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 inundații, uragane, secete și incendii de pădure, 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 intervine inteligența artificială geospațială – 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 inovatoare dintre IBM și NASA pentru a dezvolta inteligență artificială geospațială avansată și mai accesibilă, împuternicind o audiență mai largă cu instrumentele necesare pentru a impulsiona soluții inovatoare pentru mediu și climă.

De ce IBM și NASA sunt pionierii inteligenței artificiale geospațiale 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 abordare oferă mai multe avantaje cheie. În contrast cu modelele tradiționale de inteligență artificială, FMs nu se bazează pe seturi de date uriașe și atent curate. 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 cercetărilor 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 procesor 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 unei audiențe mai largi. Înainte, doar instituțiile bine finanțate, cu resursele necesare pentru a susține infrastructura complexă, puteau rula aceste modele. Cu apariția FMs preantrenate, modelarea climatică este acum la îndemâna unui grup mai larg de cercetători și inovatori, deschizând noi oportunități pentru descoperiri rapide și soluții inovatoare pentru 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 principal al acestui parteneriat este de a împuternici cercetătorii să extragă insight-uri din seturile de date extinse ale NASA într-un mod eficient și accesibil.

În acest sens, ei au realizat o descoperire semnificativă în august 2023, cu lansarea unui model pionier de bază pentru date geospațiale. Acest model a fost antrenat pe setul de date satelitare vast al NASA, cuprinzând 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 seturi de date etichetate semnificativ mai mici pentru antrenare.

Aplicabilitatea acestui model este vastă, variind de la monitorizarea schimbărilor în utilizarea terenurilor și a dezastrelor naturale până la predicția recoltelor. Mai 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.

Avansurile în inteligența artificială geospațială de bază

Extinzându-și impulsul, IBM și NASA au lansat recent un alt model deschis și inovator de bază: 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 pentru Cercetare și Aplicații, Versiunea 2 (MERRA-2), modelul 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, modelul 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 și rectangulară, permițându-i să treacă între perspective globale și regionale fără a pierde rezoluția.

Arhitectura unică a lui Prithvi îi permite să fie fine-tunat la scară globală, regională și locală, rulând pe un computer de birou standard în doar secunde. Acest model poate fi utilizat pentru o gamă largă de aplicații, incluzând prognoza vremii locale, predicția evenimentelor meteorologice extreme, îmbunătățirea rezoluției simulărilor climatice globale și refuzarea reprezentării proceselor fizice în modelele convenționale. În plus, Prithvi vine cu două versiuni fine-tunate 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, făcându-o mai ușor de utilizat pentru cercetători și inovatori pentru a aborda provocările climatice presante. Dezvoltând 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 ușa pentru o audiență mai largă să aibă acces la aceste instrumente puternice, care anterior erau limitate la instituții bine dotate. Pe măsură ce aceste modele avansate de inteligență artificială devin accesibile pentru mai multe persoane, ele deschid calea pentru soluții inovatoare care pot ajuta la răspunsul la schimbările climatice într-un mod mai eficient și responsabil.