كيف تقود آي بي إم وناساFoundation Geospatial AI لمواجهة تحديات المناخ

مع تزايد تغير المناخ يغذي أحداث طقس متزايدة سوءًا مثل الفيضانات والأعاصير والجفاف والحرائق ، تتراجع الأساليب التقليدية للاستجابة للكوارث في مواكبة ذلك. في حين أن التقدم في تكنولوجيا الأقمار الصناعية والطائرات بدون طيار والمراقبة عن بُعد يسمح بمراقبة أفضل ، يبقى الوصول إلى هذه البيانات الحيوية مقصورًا على عدد قليل من المنظمات ، مما يترك العديد من الباحثين والمبتكرين بدون الأدوات التي يحتاجونها. كما أصبحت فيضان البيانات الجغرافية المكانية التي تُ.generated يوميًا تحديًا – حيث يغمر المنظمات ويصعب استخلاص معلومات مفيدة. لمواجهة هذه القضايا ، هناك حاجة إلى أدوات متطورة ويمكن الوصول إليها وذكية لتحويل مجموعات البيانات الكبيرة إلى معلومات مناخية قابلة للتنفيذ. यह هو المكان الذي يصبح فيه الذكاء الاصطناعي الجغرافي المكاني حاسمًا – تكنولوجيا ناشئة لديها القدرة على تحليل كميات كبيرة من البيانات ، مما يوفر تنبؤات أكثر دقة وفعاليّة ووقتية. يبحث هذا المقال في التعاون الرائد بين آي بي إم وناسا لتطوير الذكاء الاصطناعي الجغرافي المكاني المتقدم والأكثر سهولة الوصول ، مما يمنح جمهورًا أوسع الأدوات اللازمة لتشغيل حلول بيئية و مناخية مبتكرة.

لماذا تقود آي بي إم وناسا Foundation Geospatial AI

تمثل النماذج الأساسية (FMs) جبهة جديدة في الذكاء الاصطناعي ، مصممة لتعلم من كميات هائلة من البيانات غير المسمى وتطبيق رؤاهم عبر مجالات متعددة. يوفر هذا النهج العديد من المزايا الرئيسية. على عكس نماذج الذكاء الاصطناعي التقليدية ، لا تعتمد FMs على مجموعات بيانات ضخمة ومحضرة بدقة. بدلاً من ذلك ، يمكنهم تحسين الأداء على عينات بيانات أصغر ، مما يوفر الوقت والموارد. هذا يجعلها أداة قوية لتسريع البحث المناخي ، حيث يمكن أن يكون جمع مجموعات البيانات الكبيرة مكلفًا ومستهلكًا للوقت.

علاوة على ذلك ، تسهل FMs تطوير التطبيقات المخصصة ، مما يقلل من الجهود المتكررة. على سبيل المثال ، بمجرد تدريب FM ، يمكن تعديله لعدة تطبيقات لاحقة مثل مراقبة الكوارث الطبيعية أو تتبع استخدام الأراضي دون الحاجة إلى إعادة التدريب الشامل. على الرغم من أن عملية التدريب الأولية قد تتطلب قوة حسابية كبيرة ، مما يستدعي آلاف الساعات من وحدات معالجة الرسومات. ومع ذلك ، بمجرد تدريبهم ، يمكن تشغيلهم خلال الاستدلال في دقائق أو حتى ثوانٍ.

علاوة على ذلك ، يمكن أن تجعل FMs نماذج الطقس المتقدمة متاحة لأوسع جمهور. في السابق ، كانت هذه النماذج متاحة فقط للمؤسسات المتميزة ذات الموارد لدعم البنية التحتية المعقدة. ومع ظهور FMs المسبقة التدريب ، أصبحت نمذجة المناخ في متناول مجموعة أوسع من الباحثين والمبتكرين ، مما يفتح طرقًا جديدة للاكتشافات الأسرع والحلول البيئية المبتكرة.

أصل Foundation Geospatial AI

أدى الإمكانات الهائلة للنماذج الأساسية إلى تعاون آي بي إم وناسا لبناء نموذج شامل للبيئة الأرضية. الهدف الرئيسي لهذا التعاون هو تمكين الباحثين من استخلاص رؤى من مجموعات بيانات ناسا الأرضية الشاسعة بطريقة فعالة ويمكن الوصول إليها.

