วิธีที่ IBM และ NASA กำลังให้ความหมายใหม่แก่ Geospatial AI เพื่อจัดการกับความท้าทายด้านสภาพภูมิอากาศ

เมื่อการเปลี่ยนแปลงสภาพภูมิอากาศ กระตุ้น เหตุการณ์สภาพภูมิอากาศที่รุนแรงขึ้นเรื่อยๆ เช่น น้ำท่วม พายุเฮอริเคน ความแห้งแล้ง และไฟป่า วิธีการตอบสนองต่อภัยพิบัติแบบดั้งเดิมกำลังดิ้นรนเพื่อตามทัน ในขณะที่ความก้าวหน้าในเทคโนโลยีดาวเทียม จรวด และเซ็นเซอร์ระยะไกลช่วยให้สามารถติดตามได้ดีขึ้น การเข้าถึงข้อมูลที่สำคัญนี้ยังคงถูกจำกัดไว้สำหรับองค์กรเพียงไม่กี่แห่ง ทำให้นักวิจัยและนักนวัตกรรมหลายคนไม่มีเครื่องมือที่จำเป็น น้ำท่วมของข้อมูลภูมิศาสตร์ทางอวกาศที่เกิดขึ้นทุกวัน cũngกลายเป็นความท้าทาย – ทำให้องค์กรต่างๆ ต้องตกตะลึงและทำให้การดึงข้อมูลเชิงลึกที่มีความหมายออกมาเป็นเรื่องที่ยากขึ้น เพื่อแก้ไขปัญหาเหล่านี้ เครื่องมือที่มีความสามารถในการปรับขนาด เข้าถึงได้ และมีประสิทธิภาพต้องใช้ในการเปลี่ยนเซตข้อมูลขนาดใหญ่ให้เป็นข้อมูลเชิงลึกด้านสภาพภูมิอากาศที่สามารถนำไปใช้ได้ นี่คือที่ที่ Geospatial AI มีความสำคัญ – เทคโนโลยีที่เกิดขึ้นใหม่ที่มีศักยภาพในการวิเคราะห์ปริมาณข้อมูลขนาดใหญ่ โดยให้การคาดการณ์ที่แม่นยำ โปร่งใส และทันท่วงทีมากขึ้น บทความนี้สำรวจการทำงานร่วมกันระหว่าง IBM และ NASA ในการสร้าง Geospatial AI ที่ทันสมัยและเข้าถึงได้ง่ายขึ้น เพื่อให้ผู้ฟังในวงกว้างสามารถใช้เครื่องมือที่จำเป็นในการขับเคลื่อนนวัตกรรมด้านสิ่งแวดล้อมและสภาพภูมิอากาศ

