Come IBM e NASA stanno ridefinendo l’intelligenza artificiale geospaziale per affrontare le sfide climatiche

Poiché 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, nei droni e nei sensori remoti consentano una migliore sorveglianza, 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 grandi 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, che consente a un pubblico più ampio di utilizzare gli strumenti necessari per guidare soluzioni ambientali e climatiche innovative.

Perché IBM e NASA stanno pionieristicamente sviluppando l’intelligenza artificiale geospaziale di base

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 conoscenze in più domini. Questo approccio offre diversi vantaggi chiave. A differenza dei modelli di intelligenza artificiale tradizionali, i FMs non si basano su grandi set di dati curati con cura. 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 di calcolo, 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 strade 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 costruire un modello di base completo dell’ambiente terrestre. L’obiettivo principale di questa partnership è quello di consentire ai ricercatori di estrarre informazioni dai vasti set di dati della Terra di NASA in modo efficace e accessibile.

Nella ricerca di questo obiettivo, hanno raggiunto una significativa svolta ad agosto 2023 con l’annuncio di un modello di base pionieristico per i dati geospaziali FM. 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 IBM Cloud Vela 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 aperto e innovativo: 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 FM offre progressi significativi rispetto ai modelli di previsione tradizionali.

Il modello è costruito utilizzando un vision transformer e un masked autoencoder, consentendo di codificare dati spaziali nel tempo. Incorporando un meccanismo di attenzione temporale, il FM può analizzare i dati di ri-analisi MERRA-2, che integrano vari flussi osservativi. Il modello può operare sia su una superficie sferica, come i modelli climatici tradizionali, sia su una griglia piatta e rettangolare, consentendo 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 FM può essere utilizzato 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 include 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 fondamentale

La partnership tra IBM e NASA sta ridefinendo l’intelligenza artificiale geospaziale, rendendo più facile per ricercatori e innovatori affrontare le sfide climatiche urgenti. Sviluppando modelli di base che possono analizzare efficacemente grandi set di dati, questa collaborazione migliora la nostra capacità di prevedere e gestire eventi meteorologici estremi. Più importante, apre la porta a un pubblico più ampio per accedere a questi potenti strumenti, in precedenza 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.