Cómo IBM y NASA están redefiniendo la inteligencia artificial geoespacial para abordar los desafíos climáticos

A medida que el cambio climático impulsa eventos meteorológicos cada vez más severos como inundaciones, huracanes, sequías y incendios forestales, los métodos tradicionales de respuesta a desastres están luchando por mantenerse al día. Si bien los avances en la tecnología satelital, drones y sensores remotos permiten una mejor supervisión, el acceso a estos datos vitales sigue siendo limitado a unas pocas organizaciones, lo que deja a muchos investigadores e innovadores sin las herramientas que necesitan. La inundación de datos geoespaciales generados diariamente también se ha convertido en un desafío, abrumando a las organizaciones y dificultando la extracción de información significativa. Para abordar estos problemas, se necesitan herramientas escalables, accesibles e inteligentes para convertir vastos conjuntos de datos en conocimientos climáticos accionables. Es aquí donde la inteligencia artificial geoespacial se vuelve vital, una tecnología emergente que tiene el potencial de analizar grandes volúmenes de datos, proporcionando predicciones más precisas, proactivas y oportunas. Este artículo explora la colaboración innovadora entre IBM y NASA para desarrollar inteligencia artificial geoespacial avanzada y más accesible, empoderando a una audiencia más amplia con las herramientas necesarias para impulsar soluciones ambientales y climáticas innovadoras.

Por qué IBM y NASA están pioneros en la inteligencia artificial geoespacial de base

Los modelos de base (FMs) representan una nueva frontera en la inteligencia artificial, diseñados para aprender de vastas cantidades de datos no etiquetados y aplicar sus conocimientos en múltiples dominios. Este enfoque ofrece varias ventajas clave. A diferencia de los modelos de inteligencia artificial tradicionales, los FMs no dependen de conjuntos de datos masivos y cuidadosamente curados. En su lugar, pueden afinar en muestras de datos más pequeñas, ahorrando tiempo y recursos. Esto los convierte en una herramienta poderosa para acelerar la investigación climática, donde la recopilación de grandes conjuntos de datos puede ser costosa y consume mucho tiempo.

Además, los FMs simplifican el desarrollo de aplicaciones especializadas, reduciendo los esfuerzos redundantes. Por ejemplo, una vez que un FM está entrenado, se puede adaptar a varias aplicaciones descendentes, como la supervisión de desastres naturales o el seguimiento del uso de la tierra, sin requerir un entrenamiento extensivo. Aunque el proceso de entrenamiento inicial puede exigir una importante potencia computacional, que requiere decenas de miles de horas de GPU. Sin embargo, una vez que están entrenados, ejecutarlos durante la inferencia tarda solo minutos o incluso segundos.

Además, los FMs podrían hacer que los modelos de clima avanzados sean accesibles a una audiencia más amplia. Anteriormente, solo las instituciones bien financiadas con los recursos para respaldar infraestructuras complejas podían ejecutar estos modelos. Sin embargo, con el surgimiento de los FMs preentrenados, la modelización del clima está ahora al alcance de un grupo más amplio de investigadores e innovadores, lo que abre nuevas vías para descubrimientos más rápidos y soluciones ambientales innovadoras.

El origen de la inteligencia artificial geoespacial de base

El vasto potencial de los FMs ha llevado a IBM y NASA a colaborar en la construcción de un modelo de base integral del medio ambiente de la Tierra. El objetivo principal de esta asociación es capacitar a los investigadores para extraer conocimientos de los extensos conjuntos de datos de la Tierra de la NASA de una manera efectiva y accesible.

En este esfuerzo, logran un avance significativo en agosto de 2023 con la presentación de un FM pionero para datos geoespaciales. Este modelo se entrenó en el vasto conjunto de datos satelitales de la NASA, que comprende un archivo de 40 años de imágenes del programa Harmonized Landsat Sentinel-2 (HLS). Utiliza técnicas de inteligencia artificial avanzadas, incluyendo arquitecturas de transformadores, para procesar eficientemente grandes volúmenes de datos geoespaciales. Desarrollado utilizando la supercomputadora Cloud Vela de IBM y la pila de FM de Watsonx, el modelo HLS puede analizar datos hasta cuatro veces más rápido que los modelos de aprendizaje profundo tradicionales, mientras requiere conjuntos de datos etiquetados significativamente más pequeños para el entrenamiento.

Las posibles aplicaciones de este modelo son extensas, desde la supervisión de cambios en el uso de la tierra y desastres naturales hasta la predicción de rendimientos de cultivos. Lo más importante es que esta poderosa herramienta está disponible de forma gratuita en Hugging Face, lo que permite a investigadores e innovadores de todo el mundo utilizar sus capacidades y contribuir al avance de la ciencia climática y ambiental.

Avances en la inteligencia artificial geoespacial de base

Basándose en este impulso, IBM y NASA han introducido recientemente otro modelo de FM de código abierto innovador: Prithvi WxC. Este modelo está diseñado para abordar tanto los desafíos climáticos a corto plazo como las predicciones climáticas a largo plazo. Preentrenado en 40 años de datos de observación de la Tierra de la NASA del Análisis Retrospectivo de la Era Moderna para Investigación y Aplicaciones, Versión 2 (MERRA-2), el FM ofrece avances significativos sobre los modelos de predicción tradicionales.

El modelo se construye utilizando un transformador de visión y un autoencoder enmascarado, lo que permite codificar datos espaciales en el tiempo. Al incorporar un mecanismo de atención temporal, el FM puede analizar los datos de reanálisis MERRA-2, que integran varias corrientes de observación. El modelo puede operar tanto en una superficie esférica, como los modelos climáticos tradicionales, como en una cuadrícula plana y rectangular, lo que le permite cambiar entre vistas globales y regionales sin perder resolución.

Esta arquitectura única permite que Prithvi se ajuste en escalas globales, regionales y locales, mientras se ejecuta en una computadora de escritorio estándar en cuestión de segundos. Este modelo de FM se puede emplear para una variedad de aplicaciones, incluyendo la predicción del clima local, la predicción de eventos climáticos extremos, el aumento de la resolución espacial de las simulaciones climáticas globales y la mejora de la representación de procesos físicos en modelos convencionales. Además, Prithvi viene con dos versiones ajustadas diseñadas para usos científicos e industriales específicos, lo que proporciona una precisión aún mayor para el análisis ambiental. El modelo está disponible de forma gratuita en Hugging Face.

En resumen

La asociación entre IBM y NASA está redefiniendo la inteligencia artificial geoespacial, lo que facilita a investigadores e innovadores abordar los desafíos climáticos apremiantes. Al desarrollar modelos de base que puedan analizar eficazmente grandes conjuntos de datos, esta colaboración mejora nuestra capacidad para predecir y gestionar eventos meteorológicos severos. Más importante aún, abre la puerta para que una audiencia más amplia acceda a estas poderosas herramientas, que anteriormente estaban limitadas a instituciones bien financiadas. A medida que estos modelos de inteligencia artificial avanzados se vuelven accesibles para más personas, allanan el camino para soluciones innovadoras que pueden ayudarnos a responder al cambio climático de manera más efectiva y responsable.