เหตุใด IBM และ NASA จึงเป็นผู้บุกเบิก Geospatial AI

รุ่นพื้นฐาน (FMs) แสดงถึงแนวหน้าใหม่ใน AI ที่ได้รับการออกแบบมาเพื่อเรียนรู้จากปริมาณข้อมูลที่ไม่ได้ระบุฉลากและใช้ข้อมูลเชิงลึกของตนเองข้ามโดเมนต่างๆ วิธีการนี้มีข้อดีหลายประการ ไม่เหมือนกับโมเดล AI แบบดั้งเดิม FMs ไม่พึ่งพาเซตข้อมูลที่มีขนาดใหญ่และได้รับการดูแลอย่างรอบคอบแทน ในทางกลับกัน พวกมันสามารถปรับให้เหมาะสมกับตัวอย่างข้อมูลที่เล็กกว่า ซึ่งช่วยประหยัดเวลาและทรัพยากร สิ่งนี้ทำให้พวกมันเป็นเครื่องมือที่ทรงพลังสำหรับการเร่งการวิจัยสภาพภูมิอากาศ ซึ่งการรวบรวมเซตข้อมูลขนาดใหญ่สามารถมีค่าใช้จ่ายสูงและใช้เวลานาน
นอกจากนี้ FMs ยังทำให้การพัฒนาแอปพลิเคชันเฉพาะจุดง่ายขึ้น โดยลดความพยายามที่ซ้ำซ้อนไปได้ ตัวอย่างเช่น เมื่อ FM ได้รับการฝึกฝนแล้ว มันสามารถปรับให้เหมาะสมกับแอปพลิเคชันแบบลงสตรีมหลายตัว เช่น การติดตามภัยพิบัติทางธรรมชาติหรือการติดตามการใช้ที่ดิน โดยไม่ต้องมีการฝึกอบรมซ้ำอย่างกว้างขวาง แม้ว่ากระบวนการฝึกอบรมเบื้องต้นอาจต้องใช้พลังการคำนวณที่สำคัญ ซึ่งต้องใช้เวลา GPU หลายหมื่นชั่วโมง แต่เมื่อพวกมันได้รับการฝึกอบรมแล้ว การทำงานของพวกมันระหว่างการอนุมานใช้เวลาเพียงไม่กี่นาทีหรือแม้กระทั่งวินาที
นอกจากนี้ FMs ยังสามารถทำให้แบบจำลองสภาพภูมิอากาศที่ทันสมัยเข้าถึงได้สำหรับผู้ฟังในวงกว้างมากขึ้น ก่อนหน้านี้ มีเพียงสถาบันที่มีเงินทุนที่มีทรัพยากรในการสนับสนุนโครงสร้างพื้นฐานที่ซับซ้อนเท่านั้นที่สามารถรันแบบจำลองเหล่านี้ได้ อย่างไรก็ตาม ด้วยการเพิ่มขึ้นของ FMs ที่ได้รับการฝึกอบรมล่วงหน้า การสร้างแบบจำลองสภาพภูมิอากาศจึงอยู่ใน tầmถึงของนักวิจัยและนักนวัตกรรมในวงกว้างมากขึ้น ทำให้เกิดโอกาสใหม่สำหรับการค้นพบและนวัตกรรมด้านสิ่งแวดล้อมที่รวดเร็วขึ้น

จุดเริ่มต้นของ Geospatial AI

ศักยภาพที่กว้างใหญ่ของ FMs ได้นำ IBM และ NASA มารวมตัวกันเพื่อสร้างโมเดลพื้นฐานที่ครอบคลุมของสภาพแวดล้อมของโลก จุดมุ่งหมายหลักของการร่วมมือนี้คือเพื่อเพิ่มขีดความสามารถให้กับนักวิจัยในการดึงข้อมูลเชิงลึกจากเซตข้อมูลด้านสิ่งแวดล้อมของ NASA ในลักษณะที่มีประสิทธิภาพและเข้าถึงได้
ในการแสวงหานี้ พวกเขาทำให้เกิดการผ่าทางสำคัญในเดือนสิงหาคม 2023 ด้วยการเปิดตัว FM สำหรับข้อมูลภูมิศาสตร์ทางอวกาศ ที่เป็นนวัตกรรมใหม่ โมเดลนี้ได้รับการฝึกอบรมจากเซตข้อมูลดาวเทียมขนาดใหญ่ของ NASA ซึ่งประกอบด้วย档案ภาพ 40 ปีจาก โปรแกรม Harmonized Landsat Sentinel-2 (HLS) มันใช้เทคนิค AI ที่ทันสมัย รวมถึงสถาปัตยกรรมทรานส์ฟอร์เมอร์ เพื่อประมวลผลข้อมูลภูมิศาสตร์ทางอวกาศขนาดใหญ่โดยมีประสิทธิภาพ โมเดลนี้ได้รับการพัฒนาโดยใช้ ซูเปอร์คอมพิวเตอร์ Cloud Vela ของ IBM และสแต็ก FM WatsonX และสามารถวิเคราะห์ข้อมูลได้เร็วถึง 4 เท่าเมื่อเทียบกับโมเดลการเรียนรู้ลึกแบบดั้งเดิม ในขณะที่ต้องใช้เซตข้อมูลที่มีฉลากสำหรับการฝึกอบรมที่สำคัญ
การประยุกต์ใช้ของโมเดลนี้มีหลายอย่าง ตั้งแต่การติดตามการเปลี่ยนแปลงการใช้ที่ดินและภัยพิบัติทางธรรมชาติไปจนถึงการคาดการณ์ผลผลิตพืชผล ที่สำคัญ เครื่องมือที่ทรงพลังนี้มี ให้ใช้ฟรี บน Hugging Face ทำให้นักวิจัยและนักนวัตกรรมทั่วโลกสามารถใช้ความสามารถของมันและช่วยให้ก้าวหน้าในสาขาวิทยาศาสตร์สิ่งแวดล้อมและสภาพภูมิอากาศ

