Kuinka IBM ja NASA määrittelevät uudelleen geopatiaalisen tekoälyn vastatakseen ilmastohaasteisiin

Kuten ilmastonmuutos polttoaineet yhä ankarammat sääilmiöt, kuten tulvat, hurrikaanit, kuivuus ja metsäpalot, perinteiset katastrofivalvontamenetelmät kamppailevat pysyäkseen perässä. Satelliittitekniikan, droonien ja kauko-anturien edistyminen mahdollistaa paremman seurannan, mutta pääsy näihin elintärkeisiin tietoihin on rajoitettu vain muutamiin organisaatioihin, jolloin monet tutkijat ja innovaattorit jäävät ilman tarvitsemiaan työkaluja. Päivittäin syntyvästä paikkatiedon tulvasta on myös tullut haaste – se ylittää organisaatiot ja vaikeuttaa merkityksellisten oivallusten saamista. Näiden ongelmien ratkaisemiseksi tarvitaan skaalautuvia, helppopääsyisiä ja älykkäitä työkaluja, joiden avulla suuret tietojoukot voidaan muuttaa toimiviksi ilmastotietoiksi. Tämä on paikka geospatiaalinen AI tulee elintärkeäksi – nouseva teknologia, jolla on potentiaalia analysoida suuria tietomääriä ja tarjota tarkempia, ennakoivampia ja oikea-aikaisempia ennusteita. Tässä artikkelissa tarkastellaan IBM:n ja NASA:n uraauurtavaa yhteistyötä kehittyneen, helpommin saavutettavissa olevan geospatiaalisen tekoälyn kehittämiseksi, mikä antaa laajemmalle yleisölle työkalut, joita tarvitaan innovatiivisten ympäristö- ja ilmastoratkaisujen kehittämiseen.

Miksi IBM ja NASA ovat uraauurtavia säätiön geospatiaalinen AI?

Perustusmallit (FM:t) edustavat tekoälyn uutta rajaa, ja ne on suunniteltu oppimaan valtavasta määrittämättömästä datasta ja soveltamaan näkemyksiään useilla aloilla. Tämä lähestymistapa tarjoaa useita keskeisiä etuja. Toisin kuin perinteiset tekoälymallit, FM:t eivät luota massiivisiin, huolella kuratoituihin tietokokonaisuuksiin. Sen sijaan he voivat hienosäätää pienempiä tietonäytteitä, mikä säästää sekä aikaa että resursseja. Tämä tekee niistä tehokkaan työkalun ilmastotutkimuksen nopeuttamiseen, jossa suurten tietokokonaisuuksien kerääminen voi olla kallista ja aikaa vievää.

Lisäksi FM:t tehostavat erikoissovellusten kehitystä vähentäen turhia ponnisteluja. Esimerkiksi kun FM on koulutettu, se voidaan mukauttaa useisiin loppupään sovelluksiin, kuten luonnonkatastrofien seurantaan tai maankäytön seurantaan ilman laajaa uudelleenkoulutusta. Vaikka alkukoulutusprosessi voi vaatia huomattavaa laskentatehoa, joka vaatii kymmeniä tuhansia GPU-tunteja. Kuitenkin, kun ne on koulutettu, niiden ajaminen päättelyn aikana kestää vain minuutteja tai jopa sekunteja.

Lisäksi FM:t voisivat tuoda edistyneitä säämalleja laajemman yleisön saataville. Aiemmin vain hyvin rahoitetut laitokset, joilla oli resurssit tukea monimutkaista infrastruktuuria, pystyivät käyttämään näitä malleja. Valmiiksi koulutettujen FM-laitteiden lisääntyessä ilmastomallinnus on nyt kuitenkin laajemman tutkija- ja innovaattoriryhmän ulottuvilla, mikä avaa uusia väyliä nopeammille löydöksille ja innovatiivisille ympäristöratkaisuille.

Geospatiaalisen AI:n perusta

FM-laitteiden valtava potentiaali on johtanut IBM:n ja NASA:n yhteistyöhön rakentaakseen kattavan FM:n maapallon ympäristöstä. Tämän kumppanuuden päätavoitteena on antaa tutkijoille mahdollisuus poimia näkemyksiä NASAn laajoista maatietosarjoista tehokkaasti ja helposti saatavilla olevalla tavalla.

