Jak IBM i NASA przedefiniowują sztuczną inteligencję geoprzestrzenną, aby rozwiązać wyzwania związane ze zmianą klimatu

Wraz ze zmianą klimatu pali coraz bardziej dotkliwe wydarzenia pogodowe, takie jak powodzie, huragany, susze i pożary, tradycyjne metody reagowania na klęski żywiołowe mają coraz większe trudności z nadążaniem. Chociaż postęp w technologii satelitarnej, dronów i czujników zdalnych umożliwia lepsze monitorowanie, dostęp do tych niezwykle ważnych danych pozostaje ograniczony do kilku organizacji, pozostawiając wielu badaczy i innowatorów bez narzędzi, których potrzebują. Powódź danych geoprzestrzennych generowanych codziennie stała się również wyzwaniem – przytłaczając organizacje i utrudniając wydobycie znaczących spostrzeżeń. Aby rozwiązać te problemy, niezbędne są skalowalne, dostępne i inteligentne narzędzia, które mogą przekształcić ogromne zestawy danych w działania klimatyczne. To właśnie tutaj sztuczna inteligencja geoprzestrzenna staje się niezwykle ważna – wschodząca technologia, która ma potencjał analizować duże ilości danych, dostarczając bardziej dokładne, proaktywne i terminowe prognozy. Artykuł ten opisuje przełomową współpracę między IBM a NASA w celu opracowania zaawansowanych, bardziej dostępnych modeli sztucznej inteligencji geoprzestrzennej, umożliwiając szerszej publiczności korzystanie z narzędzi niezbędnych do napędzania innowacyjnych rozwiązań środowiskowych i klimatycznych.

Dlaczego IBM i NASA są pionierami w dziedzinie sztucznej inteligencji geoprzestrzennej

Modele podstawowe (FMs) reprezentują nową granicę w dziedzinie sztucznej inteligencji, zaprojektowaną do nauki z ogromnych ilości nieoznaczonych danych i stosowania swoich spostrzeżeń w wielu dziedzinach. Podejście to oferuje kilka kluczowych zalet. W przeciwieństwie do tradycyjnych modeli sztucznej inteligencji, FM nie polegają na ogromnych, starannie opracowanych zestawach danych. Zamiast tego mogą one być dostosowane do mniejszych próbek danych, oszczędzając czas i zasoby. To sprawia, że są one potężnym narzędziem do przyspieszania badań nad klimatem, gdzie gromadzenie dużych zestawów danych może być kosztowne i czasochłonne.

Ponadto FM przyspieszają rozwój specjalistycznych aplikacji, redukując zbędne wysiłki. Na przykład po tym, jak FM jest przeszkolony, może być dostosowany do kilku aplikacji downstream, takich jak monitorowanie klęsk żywiołowych lub śledzenie użytkowania ziemi, bez konieczności rozległego ponownego szkolenia. Chociaż początkowy proces szkolenia może wymagać znacznej mocy obliczeniowej, wymagającej dziesiątków tysięcy godzin GPU. Jednak po ich przeszkoleniu uruchamianie ich podczas inferencji zajmuje tylko kilka minut lub nawet sekund.

Ponadto FM mogą uczynić zaawansowane modele pogody dostępnymi dla szerszej publiczności. Poprzednio tylko dobrze finansowane instytucje z zasobami, które mogłyby wesprzeć złożoną infrastrukturę, mogły uruchamiać te modele. Jednak z pojawieniem się pre-trenowanych FM, modelowanie klimatu jest teraz w zasięgu szerszej grupy badaczy i innowatorów, otwierając nowe możliwości dla szybszych odkryć i innowacyjnych rozwiązań środowiskowych.

Pochodzenie sztucznej inteligencji geoprzestrzennej

Ogromny potencjał FM doprowadził do współpracy między IBM a NASA w celu opracowania kompleksowego FM środowiska Ziemi. Kluczowym celem tego partnerstwa jest umożliwienie badaczom wydobycia spostrzeżeń z obszernych zestawów danych NASA w sposób efektywny i dostępny.