ความก้าวหน้าใน Geospatial AI

การสร้างบนความสำเร็จนี้ IBM และ NASA ได้แนะนำโมเดล FM ที่เปิดกว้างอีกตัวหนึ่ง ซึ่งเป็นนวัตกรรมใหม่: Prithvi WxC โมเดลนี้ได้รับการออกแบบมาเพื่อจัดการกับความท้าทายด้านสภาพภูมิอากาศในระยะสั้นและระยะยาว โมเดลนี้ได้รับการฝึกอบรมล่วงหน้าด้วยข้อมูลการสังเกตด้านสิ่งแวดล้อมของ NASA ในช่วง 40 ปีจาก MERRA-2 และให้ความก้าวหน้าที่สำคัญมากกว่าโมเดลการพยากรณ์แบบดั้งเดิม
โมเดลนี้สร้างขึ้นโดยใช้ วิชันทรานส์ฟอร์เมอร์ และ แมสค์โตเอ็นโค้ดเดอร์ ซึ่งช่วยให้สามารถเข้ารหัสข้อมูลเชิงพื้นที่ตามเวลาได้ โดยการรวม กลไกการดึงความสนใจทางเวลา FM สามารถวิเคราะห์ข้อมูลการวิเคราะห์ MERRA-2 ซึ่งรวมกระแสการสังเกตต่างๆ โมเดลนี้สามารถทำงานได้ทั้งบนพื้นผิวทรงกลม เช่น โมเดลสภาพภูมิอากาศแบบดั้งเดิม และกริดสี่เหลี่ยมที่เรียบ ทำให้สามารถเปลี่ยนระหว่างมุมมองระดับโลกและระดับภูมิภาคโดยไม่สูญเสียความละเอียด
สถาปัตยกรรมที่เป็นเอกลักษณ์นี้ทำให้ Prithvi สามารถปรับให้เหมาะสมกับระดับโลก ระดับภูมิภาค และระดับท้องถิ่น ในขณะที่รันบนคอมพิวเตอร์เดสก์ท็อปมาตรฐานในเวลาเพียงไม่กี่วินาที โมเดล FM นี้สามารถใช้สำหรับการใช้งานต่างๆ รวมถึงการพยากรณ์สภาพภูมิอากาศท้องถิ่น การคาดการณ์เหตุการณ์สภาพภูมิอากาศที่รุนแรง การเพิ่มความละเอียดเชิงพื้นที่ของการจำลองสภาพภูมิอากาศระดับโลก และการปรับปรุงการแสดงกระบวนการทางกายภาพในโมเดลแบบดั้งเดิม นอกจากนี้ Prithvi ยังมี รุ่นที่ปรับให้เหมาะสม สองรุ่นที่ได้รับการออกแบบมาเพื่อการใช้งานทางวิทยาศาสตร์และอุตสาหกรรมโดยเฉพาะ ซึ่งให้ความแม่นยำที่เพิ่มขึ้นสำหรับการวิเคราะห์สิ่งแวดล้อม โมเดลนี้มี ให้ใช้ฟรี บน Hugging Face

ข้อสรุป

การร่วมมือระหว่าง IBM และ NASA กำลังให้ความหมายใหม่แก่ Geospatial AI ทำให้นักวิจัยและนักนวัตกรรมสามารถจัดการกับความท้าทายด้านสภาพภูมิอากาศที่กดดันมากขึ้นได้ โดยการพัฒนาโมเดลพื้นฐานที่สามารถวิเคราะห์ข้อมูลขนาดใหญ่ได้ การร่วมมือนี้เพิ่มขีดความสามารถของเราในการคาดการณ์และจัดการเหตุการณ์สภาพภูมิอากาศที่รุนแรงมากขึ้น สิ่งสำคัญที่สุดคือการเปิดโอกาสให้ผู้ฟังในวงกว้างสามารถเข้าถึงเครื่องมือที่ทรงพลังนี้ ซึ่งก่อนหน้านี้มีจำกัดเฉพาะสถาบันที่มีทรัพยากรมากเท่านั้น เมื่อโมเดล AI ที่ทันสมัยเหล่านี้สามารถเข้าถึงได้มากขึ้น พวกมันจะสร้างทางไปสู่การค้นพบและนวัตกรรมที่สามารถช่วยให้เราให้การตอบสนองต่อการเปลี่ยนแปลงสภาพภูมิอากาศได้อย่างมีประสิทธิภาพและรับผิดชอบมากขึ้น