Kuinka IBM ja NASA uudelleenmäärittelevät geospatial AI:ta ilmaston haasteiden ratkaisemiseksi

Ilmastonmuutos sytyttää yhä vakavampia sääilmiöitä, kuten tulvia, hurrikaaneja, kuivuutta ja metsäpaloja, perinteiset katastrofien vastaiset menetelmät kamppailevat pysymään mukana. Vaikka satelliittiteknologian, dronejen ja etäanturien edistysmahdollistaa paremman seurannan, pääsy tähän elintärkeään tietoon on edelleen rajoitettu muutamalle organisaatiolle, jättäen monet tutkijat ja innovaattorit ilman tarvittavia työkaluja. Geospatial-tiedon tulva, jota tuotetaan päivittäin, on myös muodostunut haasteeksi – se ylittää organisaatiot ja tekee vaikeaksi saada merkityksellisiä oivalluksia. Nämä ongelmat vaativat ratkaisuksi skaalautuvia, saatavilla olevia ja älykkäitä työkaluja, joilla voidaan muuttaa laajoja tietoja toimintakykyisiksi ilmasto-oivalluksiksi. Tässä kohtaa geospatial AI tulee oleelliseksi – se on kehittyvä teknologia, jolla voidaan analysoida suuria tietomääriä, tarjoten tarkempia, proaktiivisempia ja oikea-aikaisempia ennusteita. Tämä artikkeli tutkii IBM:n ja NASA:n uraauurtavaa yhteistyötä kehittää edistyneempää, helpommin saatavilla olevaa geospatial AI:ta, joka antaa laajemmalle yleisölle työkalut, joilla voidaan ajaa innovatiivisia ympäristö- ja ilmasto-ratkaisuja.

Miksi IBM ja NASA ovat geospatial AI:n uranuurtajia

Perusmallit (FMs) edustavat uudenlaista rajapintaa tekoälyssä, joka on suunniteltu oppimaan laajojen, etiketöimättömien tietojoukkojen avulla ja soveltamaan niiden oivalluksia useille eri aloille. Tämä lähestymistapa tarjoaa useita avainetuja. Toisin kuin perinteiset tekoälymallit, FMs eivät riipu massiivisista, tarkkaan kokoistetuista tietojoukoista. Sen sijaan ne voivat hienosäätää pienemmillä tietonäytteillä, säästäen sekä aikaa että resursseja. Tämä tekee niistä voimakkaan työkalun ilmastonmuutos-tutkimuksen kiihdyttämiseksi, missä laajojen tietojoukkojen kerääminen voi olla kallista ja aikaa vievää.

Lisäksi FMs suoristavat erikoissovellusten kehittämistä, vähentäen turhia ponnisteluita. Esimerkiksi kun FM on koulutettu, se voidaan sovittaa useisiin alijärjestelmiin, kuten luonnonkatastrofien seurantaan tai maankäytön seurantaan ilman laajaa uudelleenkoulutusta. Vaikka alkuperäinen koulutusprosessi voi vaatia merkittävää laskentatehoa, jopa kymmeniä tuhansia GPU-tunteja, koulutuksen jälkeen niiden suorittaminen kestää vain muutamia minuutteja tai jopa sekunteja.

Lisäksi FMs voivat tehdä edistyneistä säämalleista saatavilla laajemmalle yleisölle. Aikaisemmin vain hyvin varustellut instituutiot, joilla oli resursseja tukemaan monimutkaisia infrastruktuureja, pystyivät suorittamaan nämä mallit. Esikoulutettujen FMs:n myötä ilmasto-mallinnus on nyt saatavilla laajemmalle ryhmälle tutkijoita ja innovaattoreita, avaen uusia polkuja nopeampiin löytöihin ja innovatiivisiin ympäristö-ratkaisuihin.

Geospatial AI:n alkuperä

FMs:n laaja potentiaali on johtanut IBM:n ja NASA:n yhteistyöhön Maan ympäristön kattavan FM:n kehittämiseksi. Tämän yhteistyön tärkein tavoite on antaa tutkijoille mahdollisuus poimia oivalluksia NASA:n laajoista Maan tietojoukoista tehokkaalla ja saatavilla olevalla tavalla.