W tym celu osiągnęli oni znaczący przełom w sierpniu 2023 r. z premierą pionierskiego FM dla danych geoprzestrzennych. Ten model został przeszkolony na ogromnym zestawie satelitarnym NASA, składającym się z 40-letniego archiwum obrazów z programu Harmonized Landsat Sentinel-2 (HLS). Wykorzystuje zaawansowane techniki sztucznej inteligencji, w tym architektury transformatora, aby wydajnie przetwarzać znaczne ilości danych geoprzestrzennych. Opracowany przy użyciu superkomputera IBM Cloud Vela i stosu FM Watsonx, model HLS może analizować dane do czterech razy szybciej niż tradycyjne modele głębokiego uczenia, przy jednoczesnym wymaganiu znacznie mniej oznaczonych zestawów danych do szkolenia.

Potencjalne zastosowania tego modelu są ogromne, od monitorowania zmian w użytkowaniu ziemi i klęsk żywiołowych do przewidywania plonów. Co więcej, to potężne narzędzie jest bezpłatnie dostępne na Hugging Face, umożliwiając badaczom i innowatorom na całym świecie wykorzystanie jego możliwości i przyczynienie się do rozwoju nauki o klimacie i środowisku.

Postępy w sztucznej inteligencji geoprzestrzennej

Kontynuując ten impet, IBM i NASA niedawno wprowadziły kolejny przełomowy, otwarty model FM: Prithvi WxC. Ten model jest zaprojektowany do rozwiązania zarówno krótkoterminowych wyzwań pogodowych, jak i długoterminowych prognoz klimatycznych. Przeszkolony na 40 latach danych obserwacyjnych NASA z Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), FM oferuje znaczne postępy w porównaniu z tradycyjnymi modelami prognozowania.

Model ten został zbudowany przy użyciu transformatora wizji i maskowanego autoenkodera, co umożliwia mu kodowanie danych przestrzennych w czasie. Poprzez zintegrowanie mechanizmu uwagi czasowej, FM może analizować dane reanalizy MERRA-2, które integrują różne strumienie obserwacyjne. Model może działać zarówno na powierzchni sferycznej, jak i tradycyjnych modelach klimatu, jak i na płaskiej, prostokątnej siatce, co pozwala mu zmieniać się między widokiem globalnym a regionalnym bez utraty rozdzielczości.

Ta unikalna architektura umożliwia Prithvi dostosowanie się do skal globalnych, regionalnych i lokalnych, przy czym uruchamianie na standardowym komputerze stacjonarnym zajmuje tylko kilka sekund. Ten model FM może być wykorzystywany do szeregu aplikacji, w tym do prognozowania lokalnej pogody, przewidywania ekstremalnych zdarzeń pogodowych, poprawy rozdzielczości symulacji klimatu globalnego oraz udoskonalenia reprezentacji procesów fizycznych w tradycyjnych modelach. Ponadto, Prithvi jest dostarczany z dwoma dostosowanymi wersjami zaprojektowanymi do konkretnych zastosowań naukowych i przemysłowych, zapewniając jeszcze większą precyzję dla analizy środowiskowej. Model jest bezpłatnie dostępny na Hugging Face.

Podsumowanie

Współpraca IBM i NASA zmienia sztuczną inteligencję geoprzestrzenną, ułatwiając badaczom i innowatorom rozwiązywanie palących wyzwań klimatycznych. Poprzez rozwój modeli podstawowych, które mogą skutecznie analizować duże zestawy danych, ta współpraca zwiększa naszą zdolność do przewidywania i zarządzania ekstremalnymi zdarzeniami pogodowymi. Co więcej, otwiera drzwi dla szerszej publiczności, aby uzyskać dostęp do tych potężnych narzędzi, wcześniej ograniczonych do dobrze wyposażonych instytucji. Wraz z tym, jak te zaawansowane modele sztucznej inteligencji stają się dostępne dla większej liczby ludzi, tworzą one drogę do innowacyjnych rozwiązań, które mogą pomóc nam odpowiedzieć na zmianę klimatu w sposób bardziej skuteczny i odpowiedzialny.