في هذا السعي ، حققوا اختراقًا كبيرًا في أغسطس 2023 مع الكشف عن نموذج رائد للبيانات الجغرافية المكانية. تم تدريب هذا النموذج على مجموعة بيانات الأقمار الصناعية الشاسعة لناسا ، التي تشمل أرشيفًا يعود إلى 40 عامًا من الصور من برنامج هارمونيزد لاندسات سينتيل 2 (HLS). يستخدم تقنيات الذكاء الاصطناعي المتقدمة ، بما في ذلك هياكل الترانسفورمر ، لمعالجة كميات كبيرة من البيانات الجغرافية المكانية بكفاءة. تم تطويره باستخدام خادم IBM Cloud Vela ونموذج Watsonx FM ، يمكن للنموذج HLS تحليل البيانات بأربع مرات أسرع من نماذج التعلم العميق التقليدية ، مع الحاجة إلى مجموعات بيانات مسماة أقل بكثير للتدريب.

تكون التطبيقات المحتملة لهذا النموذج واسعة النطاق ، تتراوح من مراقبة تغييرات استخدام الأراضي والكوارث الطبيعية إلى التنبؤ بإنتاج المحاصيل. ومن المهم أن يكون هذا الأداة القوية متاحًا مجانًا على هوجينج فايس ، مما يسمح للباحثين والمبتكرين في جميع أنحاء العالم باستخدام قدراته والمساهمة في تقدم العلوم المناخية والبيئية.

التقدم في Foundation Geospatial AI

بناءً على هذا الزخم ، قد قدمت آي بي إم وناسا مؤخرًا نموذجًا مفتوحًا رائدًا آخر: بريثفي وكس. تم تصميم هذا النموذج لمواجهة تحديات الطقس قصيرة الأجل والتنبؤات المناخية طويلة الأجل. تم تدريبه مسبقًا على 40 عامًا من بيانات مراقبة الأرض لناسا من تحليل الماضي الحديث للبحث والتطبيقات (MERRA-2) ، يوفر النموذج FM تحسينات كبيرة على نماذج التنبؤ التقليدية.

تم بناء النموذج باستخدام ترانسفورمر رؤية و مكود أوتوإنكودر مقسم ، مما يسمح له بترميز البيانات المكانية بمرور الوقت. من خلال دمج آلية انتباه زمني مرئي ، يمكن للنموذج FM تحليل بيانات MERRA-2 ، التي تدمج مختلف التيارات المراقبة. يمكن للنموذج تشغيله على سطح كروي ، مثل نماذج المناخ التقليدية ، وعلى شبكة مستطيلة مسطحة ، مما يسمح له بالتبديل بين المناظير العالمية والإقليمية دون فقدان الدقة.

تتيح هذه الهيئة الفريدة لبريثفي أن يتم ضبطه على المستويات العالمية والإقليمية والمحلية ، مع تشغيله على جهاز كمبيوتر سطح المكتب القياسي في ثوانٍ. يمكن استخدام نموذج FM هذا لتطبيقات مثل التنبؤ بالطقس المحلي والتنبؤ بأحداث الطقس القاسية ، وتحسين الدقة المكانية لل симуляشنات المناخية العالمية ، وتحسين تمثيل العمليات الفيزيائية في النماذج التقليدية. بالإضافة إلى ذلك ، يأتي بريثفي مع إصدارين مُعدَّين مسبقًا مصممين لاستخدامات علمية وصناعية محددة ، مما يوفر دقة أكبر للتحليل البيئي. النموذج متاح مجانًا على هوجينج فايس.

الخلاصة

تعاون آي بي إم وناسا يغير تعريف الذكاء الاصطناعي الجغرافي المكاني ، مما يجعل من الأسهل على الباحثين والمبتكرين مواجهة التحديات المناخية الحاسمة. من خلال تطوير نماذج أساسية يمكنها تحليل مجموعات بيانات كبيرة ، يعزز هذا التعاون قدراتنا على التنبؤ وإدارة الأحداث الجوية القاسية. ومما هو أكثر أهمية ، أنه يفتح الباب أمام جمهور أوسع للوصول إلى هذه الأدوات القوية ، التي كانت مقصورة في السابق على المؤسسات المتميزة. مع توفر هذه النماذج المتقدمة من الذكاء الاصطناعي لأكثر الناس ، فإنها تمهد الطريق لحلول مبتكرة يمكنها مساعدتنا في الاستجابة لتغير المناخ بطريقة أكثر فعالية ومسؤولية. أكثر من ذلك ، يفتح هذا التعاون الباب أمام فرص جديدة للابتكار والبحث في مجال العلوم المناخية والبيئية.