Tässä tavoitteessa he saavuttivat merkittävän läpimurron elokuussa 2023 esittelemällä uraauurtavan FM:n geospatial-tiedolle. Tämä malli oli koulutettu NASA:n laajalle satelliittitietojoukolle, joka käsittää 40-vuotisen arkistin kuvia Harmonized Landsat Sentinel-2 (HLS) -ohjelmasta. Se käyttää edistyneitä tekoälytekniikoita, mukaan lukien transformer-arkkitehtuureja, prosessoidakseen tehokkaasti suuria määriä geospatial-tietoa. Kehitetty IBM:n Cloud Vela-supertietokoneella ja Watsonx FM-pino-arkkitehtuurilla, HLS-malli voi analysoida tietoja jopa neljä kertaa nopeammin kuin perinteiset syvät tekoälymallit, vaatien samalla huomattavasti vähemmän merkittyjä tietojoukkoja koulutukseen.

Tämän mallin soveltamismahdollisuudet ovat laajat, aina maankäytön muutosten ja luonnonkatastrofien seurannasta sadon ennustamiseen. Merkittävästi, tämä voimakas työkalu on vapaasti saatavilla Hugging Facessa, mahdollistaen tutkijoille ja innovaattoreille ympäri maailmaa hyödyntää sen ominaisuuksia ja osallistua ilmasto- ja ympäristötieteen edistämiseen.

Edistys geospatial AI:ssa

Rakentamalla tästä vauhdista, IBM ja NASA ovat äskettäin esitelleet toisen uraauurtavan avoimen mallin FM:n: Prithvi WxC. Tämä malli on suunniteltu ratkaisemaan sekä lyhytaikaisia säähaasteita että pitkäaikaisia ilmasto-ennusteita. Esikoulutettu 40 vuoden ajanjaksolla NASA:n Maan havaintotiedolla Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2) -tiedolla, FM tarjoaa merkittäviä parannuksia perinteisiin ennustemalleihin.

Malli on rakennettu vision transformer ja masked autoencoder -tekniikoilla, mahdollistaen sen koodata aikaa vastaan geospatial-tietoa. Sisällyttämällä temporaalisen huomion mekanismin, FM voi analysoida MERRA-2-uudelleenanalyysitietoa, joka integroi erilaisia havaintovirtoja. Malli voi toimia sekä pallomaisella pinnalla, kuten perinteiset ilmasto-mallit, että tasolla, suorakulmaisella ruudukolla, sallien sen vaihdella globaalin ja alueellisen näkymän välillä ilman resoluution menetystä.

Tämä ainutlaatuinen arkkitehtuuri mahdollistaa Prithvin hienosäätämisen globaalelle, alueelle ja paikalliselle tasolle, suorittaen samalla standardin mukaisella työasemalla sekunteja. Tämä FM-malli voidaan soveltaa moniin sovelluksiin, kuten paikallissään ennustamisesta ääri-ilmiöiden ennustamiseen, ilmasto-simulaatioiden resoluution parantamiseen ja perinteisten mallien fysikaalisten prosessien edustamisen tarkentamiseen. Lisäksi Prithvi tarjoaa kaksi hienosäädettyä versiota tiettyihin tieteellisiin ja teollisiin käyttökohteisiin, tarjoten vielä tarkemman analyysin ympäristön tutkimiseen. Malli on vapaasti saatavilla Hugging Facessa.

Yhteenveto

IBM:n ja NASA:n yhteistyö uudelleenmäärittelee geospatial AI:ta, tehdessään siitä helpomman tutkijoille ja innovaattoreille vastata ilmastonmuutoksen haasteisiin. Kehittämällä perusmalleja, joilla voidaan tehokkaasti analysoida laajoja tietoja, tämä yhteistyö parantaa kykyämme ennustaa ja hallita vakavia sääilmiöitä. Merkittävästi, se avaa oven laajemmalle yleisölle päästä käsiksi näihin voimakkaisiin työkaluihin, jotka aikaisemmin olivat rajoitettu hyvin resurssoituihin instituutioihin. Kun nämä edistyneet AI-mallit tulevat saataville useammalle, ne avaavat tien innovatiivisille ratkaisuille, joilla voidaan vastata ilmastonmuutokseen tehokkaammin ja vastuullisemmin.