كيف ي重新 تعريف آي بي إم وناسا الذكاء الاصطناعي الجغرافي المكاني لمواجهة تحديات المناخ

مع تزايد تغير المناخ يغذي أحداث الطقس المتطرفة مثل الفيضانات والأعاصير والجفاف والحرائق الغابوية، تعاني الأساليب التقليدية للاستجابة للكوارث من مواكبة الوضع. في حين أن التقدم في تكنولوجيا الأقمار الصناعية والطائرات بدون طيار والمتحسسات عن بعد يسمح برصد أفضل، يبقى الوصول إلى هذه البيانات الحيوية مقصورًا على عدد قليل من المنظمات، مما يترك العديد من الباحثين والمبتكرين بدون الأدوات التي يحتاجونها. كما أصبح فيضان البيانات الجغرافية المكانية التي تتم توليدها يوميًا تحديًا – يغمر المنظمات ويجعل من الصعب استخراج رؤى مفيدة. لمواجهة هذه القضايا، هناك حاجة إلى أدوات متطورة ويمكن الوصول إليها وذكية لتحويل مجموعات البيانات الكبيرة إلى رؤى مناخية قابلة للتنفيذ. यह هو المكان الذي يصبح فيه الذكاء الاصطناعي الجغرافي المكاني حيويًا – تكنولوجيا ناشئة لديها القدرة على تحليل كميات كبيرة من البيانات، مما يوفر تنبؤات أكثر دقة وحركة ووقتية. ي探 هذا المقال التعاون الرائد بين آي بي إم وناسا لتطوير الذكاء الاصطناعي الجغرافي المكاني المتقدم والمتاح، مما يمنح جمهورًا أوسع بالأدوات اللازمة للقيادة لحلول بيئية ومناخية مبتكرة.

لماذا آي بي إم وناسا رائدي التأسيس للذكاء الاصطناعي الجغرافي المكاني

نماذج الأساس (FMs) تمثل جبهة جديدة في الذكاء الاصطناعي، مصممة للتعلم من كميات هائلة من البيانات غير المسمى وتطبيق رؤاهم عبر مجالات متعددة. هذا النهج يقدم عدة مزايا رئيسية. على عكس نماذج الذكاء الاصطناعي التقليدية، لا تعتمد نماذج الأساس على مجموعات بيانات ضخمة ومصقولة بدقة. بدلاً من ذلك، يمكنهم تعديل دقيق على عينات بيانات أصغر، مما يوفر الوقت والموارد. هذا يجعلها أداة قوية لتسريع البحث المناخي، حيث يمكن أن يكون جمع مجموعات بيانات كبيرة مكلفًا ومستهلكًا للوقت.
بالإضافة إلى ذلك، تسهل نماذج الأساس تطوير التطبيقات المتخصصة، مما يقلل من الجهود المتكررة. على سبيل المثال، بمجرد تدريب نموذج الأساس، يمكن تعديله على عدة تطبيقات لاحقة مثل رصد الكوارث الطبيعية أو تتبع استخدام الأراضي دون الحاجة إلى إعادة التدريب الشامل. على الرغم من أن عملية التدريب الأولية يمكن أن تتطلب قدرة حسابية كبيرة، تتطلب عشرات الآلاف من ساعات وحدة معالجة الرسومات. ومع ذلك، بمجرد تدريبهم، يمكن تشغيلهم خلال الاستدلال في دقائق أو حتى ثوان.
علاوة على ذلك، يمكن لنماذج الأساس جعل نماذج الطقس المتقدمة متاحة لمجموعة أوسع من الباحثين والمبتكرين. في السابق، كانت هذه النماذج متاحة فقط للمؤسسات المالية الجيدة التي لديها الموارد لدعم البنية التحتية المعقدة. ومع ظهور نماذج الأساس المسبقة التدريب، أصبحت نماذج المناخ الآن في متناول مجموعة أوسع من الباحثين والمبتكرين، مما يفتح طرقًا جديدة لاكتشافات أسرع وحلول بيئية مبتكرة.

