Μοντέλο τεχνητής νοημοσύνης ανοιχτού κώδικα IBM και NASA με δορυφορική εικόνα-ετικέτα

Μοντέλο τεχνητής νοημοσύνης ανοιχτού κώδικα IBM και NASA με δορυφορική εικόνα-ετικέτα

Χρονική σήμανση: 3 Αυγούστου 2023 8:40 μ.μ.
Η IBM και η NASA ανοιχτού κώδικα τεχνητής νοημοσύνης με δορυφορική εικόνα-ετικέτα μοντέλο PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η IBM και η NASA συγκέντρωσαν και κυκλοφόρησαν το Prithvi: ένα μοντέλο τεχνητής νοημοσύνης ανοιχτού κώδικα που μπορεί να βοηθήσει επιστήμονες και άλλους ανθρώπους να αναλύσουν δορυφορικές εικόνες.

Το μοντέλο του μετασχηματιστή όρασης, που κυκλοφόρησε με άδεια Apache 2, είναι σχετικά μικρό σε 100 εκατομμύρια παραμέτρους και εκπαιδεύτηκε σε εικόνες αξίας ενός έτους που συλλέχθηκαν από το Harmonized Landsat Sentinel-2 των ΗΠΑ.HLS) πρόγραμμα. Εκτός από το κύριο μοντέλο, διατίθενται τρεις παραλλαγές του Prithvi, προσαρμοσμένες για τον εντοπισμό πλημμυρών. ουλές από εγκαύματα από την πυρκαγιά. και καλλιέργειες και άλλες χρήσεις γης.

Ουσιαστικά, λειτουργεί ως εξής: τροφοδοτείτε ένα από τα μοντέλα μια δορυφορική φωτογραφία από πάνω και επισημαίνει περιοχές στο στιγμιότυπο που καταλαβαίνει. Για παράδειγμα, η προσαρμοσμένη παραλλαγή για καλλιέργειες μπορεί να υποδείξει πού υπάρχει πιθανώς νερό, δάση, χωράφια με καλαμπόκι, χωράφια βαμβακιού, ανεπτυγμένη γη, υγροτόπους κ.λπ.

Αυτή η συλλογή, φανταζόμαστε, θα ήταν χρήσιμη, για παράδειγμα, για την αυτοματοποίηση της μελέτης των αλλαγών στη γη με την πάροδο του χρόνου – όπως η παρακολούθηση της διάβρωσης από τις πλημμύρες ή το πώς η ξηρασία και οι πυρκαγιές έπληξαν μια περιοχή. Η Big Blue και η NASA δεν είναι οι πρώτες που το κάνουν αυτό με τη μηχανική μάθηση: υπάρχουν αφθονία of προηγούμενες προσπάθειες θα μπορούσαμε να αναφέρουμε.

Μπορείτε να βρείτε μια επίδειξη του μοντέλου Prithvi ταξινόμησης καλλιεργειών εδώ. Δώστε τις δικές σας δορυφορικές εικόνες ή χρησιμοποιήστε ένα από τα παραδείγματα στο κάτω μέρος της σελίδας. Κάντε κλικ στην επιλογή Υποβολή για να εκτελέσετε το μοντέλο ζωντανά.

«Πιστεύουμε ότι τα μοντέλα θεμελίων έχουν τη δυνατότητα να αλλάξουν τον τρόπο με τον οποίο αναλύονται τα δεδομένα παρατήρησης και μας βοηθούν να κατανοήσουμε καλύτερα τον πλανήτη μας», δήλωσε ο Kevin Murphy, επικεφαλής επιστημονικών δεδομένων στη NASA. είπε σε δήλωση. «Και με το open source τέτοιων μοντέλων και τη διάθεση τους στον κόσμο, ελπίζουμε να πολλαπλασιάσουμε τον αντίκτυπό τους».

Οι προγραμματιστές μπορούν να κατεβάσουν τα μοντέλα από το Hugging Face εδώ.

Υπάρχουν και άλλα διαδικτυακά demo του Prithvi, όπως π.χ αυτό για την παραλλαγή προσαρμοσμένη για υδάτινα σώματα. αυτό για την ανίχνευση ουλών από πυρκαγιά. και αυτό που δείχνει την ικανότητα του μοντέλου να ανακατασκευάζει μερικώς φωτογραφημένες περιοχές.

Ένα μοντέλο θεμελίωσης είναι ένα προεκπαιδευμένο γενικευμένο μοντέλο ικανό να βελτιωθεί ώστε να εκτελεί συγκεκριμένες εργασίες. είναι ένας όρος που επινοήθηκε από το Ινστιτούτο Στάνφορντ για την Ανθρωποκεντρική Τεχνητή Νοημοσύνη. IBM αξιώσεις Το Prithvi είναι έως και 15 τοις εκατό καλύτερο από προηγούμενες (ανώνυμες) προηγμένες τεχνικές στην ανάλυση γεωχωρικών εικόνων, παρά το γεγονός ότι βασίζεται σε λιγότερα από τα μισά δεδομένα με ετικέτα. 

Ελπίζεται ότι αυτό το μοντέλο θα βοηθήσει τους ανθρώπους να παρακολουθούν την κλιματική αλλαγή και τη χρήση της γης, ειδικά καθώς εκτιμάται η ποσότητα των δορυφορικών δεδομένων που συλλέγονται από επιστημονικούς ανιχνευτές που βρίσκονται σε τροχιά γύρω από τη Γη [PDF] για να φτάσει τα 250,000 terabyte έως το 2024.

Η IBM είπε ότι εκπαίδευσε το μοντέλο χρησιμοποιώντας Κερί, το σύμπλεγμα υπερυπολογιστών AI του. Εχοντας πεί αυτό, μας λένε επίσης Το Big Blue χρειάστηκε μόνο περίπου μία ώρα για να τελειοποιήσει το μοντέλο για την ανίχνευση πλημμυρών χρησιμοποιώντας μια GPU Nvidia V100, επομένως μπορεί να μην χρειάζεστε τεράστιες στοίβες σιδήρου για να δημιουργήσετε τη δική σας παραλλαγή.

Μια εμπορευματοποιημένη έκδοση, όποια κι αν είναι αυτή, του Prithvi πρόκειται να διατεθεί αργότερα εντός του έτους.

«Τα μοντέλα θεμελίωσης τεχνητής νοημοσύνης για παρατηρήσεις της Γης παρουσιάζουν τεράστιες δυνατότητες αντιμετώπισης περίπλοκων επιστημονικών προβλημάτων και επιτάχυνσης της ευρύτερης εξάπλωσης της τεχνητής νοημοσύνης σε διάφορες εφαρμογές», δήλωσε ο Rahul Ramachandran, διευθυντής και ανώτερος ερευνητής στο Interagency Implementation and Advanced Concepts Team (IMPACT) της NASA. 

«Καλούμε τις κοινότητες επιστήμης και εφαρμογών της Γης να αξιολογήσουν αυτό το αρχικό μοντέλο θεμελίωσης HLS για ποικίλες χρήσεις και να μοιραστούν σχόλια σχετικά με τα πλεονεκτήματα και τα μειονεκτήματά του», πρόσθεσε. ®

Σφραγίδα ώρας:

Περισσότερα από Το μητρώο