Что такое базовые модели искусственного интеллекта и как они внедряют инновации в мониторинг земель и выбросов углерода?

Достижения в области технологий искусственного интеллекта меняют наши возможности мониторинга разнообразных ландшафтов нашей планеты — от расширяющихся пахотных земель и обширных саванн до сложных водно-болотных угодий и густых лесов — превращая огромные объемы геопространственных данных в полезную информацию.

Эта инновация ИИ раскрывает динамику, которую раньше невозможно было отслеживать, и революционизирует то, как мы интерпретируем и действуем в отношении изменений ландшафтов Земли. Например, фермеры, выращивающие сою в бразильском Серрадо, могут отслеживать, где их посевы могут поставить под угрозу естественные экосистемы, группы по восстановлению в Восточной Африке могут отслеживать рост деревьев и восстановление экосистем с большей точностью, а лица, принимающие решения по всему миру, могут лучше измерять и сообщать о выбросах парниковых газов с земли.

Как можно сделать этот тип мониторинга земель более доступным и масштабируемым? Ответ заключается в базовых моделях — системах ИИ, обученных на обширных наборах данных, которые можно тонко настроить, в нашем случае, для конкретных геопространственных задач. Подобно нейронным путям в мозге, они построены на глубоких, уже существующих знаниях и постоянно развиваются, обучаясь на новых данных, что позволяет им адаптироваться к широкому спектру задач.

Базовые модели, как следует из их названия, обеспечивают мощную базу для геопространственного анализа. Раньше исследователям приходилось обучать пользовательские модели с нуля для каждой задачи. Теперь базовые модели позволяют проводить большую часть обучения заранее, делая высококачественные геопространственные идеи более доступными для практиков и лиц, принимающих решения.

Базовые модели ИИ уже играют ключевую роль в Land & Carbon Lab: наш недавний набор данных о высоте полога деревьев с разрешением 1 метр, разработанный совместно с Meta и World Resources Institute, использует модель для отображения высоты отдельных деревьев по всему миру и кардинально меняет наше понимание лесов.

Но это еще не все. По словам эксперта по фундаментальным моделям Land & Carbon Lab Джона Брандта, «фундаментальные модели привносят новую парадигму того, как будут достигаться инновации в мониторинге Земли. Они уже помогли нам решить многие давние пограничные случаи в наших исследованиях, что позволило нам сосредоточить наши исследовательские усилия более непосредственно на продвижении моделей, которые оказывают влияние на усилия по сохранению».

Каковы базовые модели ИИ?

Исторически модели ИИ разрабатывались для конкретных задач с использованием ограниченных данных, например, модели, использовавшиеся в более ранних версиях Google Translate. Со временем инновации в машинном обучении (данные и алгоритмы, используемые для имитации того, как люди учатся) и вычислительные технологии позволили исследователям разрабатывать более крупные модели, чем когда-либо прежде, которые могут понимать и выполнять различные задачи.

В частности, исследователи выяснили, как сделать модели ИИ предварительно обученными, самоконтролируемыми и независимыми от задач. Это означает, что эти модели обучаются на больших наборах данных для выполнения множества различных задач и могут учиться на данных независимо. Достижения в архитектуре трансформатора, которая использует механизмы внимания, чтобы помочь модели сосредоточиться на самых важных частях данных, также сделали этот процесс более эффективным и точным.

Вместе эти компоненты определяют базовые модели и позволяют популярным чат-ботам с искусственным интеллектом сортировать миллионы страниц с данными, а затем выполнять поставленную задачу - от составления электронного письма до создания электронной таблицы.

Как можно использовать базовые модели для геопространственного мониторинга Земли?

Наряду с популярными приложениями, такими как чат-боты, модели foundation революционизируют анализ изображений, что является важной возможностью для мониторинга Земли. В отличие от таких генераторов изображений, как DALLAS, которые создают изображения на основе описательного текста, модели vision-language предназначены для интерпретации и анализа существующих изображений на основе подсказок на естественном языке. Теперь исследователи могут запрашивать большие базы спутниковых изображений с помощью простых вопросов, таких как “что видно на этом изображении?”, что значительно повышает эффективность и доступность геопространственного мониторинга.

