Mô hình AI ghi nhãn hình ảnh vệ tinh mã nguồn mở của IBM và NASA

Mô hình AI ghi nhãn hình ảnh vệ tinh mã nguồn mở của IBM và NASA

Dấu thời gian: 3:2023 PM ngày 8 tháng 40 năm XNUMX
Mô hình AI gắn nhãn hình ảnh vệ tinh mã nguồn mở của IBM và NASA PlatoBlockchain Data Intelligence. Tìm kiếm dọc. Ái.

IBM và NASA đã kết hợp và phát hành Prithvi: một mô hình AI nền tảng mã nguồn mở có thể giúp các nhà khoa học và những người khác phân tích hình ảnh vệ tinh.

Mô hình máy biến áp tầm nhìn, được phát hành theo giấy phép Apache 2, tương đối nhỏ với 100 triệu tham số và được đào tạo dựa trên các hình ảnh có giá trị trong một năm được thu thập bởi Landsat Sentinel-2 hài hòa của các nhà tài phiệt Hoa Kỳ (HLS) chương trình. Cũng như mô hình chính, có sẵn ba biến thể của Prithvi, được tinh chỉnh để xác định lũ lụt; sẹo bỏng do cháy rừng; và cây trồng và sử dụng đất khác.

Về cơ bản, nó hoạt động như sau: bạn cung cấp cho một trong các mô hình một bức ảnh vệ tinh trên cao và nó sẽ đánh dấu các khu vực trong tích tắc mà nó hiểu được. Ví dụ: biến thể được tinh chỉnh cho cây trồng có thể chỉ ra nơi có thể có nước, rừng, cánh đồng ngô, cánh đồng bông, đất phát triển, vùng đất ngập nước, v.v.

Bộ sưu tập này, chúng tôi tưởng tượng, sẽ hữu ích cho việc tự động hóa nghiên cứu về những thay đổi của đất đai theo thời gian – chẳng hạn như theo dõi xói mòn do lũ lụt hoặc hạn hán và cháy rừng đã tấn công một khu vực như thế nào. Big Blue và NASA không phải là những người đầu tiên làm điều này với học máy: có nhiều of những nỗ lực trước đó chúng tôi có thể trích dẫn.

Có thể tìm thấy bản demo của mô hình Prithvi phân loại cây trồng tại đây. Cung cấp hình ảnh vệ tinh của riêng bạn hoặc sử dụng một trong các ví dụ ở cuối trang. Nhấp vào Gửi để chạy mô hình trực tiếp.

“Chúng tôi tin rằng các mô hình nền tảng có khả năng thay đổi cách phân tích dữ liệu quan sát và giúp chúng tôi hiểu rõ hơn về hành tinh của mình,” Kevin Murphy, giám đốc dữ liệu khoa học tại NASA, cho biết. nói trong một tuyên bố. “Và bằng cách mở nguồn các mô hình như vậy và cung cấp chúng cho thế giới, chúng tôi hy vọng sẽ nhân rộng tác động của chúng.”

Các nhà phát triển có thể tải xuống các mô hình từ Hugging Face tại đây.

Có các bản demo trực tuyến khác của Prithvi, chẳng hạn như này đối với biến thể được tinh chỉnh cho các vùng nước; này để phát hiện vết sẹo cháy rừng; Và này thể hiện khả năng tái tạo lại các khu vực được chụp một phần của mô hình.

Mô hình nền tảng là một mô hình tổng quát được đào tạo trước có khả năng tinh chỉnh để thực hiện các nhiệm vụ cụ thể; đó là một thuật ngữ do Viện Trí tuệ nhân tạo lấy con người làm trung tâm của Stanford đặt ra. IBM tuyên bố Prithvi tốt hơn tới 15% so với các kỹ thuật tiên tiến (chưa được đặt tên) trước đây trong việc phân tích hình ảnh không gian địa lý, mặc dù chỉ dựa vào lượng dữ liệu được dán nhãn ít hơn một nửa. 

Người ta hy vọng mô hình này sẽ giúp mọi người theo dõi biến đổi khí hậu và sử dụng đất, đặc biệt là khi lượng dữ liệu vệ tinh được thu thập bởi các tàu thăm dò khoa học quay quanh Trái đất được ước tính [PDF] để đạt 250,000 terabyte vào năm 2024.

IBM cho biết họ đã đào tạo mô hình bằng cách sử dụng Candle, cụm siêu máy tính AI của nó. Mà nói, chúng tôi cũng được cho biết Big Blue chỉ mất khoảng một giờ để tinh chỉnh mô hình phát hiện lũ lụt bằng cách sử dụng GPU Nvidia V100, vì vậy bạn có thể không cần đến những đống sắt khổng lồ để tạo biến thể của riêng mình.

Một phiên bản thương mại hóa, bất kể đó là gì, của Prithvi sẽ được cung cấp vào cuối năm nay.

Rahul Ramachandran, nhà quản lý và nhà khoa học nghiên cứu cấp cao tại Nhóm triển khai liên ngành và khái niệm nâng cao (IMPACT) của NASA cho biết: “Các mô hình nền tảng AI cho các quan sát Trái đất có tiềm năng to lớn để giải quyết các vấn đề khoa học phức tạp và đẩy nhanh việc triển khai AI rộng rãi hơn trên các ứng dụng đa dạng”. 

Ông nói thêm: “Chúng tôi kêu gọi các cộng đồng ứng dụng và khoa học Trái đất đánh giá mô hình nền tảng HLS ban đầu này cho nhiều mục đích sử dụng khác nhau và chia sẻ phản hồi về những ưu điểm và nhược điểm của nó. ®

Dấu thời gian:

Thêm từ Đăng ký