ไอบีเอ็มและนาซ่า กำลังเปลี่ยนแปลง Geospatial AI เพื่อแก้ไขปัญหาสภาวะภูมิอากาศ

เมื่อการเปลี่ยนแปลงสภาพภูมิอากาศ กระตุ้น ให้เกิดเหตุการณ์สภาพภูมิอากาศที่รุนแรงขึ้น เช่น น้ำท่วม พายุฝนฟ้าคะนอง ความแห้งแล้ง และไฟป่า วิธีการตอบสนองต่อภัยพิบัติแบบดั้งเดิมกำลังดิ้นรนเพื่อตามทัน ในขณะที่ความก้าวหน้าในเทคโนโลยีถ่ายภาพดาวเทียม จรวด และเซ็นเซอร์ระยะไกลช่วยให้สามารถติดตามได้ดีขึ้น แต่การเข้าถึงข้อมูลที่สำคัญนี้ยังคงจำกัดอยู่เพียงไม่กี่องค์กร ทำให้นักวิจัยและนักนวัตกรรมหลายคนไม่มีเครื่องมือที่จำเป็น น้ำท่วมของข้อมูลภูมิศาสตร์ที่เกิดขึ้นทุกวันก็กลายเป็นความท้าทาย – ทำให้องค์กรต่างๆ ต้องตกตะลึงและยากต่อการดึงข้อมูลเชิงลึกที่มีความหมาย出มา เพื่อแก้ไขปัญหานี้ เครื่องมือที่มีความสามารถ ขยายได้ และฉลาดที่ต้องการในการเปลี่ยนเซตข้อมูลขนาดใหญ่ให้เป็นข้อมูลเชิงลึกสภาพภูมิอากาศที่สามารถนำไปใช้ได้ นี่คือที่มาของ Geospatial AI – เทคโนโลยีที่เกิดขึ้นใหม่ที่มีศักยภาพในการวิเคราะห์ปริมาณข้อมูลขนาดใหญ่ โดยให้การคาดการณ์ที่แม่นยำ มีประสิทธิภาพ และทันเวลามากขึ้น บทความนี้สำรวจการทำงานร่วมกันระหว่างไอบีเอ็มและนาซ่าในการพัฒนา Geospatial AI ที่ทันสมัยและสามารถเข้าถึงได้มากขึ้น ซึ่งจะทำให้ผู้ชมที่กว้างขึ้นมีเครื่องมือที่จำเป็นในการขับเคลื่อนนวัตกรรมด้านสิ่งแวดล้อมและภูมิอากาศ

ทำไมไอบีเอ็มและนาซ่าจึงเป็นผู้บุกเบิก Geospatial AI

แบบจำลองพื้นฐาน (FMs) แสดงถึงขอบเขตใหม่ใน AI ที่ออกแบบมาเพื่อเรียนรู้จากปริมาณข้อมูลที่ไม่มีฉลากและใช้ข้อมูลเชิงลึกของพวกมันข้ามโดเมนต่างๆ วิธีการนี้ให้ข้อได้เปรียบหลายประการ ไม่เหมือนกับแบบจำลอง AI แบบดั้งเดิม FMs ไม่พึ่งพาเซตข้อมูลขนาดใหญ่ที่ได้รับการดูแลอย่างรอบคอบ แทนที่จะสามารถปรับให้เหมาะสมกับตัวอย่างข้อมูลขนาดเล็กกว่า ซึ่งช่วยประหยัดเวลาและทรัพยากร สิ่งนี้ทำให้พวกมันเป็นเครื่องมือที่ทรงพลังสำหรับการเร่งการวิจัยด้านสภาพภูมิอากาศ ซึ่งการรวบรวมเซตข้อมูลขนาดใหญ่สามารถมีค่าใช้จ่ายสูงและใช้เวลานาน