Для такого продвинутого анализа изображений необходимы компоненты предварительной подготовки базовой модели и самостоятельного обучения. Благодаря обучению на обширных наборах данных изображений эти модели изучают закономерности и структуры, которые позволяют им распознавать, классифицировать и измерять объекты в ландшафтах. Это означает, что они могут быть точно настроены для решения конкретных задач мониторинга окружающей среды, что делает их пригодными для широкого спектра применений, выходящих за рамки их первоначального назначения.

Эти возможности меняют правила игры для исследователей геопространственных данных, превращая месяцы ручного анализа огромного количества спутниковых изображений в считанные минуты. Благодаря беспрецедентной скорости обработки данных инструменты AI-power автоматически обнаруживают незначительные изменения быстрее и с большей точностью, чем традиционные методы. Они также могут быть быстро адаптированы для создания карт местного масштаба на основе глобальных моделей, обеспечивая уровень детализации и точности, который когда-то был недостижим. Это позволяет перейти от универсального глобального картографирования к индивидуальному анализу с высоким разрешением в любом масштабе.

DINOv2 , недавно разработанный Meta, иллюстрирует, как фундаментальные модели могут быть повторно использованы для различных приложений, включая геопространственный мониторинг. Эта модель предназначена для распознавания шаблонов в визуальных данных, что позволяет ей выполнять такие задачи, как классификация изображений, анализ видео и оценка глубины, включая измерение расстояния между двумя объектами на изображении.

Исследовательская группа Meta быстро поняла, как это можно применить для составления глобальной карты высоты крон деревьев, измеряя разницу между расстоянием от спутника до земли и от спутника до крон деревьев. Эта возможность измерять высоту деревьев с разрешением 1 метр открыла возможности для приложений, которые ранее казались невозможными, таких как крупномасштабный подсчет деревьев, определение границ и даже составление карт реагирования на стихийные бедствия. Узнайте больше о разработке наших глобальных данных о высоте кроны деревьев в 1 метр с помощью Meta.

Фруктовые сады в Колиме, Мексика

И мониторинг деревьев - это только начало; эти модели могут быть использованы для выявления особенностей ландшафтов, которые ранее было трудно отслеживать. Поскольку мир меняется все быстрее, мы также получаем больше спутниковых данных, чем когда-либо прежде. Базовые модели имеют решающее значение для более быстрого преобразования этого потока информации в практические идеи, помогая пользователям обнаруживать, анализировать изменения окружающей среды и реагировать на них в режиме реального времени.

“Одним из наиболее эффективных результатов интеграции ИИ и дистанционного зондирования является возможность мониторинга и составления карт на уровне, которого мы не могли достичь исторически”, - сказал Амен Ра Машарики, директор по стратегиям ИИ и обработки данных Bezos Earth Fund. “Мы не думаем об ИИ как о продукте … мы думаем об этом как о средстве для научных открытий. Что вы можете сделать с ИИ, чтобы изменить нашу жизнь и наши взгляды на вещи?”

Каковы конкретные области применения базовых моделей для мониторинга Земли?

Модели Foundation могут помочь исследователям автоматизировать сбор и контроль качества обучающих данных для геопространственного мониторинга, например, выявлять и удалять некачественные спутниковые изображения с полосами, искажениями или другими проблемами, а также предоставлять набор данных более высокого качества и более точную модель. Это значительно экономит время, гарантируя, что данные хорошо проверены и надежны, а также снижает человеческий фактор.

Модели Foundation также отлично справляются с задачами с ограниченными, но высококачественными данными для обучения. Хотя наличие большого количества данных — это идеальный вариант, эти модели полезны, когда большой объем данных невозможен, поскольку сбор данных — это длительный и сложный процесс.

Например, при мониторинге биоразнообразия камеры-ловушки предоставляют высококачественные данные, точно указывая на присутствие животного. В конечном итоге, модели фундамента могли бы затем сравнивать эти данные с глобальными наборами данных по биоразнообразию, чтобы помочь синтезировать выводы.

