V roce 2026 se umělá inteligence stala pevnou součástí geomatických procesů. AI urychluje zpracování dat, snižuje manuální práci a pomáhá při velkých objemech. Není však univerzálním řešením – v některých oblastech stále potřebuje lidský dohled. Zde je přehled, kde AI přináší největší přínos a kde má limity.
1. Automatické klasifikace objektů z mračen bodů
AI modely (PointNet++, RandLA-Net, proprietární nástroje Trimble, Bentley apod.) klasifikují body do kategorií: ground, vegetace, budovy, sloupy, vozovka, infrastruktura.
Přínos:
- Redukce ruční klasifikace o 60–90 % u velkých dat.
- Rychlost: hodiny místo dnů.
- Vyšší konzistence než ruční práce. Typické využití: Pasportizace areálů, 3D modelování měst, BIM příprava, monitoring lesů a infrastruktury. Úspora: Desítky až stovky hodin na projekt, finančně desetitisíce Kč při velkých zakázkách.
2. Detekce defektů vozovek a infrastruktury
Computer vision (YOLO, U-Net, Mask R-CNN) analyzuje data z mobilních profilometrů, 360° kamer a videí. Detekuje trhliny, výtluky, koleje, makrotexturu, vysprávky, poškození značení.
Přínos:
- Automatická identifikace defektů v reálném čase nebo krátce po sběru.
- Generování reportů s GPS lokalizací a obrázky.
- Podpora pro diagnostiku silnic II./III. třídy a žádosti o dotace SFDI. Úspora: 40–70 % času na analýzu dat z mobilního mapování, rychlejší příprava podkladů pro opravy.
3. Generování popisů a metadat k fotkám
Multimodální AI (GPT-4o, Google Vision, specializované geomatické nástroje) automaticky vytváří popisy snímků z terénu: „sloup VO LED, stav dobrý“, „podélná trhlina v asfaltu 40 cm“.
Přínos:
- Zpracování tisíců fotek z pasportizace (veřejné osvětlení, značení, zeleň).
- Strukturovaná data přímo do GIS nebo databází. Úspora: 70–90 % času na manuální popisy a katalogizaci, výrazně levnější inventury pro obce a kraje.
Kde AI zatím nestačí (hlavní limity 2026)
- Hustá vegetace, podzemní sítě, špatné osvětlení nebo déšť → přesnost klesá pod 60 %, nutná lidská korektura.
- Velmi přesné úkoly (deformace v mm na mostech / svahech) → časté falešné pozitivy / negativy.
- Specifické nebo netypické prvky, objekty → bias v datech, nízká přesnost.
- Špatná kvalita vstupních dat (šum, nízká hustota bodů) → špatný výstup.
- Etické a právní otázky: soukromí (rozpoznávání osob), transparentnost, odpovědnost za chyby.