Tässä pyrkimyksessä he saavuttavat merkittävän läpimurron elokuussa 2023 julkistamalla uraauurtavan FM paikkatiedoille. Tämä malli on koulutettu NASAn laajalla satelliittitietojoukolla, joka sisältää 40 vuoden arkiston kuvia Yhdenmukaistettu Landsat Sentinel-2 (HLS) ohjelmoida. Se käyttää edistyneitä tekoälytekniikoita, muuntajaarkkitehtuurit mukaan lukien, käsitelläkseen tehokkaasti huomattavia määriä geospatiaalista tietoa. Kehitetty käyttämällä IBM:n Cloud Vela -supertietokone ja watsonx FM-pino, HLS-malli voi analysoida tietoja jopa neljä kertaa nopeammin kuin perinteiset syväoppimismallit, mutta vaatii huomattavasti vähemmän merkittyjä tietojoukkoja koulutukseen.

Tämän mallin potentiaaliset sovellukset ovat laajat aina maankäytön muutosten ja luonnonkatastrofien seurannasta sadon ennustamiseen. Tärkeää on, että tämä tehokas työkalu on vapaasti käytettävissä saatavissa Hugging Facessa, jonka avulla tutkijat ja innovaattorit ympäri maailmaa voivat hyödyntää sen kykyjä ja edistää ilmasto- ja ympäristötieteen kehitystä.

Geospatial AI:n edistysaskel

Tämän vauhdin pohjalta IBM ja NASA ovat äskettäin ottaneet käyttöön toisen uraauurtavan avoimen lähdekoodin FM-mallin: Prithvi WxC. Tämä malli on suunniteltu vastaamaan sekä lyhyen aikavälin säähaasteisiin että pitkän aikavälin ilmastoennusteisiin. Valmistunut 40 vuoden ajalta NASAn Maan havainnointitiedoista Modern-Era Retrospective -analyysistä tutkimukseen ja sovelluksiin, versio 2 (MERRA-2), FM tarjoaa merkittäviä edistysaskeleita perinteisiin ennustemalleihin verrattuna.

Malli on rakennettu käyttämällä a näkömuuntaja ja maskattu autoenkooderi, jonka avulla se voi koodata paikkatietoja ajan mittaan. Sisällyttämällä a ajallinen huomiomekanismi, FM voi analysoida MERRA-2:n uudelleenanalyysidataa, joka yhdistää erilaisia ​​havaintovirtoja. Malli voi toimia sekä pallomaisella pinnalla, kuten perinteiset ilmastomallit, että litteässä suorakaiteen muotoisessa ruudukossa, jolloin se voi vaihtaa globaalien ja alueellisten näkemysten välillä resoluutiota menettämättä.

Tämän ainutlaatuisen arkkitehtuurin avulla Prithviä voidaan hienosäätää globaalissa, alueellisessa ja paikallisessa mittakaavassa samalla kun se toimii tavallisella pöytätietokoneella sekunneissa. Tätä FM-mallia voidaan käyttää useisiin sovelluksiin, mukaan lukien paikallisen sään ennustaminen äärimmäisten sääilmiöiden ennustamiseen, globaalien ilmastosimulaatioiden spatiaalisen resoluution parantamiseen ja fysikaalisten prosessien esityksen jalostukseen perinteisissä malleissa. Lisäksi Prithvi sisältää kaksi hienosäätää versiot, jotka on suunniteltu erityisiin tieteellisiin ja teollisiin käyttötarkoituksiin, mikä tarjoaa entistä tarkemman ympäristöanalyysin. Malli on vapaa saatavissa halaavilla kasvoilla.

Bottom Line

IBM:n ja NASA:n kumppanuus määrittelee geospatiaalisen tekoälyn uudelleen, mikä helpottaa tutkijoiden ja innovoijien kohdata kiireellisiä ilmastohaasteita. Tämä yhteistyö parantaa kykyämme ennustaa ja hallita vaikeita sääilmiöitä kehittämällä perusmalleja, joilla voidaan analysoida tehokkaasti suuria tietojoukkoja. Vielä tärkeämpää on, että se avaa oven laajemmalle yleisölle käyttää näitä tehokkaita työkaluja, jotka aiemmin rajoittuivat hyvin resursoituihin instituutioihin. Kun nämä edistyneet tekoälymallit tulevat yhä useamman ihmisen ulottuville, ne tasoittavat tietä innovatiivisille ratkaisuille, jotka voivat auttaa meitä reagoimaan ilmastonmuutokseen tehokkaammin ja vastuullisemmin.