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

Ilmastonmuutos sytyttää yhä vakavampia sääilmiöitä, kuten tulvia, hurrikaaneja, kuivuutta ja maastopaloja, ja perinteiset katastrofien torjuntamenetelmät kamppailevat pysymään mukana. Vaikka satelliittiteknologian, dronejen ja etäanturien edistys mahdollistaa paremman seurannan, tärkeän datan saatavuus on edelleen rajoitettu muutamalle organisaatiolle, jättäen monet tutkijat ja innovaattorit ilman tarvitsemiaan työkaluja. Geospatial dataa, jota tuotetaan päivittäin, on muodostunut haasteeksi – se tulvii organisaatioita ja tekee vaikeaksi saada merkityksellisiä oivalluksia. Näiden ongelmien ratkaisemiseksi tarvitaan skaalautuvia, saatavilla olevia ja älykkäitä työkaluja, joilla voidaan muuttaa laajoja tietoja toimintavaroiksi ilmasto-oivalluksiksi. Tässä vaiheessa geospatial AI tulee oleelliseksi – se on uusi teknologia, jolla voidaan analysoida suuria tietomääriä ja tarjota tarkempia, proaktiivisempia ja ajankohtaisempia ennusteita. Tässä artikkelissa tutkitaan IBM:n ja NASA:n uraauurtavaa yhteistyötä kehittää edistyneempää, helpommin saatavilla olevaa geospatial AI:ta, joka antaa laajemmalle yleisölle tarvittavat työkalut innovatiivisten ympäristö- ja ilmasto-ratkaisujen kehittämiseen.

Miksi IBM ja NASA ovat geospatial AI:n uranuurtajia

Perusmallit (FMs) edustavat uudenlaista rajapintaa AI:ssa, joka on suunniteltu oppimaan laajojen, merkityksettömien tietojen joukosta ja soveltamaan niiden oivalluksia useisiin eri aloihin. Tämä lähestymistapa tarjoaa useita avainetuja. Toisin kuin perinteiset AI-mallit, FM:t eivät riipu massiivisista, tarkkaan kuratoiduista tietojoukoista. Sen sijaan ne voivat hienosäätää pienemmillä tietonäytteillä, säästäen sekä aikaa että resursseja. Tämä tekee niistä voimakkaan työkalun ilmastonmuutoksen tutkimuksen kiihdyttämiseen, missä laajojen tietojoukkojen kerääminen voi olla kallista ja aikaa vievää.
Lisäksi FM:t suoristavat erikoistuneiden sovellusten kehittämisen, vähentäen turhia ponnisteluita. Esimerkiksi kun FM on koulutettu, sitä voidaan sovittaa useisiin eri sovelluksiin, kuten luonnonkatastrofien seurantaan tai maankäytön seurantaan ilman laajaa uudelleenkoulutusta. Vaikka alkuperäinen koulutusprosessi voi vaatia merkittävää laskentatehoa, jopa kymmeniä tuhansia GPU-tunteja, koulutettujen mallien suorittaminen kestää vain minuutteja tai jopa sekunteja.
Lisäksi FM:t voivat tehdä edistyneistä säämalleista saatavilla laajemmalle yleisölle. Aikaisemmin vain hyvin varustellut instituutiot, joilla oli resursseja tukemaan monimutkaisia infrastruktuureja, voivat suorittaa näitä malleja. FM:n esivalmistuksen myötä ilmastosimulointi on kuitenkin nyt saatavilla laajemmalle ryhmälle tutkijoita ja innovaattoreita, avaen uusia polkuja nopeampiin löytöihin ja innovatiivisiin ympäristöratkaisuihin.

