Hvordan IBM og NASA gendefinerer geografisk AI til at tackle klimaudfordringer

Da klimaforandringer fremmer stadig mere alvorlige vejrforhold som oversvømmelser, orkaner, tørke og skovbrande, kæmper traditionelle katastrofeberedskabsmetoder med at følge med. Mens fremgang i satellitteknologi, droner og fjernsensorer giver bedre overvågning, er adgangen til disse livsvigtige data begrænset til få organisationer, hvilket efterlader mange forskere og innovatører uden de værktøjer, de har brug for. Floden af geografiske data, der genereres dagligt, er også blevet en udfordring – overvældende organisationer og gør det sværere at udtrække meningsfulde indsigt. For at løse disse problemer er der behov for skalerbare, tilgængelige og intelligente værktøjer til at omdanne enorme datasæt til klima-relaterede indsigt. Her er geografisk AI afgørende – en opkomende teknologi, der har potentialet til at analysere store mængder data og give mere præcise, proaktive og rettidige forudsigelser. Denne artikel udforsker den banebrydende samarbejdsaftale mellem IBM og NASA om at udvikle avanceret, mere tilgængelig geografisk AI, der giver en bredere publikum det nødvendige værktøj til at drive innovative miljø- og klimaløsninger.

Hvorfor IBM og NASA er pionerer inden for grundlæggende geografisk AI

Grundlæggende modeller (FMs) repræsenterer en ny front i AI, designet til at lære af enorme mængder ulabellede data og anvende deres indsigt på tværs af multiple domæner. Denne tilgang tilbyder flere nøglefordele. I modsætning til traditionelle AI-modeller afhænger FMs ikke af massive, omhyggeligt kurerede datasæt. I stedet kan de fintune på små datasæt, hvilket sparer både tid og ressourcer. Dette gør dem til et kraftfuldt værktøj til at accelerere klimaforskning, hvor indsamling af store datasæt kan være kostbar og tidskrævende.

Desuden strømliner FMs udviklingen af specialiserede applikationer, reducerer redundant arbejde. For eksempel kan en FM, når den først er trænet, tilpasses til flere downstream-applikationer, såsom overvågning af naturkatastrofer eller sporing af jordbrugsaktiviteter, uden at kræve omfattende gen-træning. Selvom den initiale træningsproces kan kræve betydelig beregningskraft, krævende titusinder af GPU-timer. Men når de først er trænet, kan de køres under inference på få minutter eller endda sekunder.

Yderligere kan FMs gøre avancerede vejrmodeller tilgængelige for en bredere publikum. Tidligere kunne kun velansete institutioner med ressourcerne til at støtte komplekse infrastrukturer køre disse modeller. Men med opkomsten af fortrænede FMs er klimamodellering nu inden for rækkevidde for en bredere gruppe af forskere og innovatører, åbner nye veje for hurtigere opdagelser og innovative miljøløsninger.

Grundlæggende geografisk AI’s oprindelse

De enorme potentialer i FMs har ført til, at IBM og NASA samarbejder om at opbygge en omfattende FM af jordens miljø. Det centrale mål for dette partnerskab er at give forskere mulighed for at udtrække indsigt fra NASAs omfattende jorddata på en måde, der er både effektiv og tilgængelig.

I denne stræben opnåede de en betydelig gennembrud i august 2023 med præsentationen af en banebrydende FM for geografiske data. Denne model blev trænet på NASAs enorme satellitdatasæt, der består af en 40-årig arkiv af billeder fra Harmonized Landsat Sentinel-2 (HLS)-programmet. Den anvender avancerede AI-teknikker, herunder transformer-arkitekturer, til at effektivt behandle store mængder geografiske data. Udviklet ved hjælp af IBMs Cloud Vela-supercomputer og Watsonx FM-stacken kan HLS-modellen analysere data op til fire gange hurtigere end traditionelle dybe læringmodeller, mens den kræver betydeligt færre labelede datasæt til træning.

De potentielle anvendelser af denne model er omfattende, fra overvågning af jordbrugsaktiviteter og naturkatastrofer til forudsigelse af afgrødeudbytte. Vigtigt er, at dette kraftfulde værktøj er frit tilgængeligt på Hugging Face, hvilket giver forskere og innovatører verden over mulighed for at udnytte dets kapaciteter og bidrage til fremme af klima- og miljøvidenskab.

Fremgang i grundlæggende geografisk AI

Bygning på denne momentum har IBM og NASA nyligt introduceret en anden banebrydende open-source-model FM: Prithvi WxC. Denne model er designet til at løse både kortfristede vejrudfordringer og langfristede klimaforudsigelser. Forudtrænet på 40 års NASAs jordobservationsdata fra Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), tilbyder FM betydelige fremskridt i forhold til traditionelle forudsigelsesmodeller.

Modellen er bygget med en vision transformer og en maskeret autoencoder, hvilket giver den mulighed for at kodificere rumlige data over tid. Ved at inkorporere en temporal attention-mekanisme kan FM analysere MERRA-2 reanalysedata, der integrerer forskellige observationsstrømme. Modellen kan køre på både en sfærisk overflade, som traditionelle klimamodeller, og en flad, rektangulær grid, hvilket giver den mulighed for at skifte mellem globale og regionale visninger uden at miste opløsning.

Denne unikke arkitektur giver Prithvi mulighed for at blive fintuneret på globale, regionale og lokale skalaer, mens den køres på en standard desktop-computer på få sekunder. Denne FM-model kan anvendes i en række applikationer, herunder lokal vejrforudsigelse til forudsigelse af ekstreme vejrforhold, forbedring af den rumlige opløsning af globale klimasimulationer og forbedring af repræsentationen af fysiske processer i konventionelle modeller. Yderligere kommer Prithvi med to fintunerende versioner designet til specifikke videnskabelige og industrielle formål, hvilket giver endnu større præcision for miljøanalyse. Modellen er frit tilgængeligt på Hugging Face.

Det endelige resultat

IBMs og NASAs partnerskab gendefinerer geografisk AI, gør det lettere for forskere og innovatører at løse presserende klimaudfordringer. Ved at udvikle grundlæggende modeller, der kan analysere store datasæt effektivt, forbedrer dette samarbejde vores evne til at forudse og håndtere alvorlige vejrforhold. Endnu vigtigere er, at det åbner døren for en bredere publikum til at få adgang til disse kraftfulde værktøjer, der tidligere var begrænset til velansete institutioner. Da disse avancerede AI-modeller bliver tilgængelige for flere mennesker, åbner de veje for innovative løsninger, der kan hjælpe os med at reagere på klimaforandringer mere effektivt og ansvarligt.