Это также говорит о другом преимуществе фундаментальных моделей: они позволяют осуществлять кросс-сенсорное моделирование , например, позволяя применять обученную на снимках с дронов модель к спутниковым снимкам. Эта возможность позволяет организациям использовать как локальные, так и глобальные данные, независимо от метода сбора, для более точного понимания и мониторинга меняющихся ландшафтов.

Одной из конкретных задач мониторинга для моделей фундамента ИИ является отслеживание прогресса восстановления. Спутниковый мониторинг оказался эффективным при отслеживании крупномасштабных резких изменений, таких как потеря лесов, но с трудом обнаруживал более мелкие или более постепенные изменения, такие как рост деревьев.

Модели фундамента помогают преодолеть этот разрыв, предоставляя более детальное представление в масштабе отдельных деревьев, что позволяет проектам восстановления лучше измерять прогресс и совершенствовать стратегии. Этот сдвиг означает, что 99% сложной работы теперь выполняется моделями фундамента, что позволяет экспертам сосредоточиться на знании местных земель. «Теперь самый умный человек в комнате — это тот, кто лучше всех знает ландшафт и данные», — сказал Джон Брандт.

Работая с командой по восстановлению WRI , мы делимся инструментами на основе искусственного интеллекта с теми, кто работает на местах, в рамках таких инициатив, как TerraFund для AFR100 , который инвестирует в 192 местные некоммерческие организации и предприятия для восстановления деградировавших земель Африки — узнайте больше здесь .

Каковы ограничения базовых моделей?

Хотя базовые модели превосходно подходят для обработки изображений с высоким разрешением, где интересующие объекты крупные и отчетливые, они менее эффективны для приложений с низким разрешением, где один пиксель может содержать несколько объектов. В таких случаях базовые модели отдают приоритет анализу изображения в целом, а не отдельных деталей размером с пиксель, предоставляя ограниченную дополнительную информацию по сравнению с традиционными моделями.

Эта проблема подчеркивает важность высококачественных местных данных для совершенствования мониторинга, основанного на искусственном интеллекте. Наземные наблюдения, лидарные данные, снимки с беспилотников и проверенные на местах метки помогают обучать базовые модели лучше распознавать закономерности на изображениях с низким разрешением, повышая точность и обеспечивая соответствие инструментов искусственного интеллекта реальным условиям - особенно там, где спутниковых данных высокого разрешения недостаточно.

Кроме того, базовые модели хорошо справляются с обобщением высококачественных обучающих данных, но они также могут увеличивать погрешности и несоответствия, присутствующие в данных. Более крупные модели более склонны к повторению этих погрешностей, что потенциально может привести к непредвиденным последствиям. Например, если в обучающих данных светофор неправильно обозначен как дерево, модель может неправильно обозначить все светофоры как деревья. По этой причине те, кто обучает модель, должны тщательно аннотировать данные и устранять искажения.

Что ожидает использование базовых моделей в мониторинге Земли в будущем?

Модели фонда готовы по-новому взглянуть на то, как мы понимаем планету. Эти модели не просто анализируют то, что мы видим, — они выявляют закономерности, взаимосвязи и сигналы раннего предупреждения, которые ранее были недоступны; в будущем они могут помочь предсказать переломные моменты в экосистеме, выявить связи между землепользованием и устойчивостью экономики или выявить невидимые факторы изменения окружающей среды. И с увеличением объемов данных их точность и эффективность будут повышаться — мы только начинаем изучать поверхность.

В Land & Carbon Lab эти достижения позволяют нам расширять масштабы и быстрее получать результаты — например, сейчас мы разрабатываем метод подсчета отдельных деревьев по всему миру. Предоставляя открытый доступ к этим базовым моделям, мы не только улучшаем мониторинг, но и даем возможность широкому кругу пользователей адаптировать их к конкретным потребностям, оказывая большее влияние на местах.

Но истинный потенциал базовых моделей заключается в том, что будет дальше. Искусственный интеллект - это уже не просто инструмент для обработки данных, это движущая сила открытий. Самые большие прорывы в мониторинге Земли будут достигнуты не благодаря тому, что мы уже знаем, а благодаря новым вопросам, которые искусственный интеллект поможет нам задать, и решениям, которые он поможет нам найти.