Perusgeospatial AI:n synty

FM:n laaja potentiaali on johtanut IBM:n ja NASA:n yhteistyöhön Maan ympäristön kattavan FM:n luomiseksi. Tämän yhteistyön avainoletus on antaa tutkijoille mahdollisuus käyttää NASA:n laajoja Maan tietoja tehokkaalla ja saatavilla olevalla tavalla.
Tässä tavoitteessa he saavuttivat merkittävän läpimurron elokuussa 2023 julkaisemalla uraauurtavan FM:n geospatial dataa varten. Tämä malli koulutettiin NASA:n laajalla satelliittidatassa, joka käsittää 40-vuotisen arkistin kuvia Harmonized Landsat Sentinel-2 (HLS) -ohjelmasta. Se käyttää edistyneitä AI-tekniikoita, mukaan lukien transformer-arkkitehtuureja, prosessoidakseen tehokkaasti suuria määriä geospatial dataa. IBM:n Cloud Vela -supertietokoneen ja Watsonx FM -pinon avulla kehitetty HLS-malli voi analysoida dataa jopa neljä kertaa nopeammin kuin perinteiset syvän oppimisen mallit, vaatien samalla huomattavasti vähemmän merkittyjä tietojoukkoja koulutukseen.
Tämän mallin soveltamismahdollisuudet ovat laajat, aina maankäytön muutosten ja luonnonkatastrofien seurannasta sadon ennustamiseen. Tärkeää on, että tämä voimakas työkalu on vapaasti saatavilla Hugging Facessa, jotta tutkijat ja innovaattorit ympäri maailmaa voivat hyödyntää sen ominaisuuksia ja osallistua ilmasto- ja ympäristötieteen edistämiseen.

Edistys perusgeospatial AI:ssa

Rakentamalla tämän menestyksen pohjalle IBM ja NASA ovat äskettäin julkaisseet toisen uraauurtavan avoimen mallin FM:n: Prithvi WxC. Tämä malli on suunniteltu vastaamaan sekä lyhytaikaisiin säähaasteisiin että pitkäaikaisiin ilmastoennusteisiin. Esikoulutettu 40 vuoden ajanjaksolla NASA:n Maan havaintodataa MERRA-2:sta, FM tarjoaa merkittäviä edistysaskelia perinteisiin ennustemalleihin verrattuna.
Malli on rakennettu vision transformer ja masked autoencoder käyttäen, mikä mahdollistaa sen koodata aikaa vastaan spatial dataa. Sisällyttämällä temporaalisen huomion mekanismin, FM voi analysoida MERRA-2-uudelleenanalyysidataa, joka yhdistää useita havaintovirtoja. Malli voi toimia sekä sfääriseen pintaan, kuten perinteiset ilmastosimulaatiot, että tasoon, sallien sen vaihdella globaalin ja alueellisen näkymän välillä ilman resoluution menetystä.
Tämä ainutlaatuinen arkkitehtuuri mahdollistaa Prithvin hienosäätämisen globaaliin, alueelliseen ja paikalliseen mittakaavaan, suorittaen samalla standardin mukaisella työpöytätietokoneella sekunneissa. Tämä FM-malli voidaan soveltaa useisiin sovelluksiin, kuten paikallissään ennustamisesta ääri-ilmiöiden ennustamiseen, parantamalla globaalin ilmastosimulaation resoluutiota ja tarkentamalla fysikaalisten prosessien edustusta perinteisissä malleissa. Lisäksi Prithvi tarjoaa kaksi hienosäädettyä versiota tiettyihin tieteellisiin ja teollisiin käyttöihin, tarjoten vielä tarkemman analyysin ympäristön tutkimiseen. Malli on vapaasti saatavilla Hugging Facessa.

Yhteenveto

IBM:n ja NASA:n yhteistyö uudelleenmäärittelee geospatial AI:ta, tehden siitä helpomman tutkijoille ja innovaattoreille vastata ilmastonmuutoksen haasteisiin. Kehittämällä perusmalleja, jotka voivat analysoida suuria tietomääriä, tämä yhteistyö parantaa kykyämme ennustaa ja hallita vakavia sääilmiöitä. Tärkeämpää on, että se avaa oven laajemmalle yleisölle päästä käsiksi näihin voimakkaisiin työkaluihin, jotka aikaisemmin olivat rajoitettu hyvin varusteltuihin instituutioihin. Kun nämä edistyneet AI-mallit tulevat saataville useammalle, ne avaavat tien innovatiivisille ratkaisuille, jotka voivat auttaa meitä vastaamaan ilmastonmuutokseen tehokkaammin ja vastuullisemmin.