Come IBM e NASA stanno ridefinendo l’Intelligenza Artificiale Geospaziale per affrontare le sfide climatiche

Mentre il cambiamento climatico alimenta eventi meteorologici sempre più gravi come inondazioni, uragani, siccità e incendi, i metodi tradizionali di risposta alle calamità stanno faticando a tenere il passo. Sebbene i progressi nella tecnologia satellitare, i droni e i sensori remoti consentano un monitoraggio migliore, l’accesso a questi dati vitali rimane limitato a poche organizzazioni, lasciando molti ricercatori e innovatori senza gli strumenti di cui hanno bisogno. La marea di dati geospaziali generati quotidianamente è diventata anche una sfida – sovraccaricando le organizzazioni e rendendo più difficile estrarre informazioni significative. Per affrontare questi problemi, sono necessari strumenti scalabili, accessibili e intelligenti per trasformare vasti set di dati in informazioni climatiche azionabili. È qui che l’intelligenza artificiale geospaziale diventa vitale – una tecnologia emergente che ha il potenziale di analizzare grandi volumi di dati, fornendo previsioni più accurate, proattive e tempestive. Questo articolo esplora la collaborazione innovativa tra IBM e NASA per sviluppare un’intelligenza artificiale geospaziale avanzata e più accessibile, dotando un pubblico più ampio degli strumenti necessari per guidare soluzioni ambientali e climatiche innovative.

Perché IBM e NASA stanno facendo da pionieri nella fondazione dell’intelligenza artificiale geospaziale

I modelli di base (FMs) rappresentano una nuova frontiera nell’intelligenza artificiale, progettati per apprendere da grandi quantità di dati non etichettati e applicare le loro informazioni in più domini. Questo approccio offre diversi vantaggi chiave. A differenza dei modelli di intelligenza artificiale tradizionali, i FMs non si basano su set di dati curati con cura e in grande quantità. Invece, possono essere ottimizzati su campioni di dati più piccoli, risparmiando tempo e risorse. Ciò li rende uno strumento potente per accelerare la ricerca climatica, dove la raccolta di grandi set di dati può essere costosa e lunga.
Inoltre, i FMs semplificano lo sviluppo di applicazioni specializzate, riducendo gli sforzi ridondanti. Ad esempio, una volta che un FM è stato addestrato, può essere adattato a diverse applicazioni a valle, come il monitoraggio delle calamità naturali o la tracciabilità dell’uso del suolo, senza richiedere un addestramento estensivo. Sebbene il processo di addestramento iniziale possa richiedere una notevole potenza computazionale, richiedendo decine di migliaia di ore di GPU, una volta addestrati, eseguirli durante l’inferenza richiede solo minuti o addirittura secondi.
Inoltre, i FMs potrebbero rendere i modelli meteorologici avanzati accessibili a un pubblico più ampio. In precedenza, solo le istituzioni ben finanziate con le risorse per supportare infrastrutture complesse potevano eseguire questi modelli. Tuttavia, con l’avvento dei FMs pre-addestrati, la modellazione climatica è ora alla portata di un gruppo più ampio di ricercatori e innovatori, aprendo nuove vie per scoperte più rapide e soluzioni ambientali innovative.

La genesi dell’intelligenza artificiale geospaziale di base

Il vasto potenziale dei FMs ha portato IBM e NASA a collaborare per la costruzione di un modello di base completo dell’ambiente terrestre. L’obiettivo principale di questa partnership è quello di dotare i ricercatori di strumenti per estrarre informazioni dai vasti set di dati della Terra di NASA in modo efficace e accessibile.
In questo perseguimento, raggiungono una significativa svolta ad agosto 2023 con l’annuncio di un modello di base pionieristico per i dati geospaziali. Questo modello è stato addestrato sul vasto set di dati satellitari di NASA, che comprende un archivio di 40 anni di immagini del programma Harmonized Landsat Sentinel-2 (HLS). Utilizza tecniche di intelligenza artificiale avanzate, tra cui architetture transformer, per elaborare efficientemente grandi volumi di dati geospaziali. Sviluppato utilizzando il supercomputer Cloud Vela di IBM e lo stack di modelli di base Watsonx, il modello HLS può analizzare dati fino a quattro volte più velocemente dei modelli di apprendimento profondo tradizionali, richiedendo anche meno set di dati etichettati per l’addestramento.
Le potenziali applicazioni di questo modello sono estese, che vanno dal monitoraggio dei cambiamenti nell’uso del suolo e delle calamità naturali alla previsione dei raccolti. Importante, questo potente strumento è disponibile gratuitamente su Hugging Face, consentendo a ricercatori e innovatori di tutto il mondo di utilizzare le sue capacità e contribuire al progresso della scienza climatica e ambientale.

Progressi nell’intelligenza artificiale geospaziale di base

Sulla scia di questo slancio, IBM e NASA hanno recentemente introdotto un altro modello di base open-source: Prithvi WxC. Questo modello è progettato per affrontare sia le sfide meteorologiche a breve termine che le previsioni climatiche a lungo termine. Pre-addestrato su 40 anni di dati di osservazione della Terra di NASA dal Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), il modello di base offre progressi significativi rispetto ai modelli di previsione tradizionali.
Il modello è costruito utilizzando un vision transformer e un masked autoencoder, abilitandolo a codificare dati spaziali nel tempo. Incorporando un meccanismo di attenzione temporale, il modello di base può analizzare i dati di ri-analisi MERRA-2, che integra diversi flussi di osservazione. Il modello può funzionare sia su una superficie sferica, come i modelli climatici tradizionali, sia su una griglia piatta e rettangolare, consentendogli di passare tra viste globali e regionali senza perdere risoluzione.
Questa architettura unica consente a Prithvi di essere ottimizzato su scale globali, regionali e locali, eseguendosi su un computer desktop standard in pochi secondi. Questo modello di base può essere impiegato per una serie di applicazioni, tra cui la previsione del tempo locale, la previsione di eventi meteorologici estremi, il miglioramento della risoluzione spaziale delle simulazioni climatiche globali e il perfezionamento della rappresentazione dei processi fisici nei modelli convenzionali. Inoltre, Prithvi viene fornito con due versioni ottimizzate progettate per utilizzi scientifici e industriali specifici, offrendo una precisione ancora maggiore per l’analisi ambientale. Il modello è disponibile gratuitamente su Hugging Face.

Il punto chiave

La partnership tra IBM e NASA sta ridefinendo l’intelligenza artificiale geospaziale, rendendola più facile per ricercatori e innovatori affrontare le sfide climatiche urgenti. Sviluppando modelli di base che possano analizzare efficacemente grandi set di dati, questa collaborazione migliora la nostra capacità di prevedere e gestire eventi meteorologici estremi. Ciò che più conta, apre la porta a un pubblico più ampio per accedere a questi potenti strumenti, precedentemente limitati a istituzioni ben risorse. Mentre questi modelli di intelligenza artificiale avanzati diventano accessibili a più persone, aprono la strada a soluzioni innovative che possono aiutarci a rispondere al cambiamento climatico in modo più efficace e responsabile.