Як IBM і NASA переосмислюють геопросторовий штучний інтелект для подолання кліматичних проблем

Як зміна клімату палива щоразу суворіші погодні явища, такі як повені, урагани, посухи та лісові пожежі, традиційні методи реагування на стихійні лиха намагаються встигати. Хоча прогрес у супутникових технологіях, дронах і дистанційних датчиках дозволяє покращити моніторинг, доступ до цих життєво важливих даних залишається лише кількома організаціями, залишаючи багатьох дослідників і інноваторів без необхідних інструментів. Потік геопросторових даних, які генеруються щодня, також став проблемою — перевантажує організації та ускладнює отримання значущої інформації. Щоб вирішити ці проблеми, потрібні масштабовані, доступні та інтелектуальні інструменти, щоб перетворити величезні набори даних на ефективну кліматичну інформацію. Ось де геопросторовий ШІ стає життєво важливою — нова технологія, яка має потенціал для аналізу великих обсягів даних, забезпечуючи точніші, проактивні та своєчасні прогнози. У цій статті розглядається новаторська співпраця між IBM і NASA для розробки просунутого, більш доступного геопросторового штучного інтелекту, надання широкій аудиторії інструментів, необхідних для впровадження інноваційних екологічних і кліматичних рішень.

Чому IBM і NASA є піонерами у сфері геопросторового штучного інтелекту

Моделі фундаменту (FM) представляють собою новий рубіж у ШІ, призначений для вивчення величезних обсягів немаркованих даних і застосування отриманої інформації в багатьох доменах. Такий підхід має кілька ключових переваг. На відміну від традиційних моделей штучного інтелекту, FM не покладаються на масивні, ретельно підготовлені набори даних. Натомість вони можуть точно налаштувати менші вибірки даних, заощаджуючи час і ресурси. Це робить їх потужним інструментом для прискорення кліматичних досліджень, де збір великих наборів даних може бути дорогим і трудомістким.

Крім того, FM оптимізує розробку спеціалізованих програм, зменшуючи зайві зусилля. Наприклад, після навчання ФМ його можна адаптувати до кількох наступних додатків, таких як моніторинг стихійних лих або відстеження землекористування, не вимагаючи значної перепідготовки. Хоча процес початкового навчання може вимагати значної обчислювальної потужності, вимагаючи десятків тисяч годин GPU. Однак, як тільки вони навчені, запуск їх під час логічного висновку займає лічені хвилини або навіть секунди.

Крім того, FMs може зробити просунуті моделі погоди доступними для ширшої аудиторії. Раніше лише добре фінансовані установи з ресурсами для підтримки складної інфраструктури могли використовувати ці моделі. Однак із зростанням числа попередньо навчених FM моделювання клімату тепер доступне для більшої групи дослідників і новаторів, що відкриває нові шляхи для швидших відкриттів і інноваційних екологічних рішень.

Генезис Foundation Geospatial AI

Величезний потенціал FM спонукав IBM і NASA до співпраці для побудови комплексної FM навколишнього середовища Землі. Основна мета цього партнерства полягає в тому, щоб надати дослідникам змогу отримувати інформацію з обширних наборів даних NASA про Землю ефективним і доступним способом.

У цьому прагненні вони досягли значного прориву в серпні 2023 року, представивши піонерську FM для геопросторових даних. Цю модель було навчено на величезному наборі супутникових даних NASA, що містить 40-річний архів зображень із Harmonized Landsat Sentinel-2 (HLS) програма. Для ефективної обробки значних обсягів геопросторових даних він використовує передові методи штучного інтелекту, включно з трансформаторними архітектурами. Розроблено з використанням Суперкомп'ютер IBM Cloud Vela і стека watsonx FM, модель HLS може аналізувати дані в чотири рази швидше, ніж традиційні моделі глибокого навчання, вимагаючи значно менше наборів даних з мітками для навчання.

Потенційне застосування цієї моделі широке: від моніторингу змін у землекористуванні та стихійних лих до прогнозування врожайності. Важливо, що цей потужний інструмент є безкоштовним доступний на Hugging Face, дозволяючи дослідникам і новаторам у всьому світі використовувати його можливості та робити внесок у розвиток науки про клімат і навколишнє середовище.

Досягнення у Foundation Geospatial AI

Розвиваючи цей імпульс, IBM і NASA нещодавно представили ще одну новаторську модель FM з відкритим кодом: Prithvi WxC. Ця модель розроблена для вирішення як короткострокових погодних проблем, так і довгострокових кліматичних прогнозів. Попереднє навчання на основі 40-річних даних спостережень НАСА за Землею з ретроспективного аналізу сучасної ери для досліджень і застосувань, версія 2 (МЕРРА-2), FM пропонує значні переваги в порівнянні з традиційними моделями прогнозування.

Модель побудована за допомогою a трансформатор зору і замаскований автокодер, дозволяючи йому кодувати просторові дані з часом. Включивши a тимчасовий механізм уваги, FM може аналізувати дані повторного аналізу MERRA-2, які об’єднують різні потоки спостережень. Модель може працювати як на сферичній поверхні, як традиційні кліматичні моделі, так і на плоскій прямокутній сітці, що дозволяє їй змінювати між глобальним і регіональним виглядом без втрати роздільної здатності.

Ця унікальна архітектура дозволяє точно налаштувати Prithvi в глобальному, регіональному та локальному масштабах під час роботи на стандартному настільному комп’ютері за лічені секунди. Цю FM-модель можна використовувати для цілого ряду застосувань, включаючи прогнозування місцевої погоди, прогнозування екстремальних погодних явищ, підвищення просторової роздільної здатності моделювання глобального клімату та уточнення представлення фізичних процесів у звичайних моделях. Крім того, Prithvi поставляється з двома тонко налаштований версії, розроблені для конкретних наукових і промислових цілей, що забезпечує ще більшу точність аналізу навколишнього середовища. Модель вільна доступний на обіймаючому обличчі.

Bottom Line

Партнерство IBM і NASA переосмислює геопросторовий штучний інтелект, що полегшує дослідникам і інноваторам вирішення нагальних кліматичних проблем. Завдяки розробці основних моделей, які можуть ефективно аналізувати великі набори даних, ця співпраця покращує нашу здатність прогнозувати та керувати суворими погодними явищами. Що ще важливіше, це відкриває двері для ширшої аудиторії, щоб отримати доступ до цих потужних інструментів, які раніше обмежувалися лише добре забезпеченими ресурсами установами. Оскільки ці передові моделі штучного інтелекту стають доступними для більшої кількості людей, вони відкривають шлях до інноваційних рішень, які можуть допомогти нам реагувати на зміну клімату ефективніше та відповідальніше.