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 hui
Per a les classes majoritàries — sòl, vegetació, edificació — els models actuals aconseguixen 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: estes 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 en les vores: classes minoritàries, objectes ambigus i zones de baixa densitat de punts. Un model entrenat per a un tipus de territori rendix 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 envaïx la servitud que no existix.
Un altre punt cec habitual són les transicions: la vora entre una teulada i la vegetació que la toca, o l’arrancada d’un pal des del sòl. Ahí 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 substituïx l’operador. Reordena el seu treball: 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 firmar l’entregable. Per això l’edició d’errors ha d’estar integrada en el mateix entorn que la classificació — no en una ferramenta a part que oblique a exportar, corregir i tornar a importar, perdent context i temps en cada volta.
Açò és exactament el que Neobora integra en un únic entorn: la classificació amb IA en el núvol i l'edició d'errors conviuen en la mateixa ferramenta, amb controls d'alta productivitat pensats per al control de qualitat. L'operador valida, corregix i signa sense eixir de la plataforma ni exportar la dada a un programari a banda.
A la pràctica això canvia el perfil del lloc: menys hores d’etiquetatge repetitiu i més hores de criteri tècnic aplicat als casos que realment ho requerixen. Els equips que fan bé esta transició no reduïxen personal, ho redistribuïxen cap a control de qualitat, gestió d’excepcions i relació amb el client final.
Un flux realista
A Neobora el flux és: classificació automàtica en el 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 reduïxca la zona de revisió a un 3-5% del total, amb una edició àgil sobre eixe percentatge, produïx millors temps d’entrega que un model amb una precisió global una miqueta més alta però que exigix 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 eixos casos dins del mateix entorn sense dependre d’un tiquet de suport.
Si un proveïdor no pot ensenyar eixes tres coses amb dades reals del client, la xifra de precisió que presente en la proposta comercial val poc: es mesura sobre condicions que rarament coincidixen amb el terreny, la densitat de vol o el tipus d’infraestructura del projecte concret.
En Neobora partim justament d'eixes 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 ferramentes externes. Preferim que se'ns avalue amb el terreny del projecte 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 llaç on importa, mesurant el que de veritat predix el temps d’entrega — és realista hui mateix. Esta és l’aposta de Neobora.
