La classificació de núvols de punts és una de les tasques més cares i lentes de qualsevol projecte LiDAR. Cada any millora el que la IA pot automatitzar — però també creix la confusió sobre on acaba el model i on comença el criteri humà.
Què fa bé la IA avui
Per a les classes majoritàries — sòl, vegetació, edificació — els models actuals assoleixen precisions molt altes de manera consistent. En projectes d’inspecció de línies elèctriques, la separació entre vegetació, torres i conductors és ja un problema majoritàriament resolt a escala de milions de punts per minut, fins i tot en corredors de desenes de quilòmetres amb canvis de vegetació i orografia notables.
Això no és casualitat: aquestes classes tenen patrons geomètrics molt consistents (planaritat del sòl, verticalitat d’estructures, dispersió de la vegetació) que els models actuals capturen bé a partir de milers de projectes previs d’entrenament. El resultat pràctic és que un percentatge molt alt del corredor no necessita ull humà en absolut.
On encara falla
Les dificultats apareixen a les vores: classes minoritàries, objectes ambigus i zones de baixa densitat de punts. Un model entrenat per a un tipus de territori rendeix pitjor en un altre, i els falsos positius en classes crítiques (per exemple, soroll confós amb cable) tenen un cost desproporcionat, perquè un sol punt mal classificat en un conductor pot disparar una alarma de vegetació que envaeix la servitud que no existeix.
Un altre punt cec habitual són les transicions: la vora entre una teulada i la vegetació que la toca, o l’arrencada d’un pal des del sòl. Allà la geometria és ambigua fins i tot per a un ull humà entrenat, per la qual cosa exigir-li al model una frontera perfecta és demanar-li alguna cosa que ni la mateixa dada permet resoldre amb certesa.
La IA no substitueix l’operador. Reordena la seva feina: de l’etiquetatge massiu a la revisió del dubtós.
L’operador humà no desapareix
El valor de l’expert es desplaça cap al control de qualitat: validar el que el model marca amb baixa confiança, corregir els errors sistemàtics i signar l’entregable. Per això l’edició d’errors ha d’estar integrada en el mateix entorn que la classificació — no en una eina a part que obligui a exportar, corregir i tornar a importar, perdent context i temps en cada volta.
Això és exactament el que Neobora integra en un únic entorn: la classificació amb IA al núvol i l'edició d'errors conviuen en la mateixa eina, amb controls d'alta productivitat pensats per al control de qualitat. L'operador valida, corregeix i signa sense sortir de la plataforma ni exportar la dada a un programari a part.
A la pràctica això canvia el perfil del lloc de treball: menys hores d’etiquetatge repetitiu i més hores de criteri tècnic aplicat als casos que realment ho requereixen. Els equips que fan bé aquesta transició no redueixen personal, el redistribueixen cap a control de qualitat, gestió d’excepcions i relació amb el client final.
Un flux realista
A Neobora el flux és: classificació automàtica al núvol → revisió assistida de zones de baixa confiança → edició puntual → publicació en geoportal. L’operador toca només el percentatge de la dada que de veritat ho necessita, i la resta flueix sense fricció.
Mètriques que sí que importen
La precisió global d’un model és la mètrica que més s’ensenya en les demos i la que menys diu sobre el dia a dia d’un projecte. Dos indicadors són més útils a l’hora de decidir: el percentatge del corredor que queda marcat com "revisar" després de la classificació automàtica, i el temps mitjà de correcció per quilòmetre una vegada arriba a mans de l’operador.
Un model que redueixi la zona de revisió a un 3-5% del total, amb una edició àgil sobre aquest percentatge, produeix millors temps d’entrega que un model amb una precisió global una mica més alta però que exigeix revisar el 20% del corredor de forma dispersa i impredictible.
Com avaluar un proveïdor
Abans de comprometre’s amb una plataforma de classificació, té sentit demanar tres coses concretes: una prova sobre dades pròpies (no sobre el dataset de demo del proveïdor), visibilitat sobre quin percentatge de la dada queda marcat com a dubtós, i accés a corregir aquests casos dins del mateix entorn sense dependre d’un tiquet de suport.
Si un proveïdor no pot ensenyar aquestes tres coses amb dades reals del client, la xifra de precisió que presenti en la proposta comercial val poc: es mesura sobre condicions que rarament coincideixen amb el terreny, la densitat de vol o el tipus d’infraestructura del projecte concret.
A Neobora partim justament d'aquestes tres exigències: prova sobre dades reals del client, visibilitat del percentatge de dada marcada com a dubtosa i correcció dins del mateix entorn, sense tickets ni eines externes. Preferim que se'ns avaluï amb el terreny del projecte al davant, no amb un conjunt de dades de demostració.
Conclusió
Esperar de la IA una automatització total és la recepta per a la decepció. Esperar-ne una multiplicació de la productivitat de l’equip — amb l’humà en el bucle on importa, mesurant el que de veritat prediu el temps d’entrega — és realista avui mateix. Aquesta és l’aposta de Neobora.