นอกจากนี้ FMs ยังทำให้กระบวนการในการพัฒนาการใช้งานเฉพาะลดลง โดยลดความพยายามที่ซ้ำซ้อนกัน ตัวอย่างเช่น เมื่อ FM ได้รับการฝึกอบรมแล้ว สามารถปรับให้เหมาะสมกับการใช้งานลงสตรีมได้หลายอย่าง เช่น การติดตามภัยพิบัติทางธรรมชาติหรือการติดตามการใช้ที่ดินโดยไม่ต้องมีการฝึกอบรมซ้ำอย่างกว้างขวาง แม้ว่ากระบวนการฝึกอบรมเบื้องต้นจะต้องใช้พลังการประมวลผลที่สำคัญ ซึ่งต้องใช้เวลาหลายพันชั่วโมง GPU แต่เมื่อพวกมันได้รับการฝึกอบรมแล้ว การใช้งานระหว่างการอนุมานจะใช้เวลาเพียงไม่กี่นาทีหรือแม้กระทั่งวินาที

นอกจากนี้ FMs อาจทำให้แบบจำลองสภาพภูมิอากาศที่ทันสมัยสามารถเข้าถึงได้โดยผู้ชมที่กว้างขึ้น ในอดีต มีเพียงสถาบันที่มีทรัพยากรมากพอที่จะรองรับโครงสร้างพื้นฐานที่ซับซ้อนเท่านั้นที่สามารถใช้แบบจำลองเหล่านี้ได้ แต่ด้วยการเกิดขึ้นของ FMs ที่ได้รับการฝึกอบรมล่วงหน้า การสร้างแบบจำลองสภาพภูมิอากาศจึงอยู่ใน tầm tay ของนักวิจัยและนักนวัตกรรมที่หลากหลายมากขึ้น ทำให้เกิดโอกาสใหม่ๆ สำหรับการค้นพบและนวัตกรรมด้านสิ่งแวดล้อมที่รวดเร็วขึ้น

จุดเริ่มต้นของ Geospatial AI

ศักยภาพที่กว้างใหญ่ของ FMs ได้นำไปสู่การร่วมมือระหว่างไอบีเอ็มและนาซ่าในการสร้างแบบจำลองพื้นฐานที่ครอบคลุมของสภาพแวดล้อมของโลก เป้าหมายหลักของการร่วมมือนี้คือเพื่อเพิ่มขีดความสามารถให้กับนักวิจัยในการดึงข้อมูลเชิงลึกจากเซตข้อมูลของนาซ่าได้อย่างมีประสิทธิภาพและมีความสามารถในการเข้าถึง

ในการติดตามการบรรลุผลครั้งสำคัญในเดือนสิงหาคม 2023 ด้วยการเปิดตัว แบบจำลองพื้นฐาน สำหรับข้อมูลภูมิศาสตร์ แบบจำลองนี้ได้รับการฝึกอบรมจากเซตข้อมูลดาวเทียมของนาซ่า ซึ่งประกอบด้วยอาร์ไคฟ์ 40 ปีของภาพจาก โปรแกรม Harmonized Landsat Sentinel-2 (HLS) มันใช้เทคนิค AI ขั้นสูง รวมถึงสถาปัตยกรรมทรานส์ฟอร์เมอร์ เพื่อประมวลผลปริมาณข้อมูลภูมิศาสตร์ที่สำคัญได้อย่างมีประสิทธิภาพ แบบจำลองนี้ได้รับการพัฒนาด้วย ซูเปอร์คอมพิวเตอร์ Cloud Vela ของไอบีเอ็ม และสแต็คแบบจำลองพื้นฐานของวัตสัน สามารถวิเคราะห์ข้อมูลได้เร็วถึง 4 เท่าเมื่อเทียบกับแบบจำลองการเรียนรู้เชิงลึกแบบดั้งเดิม ในขณะที่ต้องใช้เซตข้อมูลที่มีฉลากน้อยลงมากสำหรับการฝึกอบรม

การประยุกต์ใช้แบบจำลองนี้มีมากมาย ตั้งแต่การติดตามการเปลี่ยนแปลงการใช้ที่ดินและภัยพิบัติทางธรรมชาติไปจนถึงการคาดการณ์ผลผลิตพืชผล ที่สำคัญที่สุด เครื่องมือที่ทรงพลังนี้มี มีให้ใช้ฟรี บน Hugging Face ทำให้นักวิจัยและนักนวัตกรรมทั่วโลกสามารถใช้ความสามารถของมันและช่วยให้พัฒนาวิทยาศาสตร์สภาพภูมิอากาศและสิ่งแวดล้อม

