Hvordan IBM og NASA gjendefinerer geografisk AI for å takle klimautfordringer

Mens klimaendringene fører til økende alvorlige værhendelser som flom, orkaner, tørke og skogbranner, sliter tradisjonelle metoder for å håndtere katastrofer med å holde tritt. Mens fremgangen i satellittteknologi, droner og fjernsensorene gjør det mulig å overvåke bedre, er tilgangen til denne livsviktige dataene begrenset til noen få organisasjoner, og lar mange forskere og innovatører uten de verktøyene de trenger. Flommen av geografiske data som genereres daglig har også blitt en utfordring – overveldende organisasjoner og gjør det vanskeligere å trekke meningfulle innlysninger. For å løse disse problemene, er det nødvendig å ha skalerbare, tilgjengelige og intelligente verktøy for å omdanne enorme datamengder til håndterbare klimainnlysninger. Dette er der geografisk AI blir avgjørende – en ny teknologi som har potensialet til å analysere store mengder data, og gi mer nøyaktige, proaktive og rettidige forutsigelser. Denne artikkelen utforsker den banebrytende samarbeidet mellom IBM og NASA for å utvikle avanserte, mer tilgjengelige geografiske AI, og gir en videre krets med de verktøyene som er nødvendige for å drive innovative miljø- og klimaløsninger.

Hvorfor IBM og NASA er pionerer i grunnleggende geografisk AI

Grunnmodeller (FMs) representerer en ny front i AI, designet for å lære fra enorme mengder uberørte data og anvende deres innlysninger på tvers av flere domener. Denne tilnærmingen tilbyr flere nøkkel fordeler. I motsetning til tradisjonelle AI-modeller, avhenger FMs ikke av massive, omhyggelig kurerte datamengder. I stedet kan de finjustere på mindre datamengder, og spare både tid og ressurser. Dette gjør dem til et kraftfullt verktøy for å akselerere klimaforskning, hvor innhenting av store datamengder kan være kostbart og tidskrevende.

I tillegg strømlinjeformer FMs utviklingen av spesialiserte applikasjoner, og reduserer redundante innsats. For eksempel, når en FM er trent, kan den tilpasses til flere nedstrømsapplikasjoner, som overvåking av naturkatastrofer eller sporing av landbruk, uten å kreve omfattende omstrening. Selv om den innledende treningsprosessen kan kreve betydelig beregningskraft, og kreve titusener av GPU-timer. Men når de er trent, kan de kjøres under inferens på bare minutter eller endatil sekunder.

I tillegg kan FMs gjøre avanserte værmodeller tilgjengelige for en videre krets. Tidligere var det bare vel-finansiert institusjoner med ressurser til å støtte komplekse infrastrukturer som kunne kjøre disse modellene. Men med oppkomsten av forhåndstrede FMs, er klimamodellering nå innenfor rekkevidde for en bredere gruppe forskere og innovatører, og åpner opp nye veier for raskere oppdagelser og innovative miljøløsninger.

Opphavet til grunnleggende geografisk AI

Det enorme potensialet til FMs har ført til at IBM og NASA samarbeider om å bygge en omfattende FM av jordens miljø. Det viktigste målet med dette samarbeidet er å gi forskere mulighet til å trekke innlysninger fra NASAs omfattende jorddatamengder på en måte som er både effektiv og tilgjengelig.

I dette løpet oppnådde de en betydelig gjennombrudd i august 2023 med lanseringen av en banebrytende FM for geografiske data. Denne modellen ble trent på NASAs omfattende satellitt-datamengde, som består av en 40-års arkiv av bilder fra Harmonized Landsat Sentinel-2 (HLS)-programmet. Den bruker avanserte AI-teknikker, inkludert transformer-arkitekturer, for å effektivt prosessere store mengder geografiske data. Utviklet med IBMs Cloud Vela-supercomputer og Watsonx FM-stakken, kan HLS-modellen analysere data opptil fire ganger raskere enn tradisjonelle dyptelæringmodeller, og kreve betydelig færre merkte datamengder for trening.

De potensielle anvendelsene av denne modellen er omfattende, og spenner fra overvåking av landbruk og naturkatastrofer til forutsigelse av avlinger. Viktigst er at dette kraftfulle verktøyet er fritt tilgjengelig på Hugging Face, og lar forskere og innovatører verden over bruke sine muligheter og bidra til fremdriften av klima- og miljøvitenskap.

Fremgang i grunnleggende geografisk AI

Bygget på dette momentum, har IBM og NASA nylig lansert en annen banebrytende åpen kilde-modell FM: Prithvi WxC. Dette modellen er designet for å takle både kortvarige værutfordringer og langvarige klimaprediksjoner. Forhåndstrening på 40 års NASAs jordobservasjonsdata fra Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), tilbyr FM betydelige fremgang i forhold til tradisjonelle forutsigelsesmodeller.

Modellen er bygget med en vision transformer og en maskert autoencoder, og muliggjør å kode spatial data over tid. Ved å inkorporere en temporal attention-mekanisme, kan FM analysere MERRA-2-reanalysedata, som integrerer flere observasjonelle strømmer. Modellen kan operere på både en sfærisk overflate, som tradisjonelle klimamodeller, og en flat, rektangulær rutenett, og lar den endre mellom globale og regionale visninger uten å tape oppløsning.

Denne unike arkitekturen muliggjør at Prithvi kan finjusteres på globale, regionale og lokale skalaer, og kjøres på en standard datamaskin på sekunder. Denne FM-modellen kan brukes til en rekke anvendelser, inkludert lokale værforutsigelser, forutsigelse av ekstreme værhendelser, forbedring av romlig oppløsning i globale klimasimuleringer og finjustering av fysisk prosesser i konvensjonelle modeller. I tillegg kommer Prithvi med to finjusterte versjoner designet for spesifikke vitenskapelige og industrielle bruksområder, og gir enda større nøyaktighet for miljøanalyse. Modellen er fritt tilgjengelig på Hugging Face.

Det viktigste

IBM og NASAs samarbeid gjendefinierer geografisk AI, og gjør det enklere for forskere og innovatører å takle presserende klimautfordringer. Ved å utvikle grunnmodeller som kan effektivt analysere store datamengder, forbedrer dette samarbeidet vår evne til å forutsi og håndtere alvorlige værhendelser. Mer viktig er at det åpner døren for en videre krets til å få tilgang til disse kraftfulle verktøyene, som tidligere var begrenset til vel-finansiert institusjoner. Når disse avanserte AI-modellene blir tilgjengelige for flere mennesker, åpner de vei for innovative løsninger som kan hjelpe oss å respondere på klimaendringene mer effektivt og ansvarlig.