Як IBM та NASA переосмислюють геопросторовий AI для подолання кліматичних викликів

Як зміна клімату поживляє дедалі більш серйозні погодні явища, такі як повені, урагани, посухи та лісові пожежі, традиційні методи реагування на стихійні лиха все більше трудняться впоратися. Хоча досягнення в галузі технології супутників, дронів та віддалених сенсорів дозволяють краще контролювати ситуацію, доступ до цих життєво важливих даних залишається обмеженим для кількох організацій, залишаючи багатьох дослідників та інноваторів без інструментів, які їм потрібні. Потік геопросторових даних, який щоденно генерується, також став викликом – він перевантажує організації та ускладнює видобуток корисної інформації. Щоб подолати ці проблеми, потрібні масштабовані, доступні та інтелектуальні інструменти для перетворення величезних наборів даних у дієвій кліматичні ідеї. Саме тут геопросторовий AI стає життєво важливим – це нова технологія, яка має потенціал аналізувати великі об’єми даних, забезпечуючи більш точні, проактивні та своєчасні прогнози. Ця стаття досліджує революційне співробітництво між IBM та NASA щодо розробки просунутого, більш доступного геопросторового AI, який наділить ширшу аудиторію інструментами, необхідними для розвитку інноваційних екологічних та кліматичних рішень.

Чому IBM та NASA розбудовують фундаментальний геопросторовий AI

Фундаментальні моделі (ФМ) представляють новий рубіж у сфері AI, розроблені для навчання на величезних об’ємах неозначених даних та застосування своїх знань у різних галузях. Цій підході притаманні кілька ключових переваг. На відміну від традиційних моделей AI, ФМ не залежать від величезних, ретельно відібраних наборів даних. Замість цього вони можуть дофінутизуватися на менших зразках даних, зберігаючи час і ресурси. Це робить їх потужним інструментом для прискорення кліматичних досліджень, де збирання великих наборів даних може бути дорогим і тривалим.
Крім того, ФМ спрощують розробку спеціалізованих застосунків, знижуючи дублікатні зусилля. Наприклад, після того, як ФМ навчається, його можна адаптувати до кількох застосунків нижнього рівня, таких як моніторинг стихійних лих чи відслідковування використання землі, без потреби у великому повторному навчанні. Хоча початковий процес навчання може вимагати значної обчислювальної потужності, що вимагає десятків тисяч годин GPU. Однак після того, як вони навчаються, виконання їх під час висновку займає лише хвилини або навіть секунди.
Крім того, ФМ можуть зробити просунуті погодні моделі доступними для ширшої аудиторії. Раніше лише добре фінансовані установи з ресурсами, достатніми для підтримки складної інфраструктури, могли запускати ці моделі. Однак із появою попередньо навчених ФМ кліматичне моделювання тепер знаходиться в зоні досяжності для ширшої групи дослідників та інноваторів, відкриваючи нові шляхи для швидких відкриттів та інноваційних екологічних рішень.

Генезис фундаментального геопросторового AI

Величезний потенціал ФМ привів до співробітництва між IBM та NASA щодо побудови комплексної ФМ довкілля Землі. Ключовим завданням цього партнерства є надання дослідникам можливості видобувати корисну інформацію з розширених наборів даних Землі NASA ефективним та доступним способом.
У цьому пошуку вони досягли значного прориву у серпні 2023 року з представленням новаторської ФМ для геопросторових даних. Ця модель була навчена на величезному супутниковому наборі даних NASA, який складається з 40-річного архіву зображень програми Harmonized Landsat Sentinel-2 (HLS). Вона використовує просунуті техніки AI, включаючи архітектуру трансформерів, для ефективної обробки великих об’ємів геопросторових даних. Розроблена за допомогою IBM Cloud Vela суперкомп’ютера та стеку ФМ watsonx, модель HLS може аналізувати дані до чотирьох разів швидше, ніж традиційні моделі глибокого навчання, при цьому вимагаючи значно менше позначених наборів даних для навчання.
Потенційні застосування цієї моделі є розширеними, починаючи від моніторингу змін у використанні землі та стихійних лих до прогнозування врожайності. Насамперед, цей потужний інструмент безкоштовно доступний на Hugging Face, що дозволяє дослідникам та інноваторам у всьому світі використовувати його можливості та сприяяти розвитку кліматичної та екологічної науки.

Прогрес у фундаментальному геопросторовому AI

Розбудовуючи цей імпульс, IBM та NASA представили ще одну новаторську відкриту модель ФМ: Prithvi WxC. Ця модель розроблена для вирішення як короткострокових погодних викликів, так і довгострокових кліматичних прогнозів. Преднавчена на 40-річних даних спостереження Землі NASA з сучасної ретроспективної аналізу для досліджень та застосунків, версії 2 (MERRA-2), ФМ пропонує значні вдосконалення порівняно з традиційними моделями прогнозування.
Модель побудована за допомогою візуального трансформера та маскованого автоенкодера, що дозволяє їй кодувати просторові дані за часом. Включаючи механізм часової уваги, ФМ може аналізувати дані ретроспективної аналізу MERRA-2, які інтегрують різні спостережувані потоки. Модель може працювати як на сферичній поверхні, так і на плоскій, прямокутній сітці, що дозволяє їй змінювати глобальні та регіональні погляди без втрати роздільної здатності.
Ця унікальна архітектура дозволяє Prithvi дофінутизуватися на глобальному, регіональному та місцевому рівнях, при цьому запускається на стандартному настільному комп’ютері за секунди. Ця модель ФМ може бути використана для ряду застосунків, включаючи прогнозування місцевої погоди до прогнозування екстремальних погодних явищ, поліпшення просторової роздільної здатності глобальних кліматичних симуляцій та уточнення представлення фізичних процесів у традиційних моделях. Крім того, Prithvi поставляється з двома дофінутизованими версіями, розробленими для конкретних наукових та промислових застосунків, забезпечуючи ще більшу точність для екологічного аналізу. Модель безкоштовно доступна на hugging face.

Висновок

Партнерство між IBM та NASA переосмислює геопросторовий AI, роблячи його легшим для дослідників та інноваторів подолати кліматичні виклики. Розробляючи фундаментальні моделі, які можуть ефективно аналізувати великі набори даних, це співробітництво посилює нашу здатність прогнозувати та керувати серйозними погодними явищами. Що ще важливіше, воно відкриває двері для ширшої аудиторії, щоб отримати доступ до цих потужних інструментів, раніше обмежених добре фінансованими установами. Коли ці просунуті моделі AI стають доступними для більшої кількості людей, вони прокладають шлях для інноваційних рішень, які можуть допомогти нам реагувати на зміну клімату більш ефективно та відповідально.