IBM과 NASA, 기후 도전 과제 해결을 위한 지리공간 AI 재정의

기후 변화가 홍수, 허리케인, 가뭄, 산불과 같은 날씨 현상들을 더욱 심각하게 만들면서, 전통적인 재난 대응 방법들은 따라가기 어려워지고 있습니다. 위성 기술, 드론, 원격 센서의 발전은 더 나은 모니터링을 가능하게 하지만, 이러한 중요한 데이터에 대한 접근은 몇몇 기관에만 제한되어 있으며, 많은 연구자와 혁신가들은 필요한 도구를 사용할 수 없습니다. 매일 생성되는 지리공간 데이터의 홍수는 또한 도전 과제가 되었습니다. 이러한 문제를 해결하기 위해, 대규모 데이터를 분석하여 기후에 대한 예측과 관리를 가능하게 하는 지능형 도구가 필요합니다. 여기서 지리공간 AI가 중요한 역할을 합니다. 이 기술은 대규모 데이터를 분석하여 더 정확하고 적극적인 예측을 제공할 수 있습니다. 이 기사는 IBM과 NASA의 협력을 통해 개발된 지리공간 AI에 대해 다룹니다.

IBM과 NASA, 지리공간 AI의 선구자

기초 모델(FMs)은 새로운 AI 분야로,大量의 비레이블 데이터에서 학습하여 여러 도메인에 대한 통찰력을 제공합니다. 이러한 접근 방법은 몇몇의 장점을 제공합니다. 전통적인 AI 모델과 달리, 기초 모델은大量의 데이터를 필요로하지 않습니다. 대신, 작은 데이터 샘플에서 학습할 수 있습니다. 이는 기후 연구를 가속화하는 강력한 도구입니다. 기후 연구에서大量의 데이터를 수집하는 것은 비용이 많이 들고 시간이 많이 걸리는 작업입니다.

또한, 기초 모델은 특수한 애플리케이션의 개발을 간소화합니다. 예를 들어, 기초 모델이 학습되면, 자연 재해 모니터링이나 토지 이용 추적과 같은 하위 애플리케이션에 쉽게 적용할 수 있습니다. 초기 학습 과정은大量의 컴퓨팅 파워를 필요로 하지만, 한 번 학습되면, 실행에는 몇 분 또는 몇 초만이 필요합니다.

또한, 기초 모델은 先進的な 날씨 모델을 더 많은 사람들에게 제공할 수 있습니다. 이전에는, 이러한 모델을 실행하기 위해 복잡한 인프라를 지원할 수 있는 기관만이 이러한 모델을 사용할 수 있었습니다. 그러나, 사전 학습된 기초 모델의 출현으로, 기후 모델링은 더 많은 연구자와 혁신가들에게开放되었습니다. 이는 더 빠른 발견과 혁신적인 환경 솔루션을 가능하게 합니다.

지리공간 AI의 기원

기초 모델의巨大한 잠재력은 IBM과 NASA가 지구 환경에 대한 포괄적인 기초 모델을 구축하기 위해 협력하도록 이끌었습니다. 이 협력의 주요 목표는 연구자들이 NASA의 광범위한 지구 데이터셋에서 통찰력을 효과적으로 추출할 수 있도록 하는 것입니다.

이 목표를 달성하면서, 2023년 8월에 지리공간 데이터를 위한 선구적인 기초 모델을 공개했습니다. 이 모델은 NASA의 광범위한 위성 데이터셋을 사용하여 학습되었으며, 40년간의 아카이브된 이미지에서 구성된 Harmonized Landsat Sentinel-2 (HLS) 프로그램을 포함합니다. 이 모델은 지리공간 데이터를 효율적으로 처리하기 위해 고급 AI 기술을 사용합니다. IBM의 Cloud Vela 슈퍼컴퓨터와 Watsonx 기초 모델 스택을 사용하여 개발된 이 모델은 전통적인 딥 러닝 모델보다 4배 빠르게 데이터를 분석할 수 있으며, 학습을 위해 필요한 레이블된 데이터셋이 훨씬 적습니다.

이 모델의 잠재적인 응용 분야는 광범위합니다. 토지 이용 변경과 자연 재해를 모니터링하는 것부터 작물 수확을 예측하는 것까지, 이 모델은 다양한 분야에서 활용될 수 있습니다. 중요한 것은, 이 강력한 도구가 무료로 제공되어, 전 세계의 연구자와 혁신가들이 이를 사용하여 기후와 환경 과학의 발전에 기여할 수 있습니다.

지리공간 AI의 발전

이 모멘텀을 바탕으로, IBM과 NASA는 최근에 또 하나의 선구적인 오픈소스 모델인 Prithvi WxC를 발표했습니다. 이 모델은 단기적인 날씨 도전과 장기적인 기후 예측을 모두 다루도록 설계되었습니다. NASA의 지구 관측 데이터 40년을 사용하여 사전 학습된 이 모델은 전통적인 예측 모델보다 훨씬 더 발전된 기능을 제공합니다.

이 모델은 비전 트랜스포머와 마스킹된 오토인코더를 사용하여 개발되었습니다. 이는 모델이 시간에 따른 공간 데이터를 인코딩할 수 있도록 합니다. 시각적 시간적 주의 메커니즘을 통합함으로써, 이 모델은 MERRA-2 재분석 데이터를 분석할 수 있습니다. 이 모델은 전통적인 기후 모델과 같이 구형 표면에서 실행할 수 있으며, 평면 직사각형 격자에서 실행할 수도 있습니다. 이는 모델이 글로벌 및 지역적 관점에서 실행될 수 있도록 합니다.

이 고유한 아키텍처는 Prithvi가 글로벌, 지역적, 지역적 규모에서 미세 조정될 수 있도록 합니다. 이는 표준 데스크톱 컴퓨터에서 몇 초만에 실행될 수 있습니다. 이 모델은 지역적인 날씨 예측부터 극한 날씨 사건 예측까지, 글로벌 기후 시뮬레이션의 공간적 해상도를 향상시키고, 전통적인 모델에서의 물리적 프로세스 표현을 세부화시키는 데 사용될 수 있습니다. 또한, Prithvi에는 특정 과학적 및 산업적 용도로 설계된 두 가지 미세 조정된 버전이 있습니다. 이는 환경 분석을 위한 더 높은 정밀도를 제공합니다. 이 모델은 무료로 제공되어 있습니다.

결론

IBM과 NASA의 협력은 지리공간 AI를 재정의하고 있습니다. 이는 연구자와 혁신가들이 기후 도전 과제를 해결하기 위해 필요한 도구를 제공합니다. 기초 모델을 개발함으로써, 이 협력은 기후 예측과 관리를 향상시킵니다. 더 중요한 것은, 이러한 강력한 도구가 이전에는 접근할 수なかった 더 많은 사람들에게开放되도록 합니다. 이러한 발전된 AI 모델이 더 많은 사람들에게 제공됨으로써, 우리는 기후 변화에 더 효과적으로 대응하고 책임 있게 행동할 수 있습니다.