Cum IBM și NASA Redefinesc Inteligența Artificială Geospațială pentru a Aborda Provocările Climatice

Pe măsură ce schimbările climatice alimentează evenimente meteorologice din ce în ce mai severe, cum ar fi inundațiile, uraganele, secetele și incendiile forestiere, metodele tradiționale de răspuns la dezastre se luptă să țină pasul. În timp ce progresele în tehnologia satelitărilor, drone și senzori remoți permit o monitorizare mai bună, accesul la aceste date vitale rămâne limitat la câteva organizații, lăsând mulți cercetători și inovatori fără instrumentele de care au nevoie. Valul de date geospațiale generate zilnic a devenit, de asemenea, o provocare – copleșind organizațiile și făcând mai dificilă extragerea unor insight-uri semnificative. Pentru a aborda aceste probleme, sunt necesare instrumente inteligente, accesibile și scalabile pentru a transforma seturile de date uriașe în insight-uri climatice actionabile. Aici inteligența artificială geospațială devine vitală – o tehnologie emergentă care are potențialul de a analiza volume mari de date, oferind predicții mai precise, proactive și la timp. Acest articol explorează colaborarea deosebită între IBM și NASA pentru a dezvolta o inteligență artificială geospațială avansată și mai accesibilă, împuternicind un public mai larg cu instrumentele necesare pentru a impulsiona soluții inovatoare de mediu și climă.

De ce IBM și NASA sunt pioniere în inteligența artificială geospațială de bază

Modelele de bază (FMs) reprezintă o nouă frontieră în inteligența artificială, proiectate pentru a învăța din cantități uriașe de date nelabelate și pentru a aplica insight-urile lor în multiple domenii. Acest abordaj oferă mai multe avantaje cheie. În contrast cu modelele tradiționale de inteligență artificială, FMs nu se bazează pe seturi de date uriașe, curate cu atenție. În schimb, ele pot fi fine-tunate pe mostre de date mai mici, economisind timp și resurse. Acest lucru le face un instrument puternic pentru accelerarea cercetării climatice, unde colectarea unor seturi de date mari poate fi costisitoare și consumatoare de timp.

Mai mult, FMs simplifică dezvoltarea de aplicații specializate, reducând eforturile redundante. De exemplu, odată ce un FM este antrenat, el poate fi adaptat pentru mai multe aplicații downstream, cum ar fi monitorizarea dezastrelor naturale sau urmărirea utilizării terenurilor, fără a necesita o reantrenare extinsă. Deși procesul inițial de antrenare poate solicita o putere computațională semnificativă, necesitând zeci de mii de ore de GPU, odată ce sunt antrenate, rularea lor în timpul inferenței durează doar minute sau chiar secunde.

În plus, FMs ar putea face modelele avansate de vreme accesibile unui public mai larg. Înainte, doar instituțiile bine finanțate, cu resursele necesare pentru a susține infrastructura complexă, puteau rula aceste modele. Cu toate acestea, odată cu apariția FMs preantrenate, modelarea climatică este acum la îndemâna unui grup mai larg de cercetători și inovatori, deschizând noi căi pentru descoperiri mai rapide și soluții inovatoare de mediu.

Geneza inteligenței artificiale geospațiale de bază

Potențialul uriaș al FMs a condus la colaborarea dintre IBM și NASA pentru a construi un model cuprinzător de bază al mediului Pământului. Obiectivul cheie al acestui parteneriat este de a împuternici cercetătorii să extragă insight-uri din seturile de date extinse ale NASA, într-un mod care este atât eficient, cât și accesibil.

În această căutare, ei au realizat o descoperire semnificativă în august 2023, odată cu lansarea unui model pionier FM pentru date geospațiale. Acest model a fost antrenat pe setul de date satelitare vast al NASA, care cuprinde un arhiv de 40 de ani de imagini din programul Harmonized Landsat Sentinel-2 (HLS). El utilizează tehnici avansate de inteligență artificială, incluzând arhitecturi de tip transformer, pentru a procesa eficient volume substanțiale de date geospațiale. Dezvoltat folosind supercomputerul Cloud Vela al IBM și stiva de modele de bază Watsonx, modelul HLS poate analiza date de până la patru ori mai rapid decât modelele tradiționale de învățare profundă, necesitând în același timp mult mai puține seturi de date etichetate pentru antrenare.

Aplicatiile potențiale ale acestui model sunt extinse, variind de la monitorizarea schimbărilor în utilizarea terenurilor și a dezastrelor naturale până la predicția recoltelor. Important, acest instrument puternic este disponibil gratuit pe Hugging Face, permițând cercetătorilor și inovatorilor din întreaga lume să utilizeze capacitățile sale și să contribuie la progresul științei climatice și de mediu.

Avansuri în inteligența artificială geospațială de bază

Continuând pe acest impuls, IBM și NASA au lansat recent un alt model deschis, Prithvi WxC. Acest model este proiectat pentru a aborda atât provocările meteorologice pe termen scurt, cât și predicțiile climatice pe termen lung. Preantrenat pe 40 de ani de date de observare a Pământului de la NASA, din analiza retrospectivă Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), FM oferă progrese semnificative față de modelele tradiționale de prognoză.

Modelul este construit folosind un transformator de viziune și un autoencoder mascat, permițându-i să encodeze date spațiale în timp. Prin integrarea unui mecanism de atenție temporală, FM poate analiza datele de reanaliză MERRA-2, care integrează diverse fluxuri de observații. Modelul poate funcționa atât pe o suprafață sferică, similar cu modelele climatice tradiționale, cât și pe o grilă plată, rectangulară, permițându-i să treacă între vederi globale și regionale fără a pierde rezoluția.

Această arhitectură unică permite lui Prithvi să fie fine-tunat la scară globală, regională și locală, rulând în același timp pe un computer de birou în doar secunde. Acest model FM poate fi utilizat pentru o gamă largă de aplicații, incluzând prognoza vremii locale până la predicția evenimentelor meteorologice extreme, îmbunătățirea rezoluției spațiale a simulărilor climatice globale și rafinarea reprezentării proceselor fizice în modelele convenționale. În plus, Prithvi vine cu două versiuni fine-tunate proiectate pentru utilizări științifice și industriale specifice, oferind o precizie și mai mare pentru analiza de mediu. Modelul este disponibil gratuit pe Hugging Face.

Concluzia

Parteneriatul dintre IBM și NASA redefinește inteligența artificială geospațială, facilitând cercetătorilor și inovatorilor să abordeze provocările climatice presante. Prin dezvoltarea de modele de bază care pot analiza eficient seturi de date mari, această colaborare îmbunătățește capacitatea noastră de a prevedea și gestiona evenimente meteorologice severe. Mai important, deschide porțile pentru un public mai larg să aibă acces la aceste instrumente puternice, anterior limitate la instituții bine dotate. Pe măsură ce aceste modele avansate de inteligență artificială devin accesibile pentru mai multă lume, ele deschid calea pentru soluții inovatoare care pot ajuta la răspunsul mai eficient și responsabil la schimbările climatice.