تكوين الذكاء الاصطناعي الجغرافي المكاني

أدى الإمكانات الهائلة لنماذج الأساس إلى تحالف آي بي إم وناسا لبناء نموذج شامل للبيئة الأرضية. الهدف الرئيسي لهذا الشراكة هو تمكين الباحثين من استخراج رؤى من مجموعات بيانات ناسا الشاسعة بطريقة فعالة ويمكن الوصول إليها.
في هذا السعي، حققوا اختراقًا كبيرًا في أغسطس 2023 مع الكشف عن نموذج الأساس الرائد لبيانات الجغرافيا المكانية. تم تدريب هذا النموذج على مجموعة بيانات الأقمار الصناعية الشاسعة لناسا، التي تتألف من أرشيف يعود إلى 40 عامًا من الصور من برنامج هارمونيزد لاندسات سينتinel-2 (HLS). يستخدم تقنيات الذكاء الاصطناعي المتقدمة، بما في ذلك هياكل الترانسفورمر، لمعالجة كميات كبيرة من البيانات الجغرافية المكانية بفعالية. تم تطويره باستخدام سупر كمبيوتر آي بي إم كلاود فيلا وكتلة نماذج الأساس واطسون إكس، يمكن لنموذج HLS تحليل البيانات أربع مرات أسرع من نماذج التعلم العميق التقليدية مع الحاجة إلى مجموعات بيانات مسبقة التسمية بشكل كبير للتدريب.
تتراوح التطبيقات المحتملة لهذا النموذج من رصد تغييرات استخدام الأراضي والكوارث الطبيعية إلى التنبؤ bằng المحاصيل. ومن المهم أن يكون هذا الأداة القوية متاحًا مجانًا على هاجينج فايس، مما يسمح للباحثين والمبتكرين في جميع أنحاء العالم باستخدام قدراته والمساهمة في تقدم العلوم المناخية والبيئية.

التقدم في الذكاء الاصطناعي الجغرافي المكاني

بناءً على هذا الزخم، قدم آي بي إم وناسا مؤخرًا نموذجًا مفتوحًا آخر رائد لنموذج الأساس: بريثفي دبليو إكس سي. تم تصميم هذا النموذج لمواجهة تحديات الطقس قصيرة الأجل والتنبؤات المناخية طويلة الأجل. تم تدريبه مسبقًا على 40 عامًا من بيانات رصد الأرض لناسا من تحليل البحث والتطبيقات الحديثة، الإصدار 2 (ميررا-2)، يقدم نموذج الأساس تحسينات كبيرة على نماذج التنبؤ التقليدية.
تم بناء النموذج باستخدام ترانسفورمر الرؤية و ماسكد أوتوإنكودر، مما يسمح له بتشفير البيانات المكانية بمرور الوقت. من خلال دمج آلية الانتباه الزمني، يمكن لنموذج الأساس تحليل بيانات ميررا-2، التي تدمج مختلف تيارات المراقبة. يمكن للنموذج تشغيله على سطح كروي، مثل نماذج المناخ التقليدية، وعلى شبكة مستطيلة مسطحة، مما يسمح له بالتبديل بين المنظورات العالمية والإقليمية دون فقدان الدقة.
تسمح هذه الهيئة الفريدة لبريثفي أن يتم تعديله على نطاقات عالمية وإقليمية ومحلية، مع تشغيله على جهاز كمبيوتر مكتبي قياسي في ثوان. يمكن استخدام نموذج الأساس هذا لتطبيقات مثل التنبؤ بالطقس المحلي إلى التنبؤ بأحداث الطقس القاسية، وتحسين الدقة المكانية لمحاكاة المناخ العالمية، وضبط تمثيل العمليات الفيزيائية في النماذج التقليدية. بالإضافة إلى ذلك، يأتي بريثفي مع إصدارين معدَّلين دقيقًا مصممين لاستخدامات علمية وصناعية محددة، مما يوفر دقة أكبر للتحليل البيئي. النموذج متاح مجانًا على هاجينج فايس.

الخلاصة

الشراكة بين آي بي إم وناسا تعيد تعريف الذكاء الاصطناعي الجغرافي المكاني، مما يسهل على الباحثين والمبتكرين مواجهة التحديات المناخية الحاسمة. من خلال تطوير نماذج الأساس التي يمكن تحليل مجموعات بيانات كبيرة بفعالية، تعزز هذه الشراكة قدراتنا على التنبؤ وإدارة الأحداث الجوية الشديدة. وأهم من ذلك، أنها تفتح الباب لمجموعة أوسع للوصول إلى هذه الأدوات القوية، التي كانت مقصورة في السابق على المؤسسات المالية الجيدة. مع تصبح هذه النماذج المتقدمة من الذكاء الاصطناعي متاحة لمزيد من الناس، فإنها تمهد الطريق لحلول مبتكرة يمكن أن تساعدنا على الاستجابة لتغير المناخ بطريقة أكثر فعالية ومسؤولية.