Jak IBM i NASA przedefiniowują sztuczną inteligencję geoprzestrzenną, aby rozwiązać wyzwania związane z klimatem

W miarę jak zmiany klimatyczne prowadzą do coraz bardziej ekstremalnych zjawisk pogodowych, takich jak powodzie, huragany, susze i pożary, tradycyjne metody reagowania na klęski żywiołowe mają trudności z nadążaniem. Podczas gdy postęp w technologii satelitarnej, dronach i czujnikach zdalnych umożliwia lepsze monitorowanie, dostęp do tych danych jest ograniczony do kilku organizacji, pozostawiając wielu badaczy i innowatorów bez niezbędnych narzędzi. Powodujący to napływ danych geoprzestrzennych staje się wyzwaniem – przytłaczając organizacje i utrudniając wydobycie znaczących informacji. Aby rozwiązać te problemy, niezbędne są skalowalne, dostępne i inteligentne narzędzia, które mogą przekształcić ogromne zestawy danych w działania na rzecz klimatu. 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 zaawansowanej, bardziej dostępnej sztucznej inteligencji geoprzestrzennej, umożliwiającej szerszemu gronu odbiorców korzystanie z niezbędnych narzędzi 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, zaprojektowane do uczenia się 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, FMs 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 FMs upraszczają rozwój specjalistycznych aplikacji, redukując zbędne wysiłki. Na przykład, gdy FM jest wyszkolony, 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 wyszkoleniu, uruchamianie ich podczas inferencji zajmuje zaledwie kilka minut lub nawet sekund.

Dodatkowo FMs mogą uczynić zaawansowane modele pogody dostępnymi dla szerszego grona odbiorców. Poprzednio tylko dobrze wyposażone instytucje z zasobami, które mogłyby wspierać złożoną infrastrukturę, mogły uruchamiać te modele. Jednak z pojawieniem się pre-trenowanych FMs, modelowanie klimatu jest teraz w zasięgu większej grupy badaczy i innowatorów, otwierając nowe możliwości dla szybszych odkryć i innowacyjnych rozwiązań środowiskowych.

Początki sztucznej inteligencji geoprzestrzennej

Ogromny potencjał FMs doprowadził do współpracy między IBM a NASA w celu opracowania kompleksowego modelu FM środowiska Ziemi. Kluczowym celem tego partnerstwa jest umożliwienie badaczom wydobycia spostrzeżeń z ogromnych zbiorów danych NASA w sposób skuteczny i dostępny.

W tym celu osiągnęli oni znaczący przełom we wrześniu 2023 roku z premierą pionierskiego FM dla danych geoprzestrzennych. Ten model został wyszkolony na ogromnym zestawie danych satelitarnych NASA, składającym się z 40-letniego archiwum obrazów z programu Harmonized Landsat Sentinel-2 (HLS). Wykorzystuje on zaawansowane techniki sztucznej inteligencji, w tym architektury transformatora, do efektywnej obróbki dużych 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 znacznie mniejszej liczbie oznaczonych zestawów danych wymaganych do szkolenia.

Potencjalne zastosowania tego modelu są rozległe, od monitorowania zmian w użytkowaniu ziemi i klęsk żywiołowych do przewidywania plonów. Co więcej, ten potężny narzędzie jest dostępne bezpłatnie 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 wprowadziły niedawno kolejny przełomowy, otwarty model FM: Prithvi WxC. Ten model jest zaprojektowany do rozwiązywania zarówno krótkoterminowych wyzwań pogodowych, jak i długoterminowych prognoz klimatycznych. Wstępnie wyszkolony na 40 latach danych obserwacyjnych Ziemi NASA z Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), FM oferuje znaczące postępy w porównaniu z tradycyjnymi modelami prognozowania.

Model ten został zbudowany przy użyciu transformatora wizyjnego i maskowanego autoenkodera, umożliwiając mu zakodowanie danych przestrzennych w czasie. Poprzez zintegrowanie mechanizmu uwagi czasowej, FM może analizować dane MERRA-2, które łączą różne strumienie obserwacyjne. Model może działać zarówno na powierzchni sferycznej, jak i na płaskiej siatce prostokątnej, umożliwiając mu przełączanie się między widokiem globalnym a regionalnym bez utraty rozdzielczości.

Ta unikalna architektura pozwala Prithvi na dostosowanie do skal globalnych, regionalnych i lokalnych, przy czym uruchamianie go na standardowym komputerze zajmuje zaledwie kilka sekund. Ten model FM może być wykorzystany do szeregu aplikacji, w tym do prognozowania lokalnej pogody, przewidywania ekstremalnych zjawisk pogodowych, poprawy rozdzielczości symulacji klimatycznych na skalę globalną oraz udoskonalenia reprezentacji procesów fizycznych w tradycyjnych modelach. Dodatkowo, Prithvi jest dostępny w dwóch wariantach dostosowanych do konkretnych zastosowań naukowych i przemysłowych, zapewniając jeszcze większą precyzję w analizach środowiskowych. Model jest dostępny bezpłatnie na Hugging Face.

Podsumowanie

Partnerstwo IBM i NASA zmienia oblicze sztucznej inteligencji geoprzestrzennej, ułatwiając badaczom i innowatorom rozwiązywanie palących wyzwań klimatycznych. Poprzez rozwijanie modeli podstawowych, które mogą skutecznie analizować duże zestawy danych, ta współpraca zwiększa naszą zdolność do przewidywania i zarządzania ekstremalnymi zjawiskami pogodowymi. Co więcej, otwiera drzwi dla szerszego grona odbiorców, aby uzyskać dostęp do tych potężnych narzędzi, wcześniej ograniczonych do dobrze wyposażonych instytucji. W miarę jak te zaawansowane modele sztucznej inteligencji stają się bardziej dostępne, torują one drogę ku innowacyjnym rozwiązaniom, które mogą pomóc nam odpowiedzieć na zmiany klimatyczne w sposób bardziej skuteczny i odpowiedzialny.