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

A medida que el cambio climático alimenta 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, los drones y los 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 IA 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 una IA geoespacial avanzada y más accesible, empoderando a una audiencia más amplia con las herramientas necesarias para impulsar soluciones climáticas y ambientales innovadoras.

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

Los modelos de base (FMs) representan una nueva frontera en la IA, diseñada 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 IA tradicionales, los FMs no dependen de conjuntos de datos masivos y cuidadosamente curados. En cambio, 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 llevar 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 el monitoreo 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 gran potencia computacional, que requiere decenas de miles de horas de GPU. Sin embargo, una vez que están entrenados, ejecutarlos durante la inferencia toma solo minutos o incluso segundos.

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

El origen de la IA geoespacial de base

El vasto potencial de los FMs ha llevado a IBM y NASA a colaborar en la creación 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 vastos conjuntos de datos de la Tierra de la NASA de una manera efectiva y accesible.

En esta búsqueda, logran un avance significativo en agosto de 2023 con la presentación de un modelo pionero FM 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 IA avanzadas, incluidas arquitecturas de transformadores, para procesar eficientemente grandes volúmenes de datos geoespaciales. Desarrollado utilizando la supercomputadora Cloud Vela de IBM y la pila de FMs de watsonx, el modelo HLS puede analizar datos hasta cuatro veces más rápido que los modelos de aprendizaje profundo tradicionales, mientras requiere significativamente menos conjuntos de datos etiquetados para el entrenamiento.

Las posibles aplicaciones de este modelo son extensas, desde el monitoreo de cambios en el uso de la tierra y desastres naturales hasta la predicción de rendimientos de cultivos. Importante, 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 IA geoespacial de base

Basándose en este impulso, IBM y NASA han presentado recientemente otro modelo de código abierto innovador FM: 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 en una superficie esférica, como los modelos climáticos tradicionales, y en una cuadrícula plana 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 FM se puede emplear para una serie de aplicaciones, incluida la predicción del clima local, la predicción de eventos climáticos extremos, el mejoramiento de la resolución espacial de las simulaciones climáticas globales y el perfeccionamiento de la representación de procesos físicos en los 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 IA geoespacial, haciendo que sea más fácil para los investigadores y los innovadores abordar los desafíos climáticos urgentes. 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 IA avanzados se vuelven más accesibles para más personas, allanan el camino para soluciones innovadoras que pueden ayudarnos a responder al cambio climático de manera más efectiva y responsable.