ความก้าวหน้าใน Geospatial AI

การสร้างบนความสำเร็จนี้ ไอบีเอ็มและนาซ่าได้แนะนำแบบจำลองพื้นฐานที่เปิดกว้างอีกแบบหนึ่ง Prithvi WxC แบบจำลองนี้ได้รับการออกแบบมาเพื่อแก้ไขทั้งความท้าทายสภาพภูมิอากาศในระยะสั้นและระยะยาว แบบจำลองที่ได้รับการฝึกอบรมล่วงหน้าจากข้อมูลการสังเกตโลกของนาซ่า 40 ปีจาก MERRA-2 มีประสิทธิภาพมากกว่าแบบจำลองการพยากรณ์สภาพภูมิอากาศแบบดั้งเดิม

แบบจำลองนี้ได้รับการสร้างขึ้นโดยใช้ วิชันทรานส์ฟอร์เมอร์ และ มาส์กอัตโตเอนโคเดอร์ ซึ่งช่วยให้สามารถเข้ารหัสข้อมูลพื้นที่ตามเวลาได้ โดยการรวม กลไกการดึงความสนใจตามเวลา แบบจำลองสามารถวิเคราะห์ข้อมูลการวิเคราะห์ย้อนหลังของ MERRA-2 ซึ่งรวมกระแสการสังเกตต่างๆ แบบจำลองสามารถทำงานได้ทั้งบนพื้นผิวทรงกลม เช่น แบบจำลองสภาพภูมิอากาศแบบดั้งเดิม และกริดสี่เหลี่ยมผืนผ้าแบบแบน ทำให้สามารถเปลี่ยนระหว่างมุมมองระดับโลกและระดับภูมิภาคโดยไม่สูญเสียความละเอียด

สถาปัตยกรรมที่เป็นเอกลักษณ์นี้ทำให้ Prithvi สามารถปรับให้เหมาะสมกับระดับโลก ระดับภูมิภาค และระดับท้องถิ่น ในขณะที่ใช้เวลาเพียงไม่กี่วินาทีในการทำงานบนคอมพิวเตอร์ตั้งโต๊ะมาตรฐาน แบบจำลองนี้สามารถใช้ได้กับการใช้งานต่างๆ รวมถึงการพยากรณ์สภาพภูมิอากาศท้องถิ่น การคาดการณ์เหตุการณ์สภาพภูมิอากาศที่รุนแรง การเพิ่มความละเอียดของการจำลองสภาพภูมิอากาศระดับโลก และการปรับปรุงการแสดงถึงกระบวนการทางกายภาพในแบบจำลองแบบดั้งเดิม นอกจากนี้ Prithvi ยังมี รุ่นที่ปรับให้เหมาะสม สองรุ่นสำหรับการใช้งานทางวิทยาศาสตร์และอุตสาหกรรมโดยเฉพาะ ซึ่งให้ความแม่นยำมากขึ้นสำหรับการวิเคราะห์สิ่งแวดล้อม แบบจำลองนี้มี มีให้ใช้ฟรี บน Hugging Face

สรุป

การร่วมมือระหว่างไอบีเอ็มและนาซ่ากำลังเปลี่ยนแปลง Geospatial AI ทำให้นักวิจัยและนักนวัตกรรมสามารถตอบสนองต่อความท้าทายด้านสภาพภูมิอากาศที่กดดันมากขึ้นได้ โดยการพัฒนาแบบจำลองพื้นฐานที่สามารถวิเคราะห์ข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ การร่วมมือนี้ช่วยเพิ่มความสามารถของเราในการคาดการณ์และจัดการเหตุการณ์สภาพภูมิอากาศที่รุนแรงมากขึ้น มากกว่านั้น มัน เปิดโอกาสให้ผู้ชมที่กว้างขึ้นสามารถเข้าถึงเครื่องมือที่ทรงพลังนี้ได้ ซึ่งก่อนหน้านี้ถูกจำกัดไว้สำหรับสถาบันที่มีทรัพยากรมาก เมื่อแบบจำลอง AI ที่ทันสมัยเหล่านี้สามารถเข้าถึงได้โดยผู้คนมากขึ้น พวกมันจะช่วยเปิดทางสำหรับวิธีแก้ปัญหาที่สร้างสรรค์ที่สามารถช่วยให้เราตอบสนองต่อการเปลี่ยนแปลงสภาพภูมิอากาศได้อย่างมีประสิทธิภาพและรับผิดชอบมากขึ้น