Bagaimana IBM dan NASA Mendefinisikan Ulang AI Geospasial untuk Mengatasi Tantangan Iklim

Ketika perubahan iklim bahan bakar peristiwa cuaca yang semakin parah seperti banjir, badai, kekeringan, dan kebakaran hutan, metode tanggap bencana tradisional berjuang untuk mengimbanginya. Sementara kemajuan dalam teknologi satelit, pesawat nirawak, dan sensor jarak jauh memungkinkan pemantauan yang lebih baik, akses ke data penting ini masih terbatas pada beberapa organisasi, membuat banyak peneliti dan inovator tidak memiliki alat yang mereka butuhkan. Banjir data geospasial yang dihasilkan setiap hari juga menjadi tantangan—membuat organisasi kewalahan dan mempersulit untuk mengekstrak wawasan yang berarti. Untuk mengatasi masalah ini, alat yang dapat diskalakan, mudah diakses, dan cerdas diperlukan untuk mengubah kumpulan data yang besar menjadi wawasan iklim yang dapat ditindaklanjuti. Di sinilah AI geospasial menjadi penting—teknologi baru yang berpotensi menganalisis data dalam jumlah besar, menyediakan prediksi yang lebih akurat, proaktif, dan tepat waktu. Artikel ini membahas kolaborasi inovatif antara IBM dan NASA untuk mengembangkan AI geospasial yang canggih dan lebih mudah diakses, memberdayakan khalayak yang lebih luas dengan perangkat yang diperlukan untuk mendorong solusi lingkungan dan iklim yang inovatif.

Mengapa IBM dan NASA Menjadi Pelopor Geospatial AI Berbasis Yayasan

Model pondasi (FM) merupakan bidang baru dalam AI, yang dirancang untuk belajar dari sejumlah besar data yang tidak berlabel dan menerapkan wawasannya di berbagai domain. Pendekatan ini menawarkan beberapa keuntungan utama. Tidak seperti model AI tradisional, FM tidak bergantung pada kumpulan data besar yang dikurasi dengan cermat. Sebaliknya, FM dapat menyempurnakan sampel data yang lebih kecil, sehingga menghemat waktu dan sumber daya. Hal ini menjadikannya alat yang ampuh untuk mempercepat penelitian iklim, di mana pengumpulan kumpulan data besar dapat memakan biaya dan waktu.

Selain itu, FM menyederhanakan pengembangan aplikasi khusus, sehingga mengurangi upaya yang berulang. Misalnya, setelah FM dilatih, FM dapat diadaptasi ke beberapa aplikasi hilir seperti memantau bencana alam atau melacak penggunaan lahan tanpa memerlukan pelatihan ulang yang ekstensif. Meskipun proses pelatihan awal dapat menuntut daya komputasi yang signifikan, yang membutuhkan puluhan ribu jam GPU. Namun, setelah FM dilatih, menjalankannya selama inferensi hanya membutuhkan waktu beberapa menit atau bahkan detik.

Selain itu, FM dapat membuat model cuaca tingkat lanjut dapat diakses oleh khalayak yang lebih luas. Sebelumnya, hanya lembaga yang memiliki dana yang cukup dengan sumber daya untuk mendukung infrastruktur yang kompleks yang dapat menjalankan model ini. Namun, dengan munculnya FM yang telah dilatih sebelumnya, pemodelan iklim kini dapat dijangkau oleh kelompok peneliti dan inovator yang lebih luas, membuka jalan baru untuk penemuan yang lebih cepat dan solusi lingkungan yang inovatif.

Asal Mula Geospasial AI

Potensi FM yang besar telah mendorong IBM dan NASA untuk berkolaborasi dalam membangun FM yang komprehensif mengenai lingkungan Bumi. Tujuan utama dari kemitraan ini adalah untuk memberdayakan para peneliti guna mengekstrak wawasan dari kumpulan data Bumi NASA yang luas dengan cara yang efektif dan mudah diakses.

