszcza duże modele językowe (LLM), potrafi w tym pomóc:
- automatyzuje część pracy, np. generowanie skryptów w Pythonie,
- pomaga łączyć dane z różnych źródeł,
- podpowiada sposoby naprawy błędów w strukturach danych,
- a przy tym przyspiesza cały proces bez utraty jakości.
Zajęcia, które zaczęły wszystko
Tematyka ta naturalnie wpisała się w prowadzone przeze mnie zajęcia Geographical Information Systems in Logistics.
Studenci często po zajęciach mówią to samo: że sama obsługa QGIS-a jest wymagająca, ale to dopiero początek — największe trudności zaczynają się przy danych.
Trzeba je znaleźć, sprawdzić ich strukturę, a potem umieć połączyć, mimo że pochodzą z różnych źródeł i używają odmiennych systemów kodowania.
A QGIS to dziś naprawdę potężny i rozbudowany program — z dziesiątkami wtyczek tworzonych przez społeczność. Trudno za tym wszystkim nadążyć. Sama nie trzymam ręki na pulsie, ale generatywna AI potrafi podpowiedzieć, że „ktoś już to rozwiązał” — na przykład stworzył wtyczkę do importu granic działek z geoportalu. Sama bym tego nie wymyśliła ani nie znalazła, a AI skraca mi drogę od pomysłu do rozwiązania.
Dziś mamy już do dyspozycji narzędzia generatywnej AI, które mogą cały proces ułatwić – od wyszukiwania odpowiednich zbiorów po przygotowanie kodu do ich integracji.
Gdy zaczynałam prowadzić ten przedmiot, takich narzędzi jeszcze nie było – wszystko robiło się ręcznie. Ale właśnie dlatego tak dobrze widać, ile realnie może zmienić AI w pracy z danymi przestrzennymi.
AI jako partner, nie zastępca
Nie jest to wizja sztucznej inteligencji, która „robi wszystko za nas” — raczej AI jako partner w pracy z danymi: ktoś, kto zna kod, rozumie kontekst i potrafi pomóc, ale wymaga ludzkiego nadzoru i krytycznego myślenia.
To dla mnie ważna publikacja, bo pokazuje, jak różne ścieżki — od QGIS po generatywne modele — mogą się po latach połączyć w spójną całość. 🌍🤖
🔗 Link do artykułu
Leveraging Generative AI for Spatial Data Preparation (Elsevier Procedia Computer Science, 2025)
Dodaj komentarz