La NASA et IBM se sont associés pour leurs recherches en intelligence artificielle, qui ont été entraînées sur le FM géospatial HLS sur le superordinateur IBM Cloud Vela en utilisant le GPU NVIDIA V100 avec la pile FM IBM Watson. Cela couvre un large éventail d’applications potentielles. Le modèle de base présente un énorme potentiel pour résoudre des problèmes scientifiques complexes et accélérer le déploiement plus large de l’IA dans diverses applications. Il fait partie de l’initiative Open-Source Science (OSSI) de la NASA, qui s’engage à construire une communauté scientifique ouverte, inclusive, transparente et collaborative au cours de la prochaine décennie.
L’objectif principal de la NASA et d’IBM est de fournir une manière plus facile aux chercheurs d’analyser et de tirer des enseignements des ensembles de données de la NASA liés aux processus terrestres. Ils ont mis à disposition un référentiel public en open source pour leur dernier modèle de base d’IA géospatiale basé sur les données Harmonised Landsat Sentinel-2 (HLS) de la NASA. Le modèle d’intelligence artificielle est une étape importante dans l’application de l’IA pour les sciences de la Terre, qui vise à élargir l’accès aux données satellitaires de la NASA et à accélérer les découvertes liées au climat à partir des données d’observation de la Terre de la NASA.
Quelles sont les capacités des images FM géospatiales HLS ?
Le modèle de base est un type de modèle d’IA entraîné sur des données non étiquetées et capable de gérer différentes tâches. Il fonctionne sur l’environnement cloud géré par la science (SMCE), conçu pour accélérer la recherche scientifique de la NASA en permettant un accès rapide aux ressources cloud pour le prototypage rapide et la collaboration ouverte. Le SMCE est situé au Goddard Space Flight Center de la NASA à Greenbelt, dans le Maryland.
Il convient de mentionner que le changement climatique pose de nombreux défis, et ce modèle pourrait aider à accélérer l’analyse des images satellites et à stimuler les découvertes scientifiques. Il analyse les données géospatiales jusqu’à 4 fois plus rapidement que les modèles d’apprentissage profond de pointe avec deux fois moins de données étiquetées. Une version commerciale du modèle sera disponible dans le cadre de la suite IBM Environmental Intelligence (EIS) plus tard cette année.
Il pourrait jouer un rôle important dans la compréhension des processus interconnectés de la planète et des effets climatiques des changements naturels et causés par l’homme en cours.
Avec les modèles de base développés par la NASA et IBM, voici des applications potentielles qui incluent :
- Suivi des changements d’utilisation des terres
- Surveillance des catastrophes naturelles
- Prédiction des rendements des cultures
- Peut prédire les futures zones à risque.
- Suivi de la déforestation
- Surveillance des gaz à effet de serre
Il est capable de montrer une image composite en vraies couleurs des champs agricoles irrigués. Il est connu sous le nom de Earth Science and Application Communities, qui est utilisé pour évaluer le modèle de base HLS pour une variété d’utilisations et partager également des commentaires sur ses mérites et ses inconvénients.
IMPACT DE LA NASA
C’est un instrument en cours de développement pour l’architecture de traitement HLS afin d’obtenir une couverture quasi mondiale. Cela peut être exploré de manière interactive à l’aide de l’outil de visualisation des données scientifiques mondiales de la NASA, téléchargeable via la recherche de données terrestres de la NASA.
Il s’agit de l’équipe de mise en œuvre interinstitutions et de concepts avancés de la NASA, qui joue un rôle important. Il est situé au centre de vol spatial Marshall de la NASA à Huntsville, en Alabama. C’est un composant du programme du système de données sur la Terre de la NASA (ESD). En ce qui concerne le modèle de base, il est formé sur les données d’observation de la Terre pré-entraînées de la NASA, qui atteindront 250 000 téraoctets d’ici 2024, ce qui permet d’accélérer l’analyse d’une quantité considérable de données de deux manières principales.
Contrairement à l’intelligence artificielle générative, le modèle de base ne nécessite pas un grand ensemble de données d’entraînement qui peut être laborieux et exigeant en ressources pour être créé. La société l’a formé sur un ensemble de données plus petit pour gagner du temps et de l’argent, ce qui permet d’utiliser la sortie du modèle de base pour effectuer des tâches spécifiques, telles que le suivi des changements d’utilisation des terres ou la surveillance des catastrophes naturelles.
Cet effort de collaboration comprenait le Centre d’analyse géospatiale de l’Université Clark, l’ESA (Agence spatiale européenne), l’USGS et le Laboratoire national d’Oak Ridge du Département de l’énergie des États-Unis. Il est chargé d’étendre les données d’observation de la Terre de la NASA grâce à l’innovation, aux partenariats et à la technologie, ce qui inclut l’application de l’IA à ces données.
Ensemble de données logiques HLS
Ce projet fournit des données de réflectance de surface cohérentes à partir de l’Operational Land Imager (OLI) à bord des satellites conjoints NASA/USGS Landsat 8 et 9 et de l’instrument multi-spectral (MSI) à bord des satellites Sentinel-2A et Sentinel-2B de l’Union européenne. Les capteurs combinés permettent une observation terrestre mondiale tous les 2 à 3 jours avec une résolution spatiale de 30 mètres.
Le modèle géospatial HLS nécessaire aux modèles de base évolue constamment à mesure que les architectures de réseaux neuronaux utilisées pour former ces modèles deviennent plus complexes. La NASA et IBM développent certaines applications pour extraire des informations de l’observation de la Terre, y compris le LLM basé sur la littérature scientifique sur les sciences de la Terre.
Affiner le modèle d’IA de la NASA
L’atelier récent a montré le potentiel du modèle de base de l’IA de la NASA, et en collaboration avec l’Institut des ingénieurs en électricité et électronique, la Société de télédétection et de géoscience (ICEE GRSS), le Comité technique d’informatique des sciences de la Terre (ESI TC) a couvert le développement du modèle de base en utilisant les données HLS et a inclus un exercice pratique d’affinage du modèle de base en utilisant Watsonx.ai d’IBM. Conformément aux directives et principes de la science ouverte de la NASA qui traitent des travaux collaboratifs, ces modèles et produits seront ouverts et disponibles pour l’ensemble de la communauté scientifique.
|
LLMs |
Modèle |
Démonstration |
| Prithvi 100M | ||
| Prithvi 100M Cicatrices de brûlure | ||
| Cicatrices de brûlure | ||
| Prithvi 100M Détection multitemporelle des cultures |
Il est officiellement répertorié sur Hugging Face. Le modèle de base peut potentiellement révolutionner la façon dont les données d’observation sont analysées et peut contribuer à notre compréhension de la planète.