Dalam upaya ini, mereka mencapai terobosan signifikan pada bulan Agustus 2023 dengan peluncuran sebuah pesawat perintis FM untuk data geospasialModel ini dilatih pada kumpulan data satelit NASA yang luas, yang terdiri dari arsip gambar selama 40 tahun dari Landsat Sentinel-2 (HLS) yang Diharmonisasikan program. Ini menggunakan teknik AI tingkat lanjut, termasuk arsitektur transformator, untuk memproses data geospasial dalam jumlah besar secara efisien. Dikembangkan menggunakan Superkomputer Cloud Vela milik IBM dan tumpukan FM watsonx, model HLS dapat menganalisis data hingga empat kali lebih cepat daripada model pembelajaran mendalam tradisional sambil membutuhkan lebih sedikit kumpulan data berlabel untuk pelatihan.

Potensi penerapan model ini sangat luas, mulai dari pemantauan perubahan penggunaan lahan dan bencana alam hingga prediksi hasil panen. Yang terpenting, alat yang hebat ini dapat digunakan secara gratis tersedia di Hugging Face, yang memungkinkan para peneliti dan inovator di seluruh dunia untuk memanfaatkan kemampuannya dan berkontribusi terhadap kemajuan ilmu iklim dan lingkungan.

Kemajuan dalam AI Geospasial Dasar

Berdasarkan momentum ini, IBM dan NASA baru-baru ini memperkenalkan model FM open-source yang inovatif: Prithvi WxCModel ini dirancang untuk mengatasi tantangan cuaca jangka pendek dan prediksi iklim jangka panjang. Dilatih sebelumnya pada data observasi Bumi NASA selama 40 tahun dari analisis Retrospektif Era Modern untuk Penelitian dan Aplikasi, Versi 2 (Jalur-2), FM menawarkan kemajuan signifikan atas model peramalan tradisional.

Model ini dibangun menggunakan transformator penglihatan dan autoencoder bertopeng, yang memungkinkannya untuk mengkodekan data spasial dari waktu ke waktu. Dengan menggabungkan mekanisme perhatian temporalFM dapat menganalisis data analisis ulang geographic-2, yang mengintegrasikan berbagai aliran observasi. Model ini dapat beroperasi pada permukaan bola, seperti model iklim tradisional, dan kisi persegi panjang yang datar, yang memungkinkannya untuk beralih antara tampilan global dan regional tanpa kehilangan resolusi.

Arsitektur unik ini memungkinkan Prithvi untuk disetel dengan baik di seluruh skala global, regional, dan lokal, sambil berjalan di komputer desktop standar dalam hitungan detik. Model FM ini dapat digunakan untuk berbagai aplikasi termasuk meramalkan cuaca lokal hingga memperkirakan peristiwa cuaca ekstrem, meningkatkan resolusi spasial simulasi iklim global, dan menyempurnakan representasi proses fisik dalam model konvensional. Selain itu, Prithvi dilengkapi dengan dua disetel dengan baik versi yang dirancang untuk penggunaan ilmiah dan industri tertentu, memberikan presisi yang lebih tinggi untuk analisis lingkungan. Model ini bebas tersedia pada wajah berpelukan.

The Bottom Line

Kemitraan IBM dan NASA mendefinisikan ulang AI geospasial, sehingga memudahkan para peneliti dan inovator untuk mengatasi tantangan iklim yang mendesak. Dengan mengembangkan model dasar yang dapat menganalisis kumpulan data besar secara efektif, kolaborasi ini meningkatkan kemampuan kita untuk memprediksi dan mengelola peristiwa cuaca buruk. Yang lebih penting, hal ini membuka pintu bagi khalayak yang lebih luas untuk mengakses alat-alat canggih ini, yang sebelumnya terbatas pada lembaga-lembaga yang memiliki sumber daya yang baik. Seiring dengan semakin mudahnya model AI canggih ini diakses oleh lebih banyak orang, model-model ini membuka jalan bagi solusi inovatif yang dapat membantu kita menanggapi perubahan iklim secara lebih efektif dan bertanggung jawab.