Tworzenie narzędzi w stylu ChatGPT z wykorzystaniem obserwacji Ziemi
Wyobraź sobie, że możesz zapytać chatbota: "Czy możesz stworzyć dla mnie niezwykle dokładną mapę klasyfikacji upraw w Kenii?" lub "Czy budynki osiadają na mojej ulicy?". I wyobraź sobie, że informacje, które wracają, są naukowo uzasadnione i oparte na zweryfikowanych danych z obserwacji Ziemi.
ESA, wraz z partnerami technologicznymi, pracuje nad urzeczywistnieniem takiego narzędzia poprzez opracowanie aplikacji AI, które zrewolucjonizują wyszukiwanie informacji w obserwacji Ziemi.
Obserwacja Ziemi generuje ogromne ilości istotnych danych każdego dnia, ale trudno jest samemu człowiekowi zapewnić, że uzyskamy najlepszą wartość z tych danych. Na szczęście sztuczna inteligencja pomaga w interakcji z tak dużymi i złożonymi zbiorami danych, identyfikując kluczowe cechy i prezentując informacje w przyjaznym dla użytkownika formacie.
Na przykład I*STAR, działanie współfinansowane przez program ESA InCubed, opracowało platformę, która wykorzystuje sztuczną inteligencję do monitorowania bieżących wydarzeń, takich jak trzęsienia ziemi lub erupcje wulkanów, dzięki czemu operatorzy satelitów mogą automatycznie planować kolejne pozyskiwanie danych dla klientów.
Narzędzie SaferPlaces AI, ponownie wspierane przez InCubed, tworzy mapy powodzi dla zespołów reagowania na katastrofy, łącząc pomiary in situ z danymi satelitarnymi. SaferPlaces miało kluczowe znaczenie dla oceny szkód podczas zeszłorocznych powodzi w Emilii-Romanii we Włoszech.
W ciągu ostatnich kilku lat postęp sztucznej inteligencji znacznie przyspieszył, a rozwój narzędzi takich jak ChatGPT i Gemini zaskoczył nawet ekspertów w tej dziedzinie. Aby wykorzystać tę transformacyjną innowację i uchwycić możliwości, jakie daje ta technologia, naturalnym kolejnym krokiem jest zbudowanie zapytania tekstowego w stylu ChatGPT z danymi z obserwacji Ziemi.
Wraz z różnymi partnerami z dziedziny kosmosu, informatyki i meteorologii, ESA opracowuje obecnie cyfrowego asystenta obserwacji Ziemi, który będzie rozumiał ludzkie zapytania i odpowiadał odpowiedziami podobnymi do ludzkich - znanymi jako możliwości języka naturalnego.
Nie jest jednak zaskoczeniem, że istnieje wiele elementów układanki, które należy uzupełnić, aby stworzyć takiego cyfrowego asystenta, zaczynając od siły napędowej, która stanowi jego podstawę, modelu fundamentalnego.
Modele sztucznej inteligencji działają poprzez szkolenie i doskonalenie w czasie, ale w bardziej tradycyjnym uczeniu maszynowym maszyna musi być zasilana dużymi zestawami danych, które zostały oznaczone, często przez człowieka.
Wprowadź modele fundamentalne, które przyjmują zupełnie inne podejście. Model fundamentalny to model uczenia maszynowego, który trenuje, w dużej mierze bez nadzoru człowieka, na dużych i zróżnicowanych źródłach nieoznakowanych danych. Modele fundamentalne są dość ogólne, ale można je dostosować do konkretnych zastosowań.
W rezultacie powstał elastyczny, potężny silnik sztucznej inteligencji, a od czasu ich powstania w 2018 r. modele fundamentalne przyczyniły się do ogromnej transformacji w uczeniu maszynowym, wpływając na wiele branż i całe społeczeństwo.
ESA ?-lab ma kilka bieżących inicjatyw tworzenia modeli fundamentalnych dedykowanych zadaniom związanym z obserwacją Ziemi. Modele te wykorzystują dane do dostarczania informacji na tematy krytyczne dla środowiska, takie jak wycieki metanu i łagodzenie skutków ekstremalnych zjawisk pogodowych.
Jeden projekt modelu fundamentalnego, PhilEO, rozpoczął się na początku 2023 roku i obecnie osiąga dojrzałość. Ramy oceny oparte na globalnych danych Copernicus Sentinel-2, a wkrótce sam model PhilEO, są udostępniane społeczności obserwatorów Ziemi w celu stymulowania podejścia opartego na współpracy, przyspieszenia rozwoju w tej dziedzinie i zapewnienia, że wyprowadzony model fundamentalny zostanie poddany szeroko zakrojonej walidacji.
Powyższy obraz przedstawia strukturę Richat, rodzaj cechy, którą model PhilEO nauczył się rozpoznawać bez nadzoru człowieka.
Oddzielne inicjatywy ESA zajmują się ludzkim końcem układanki - stworzeniem cyfrowego asystenta, który przyjmie pytanie użytkownika w języku naturalnym, przetworzy odpowiednie dane za pomocą modeli fundamentów obserwacji Ziemi i wygeneruje odpowiedź w postaci tekstu i/lub obrazów.
Prekursorski projekt Digital Twin of Earth wykazał niedawno, że jego prototyp cyfrowego asystenta może wykonywać zadania multimodalne, przeszukując wiele archiwów danych, takich jak Sentinel-1 i 2, w celu porównania informacji.
Działanie ESA ?-lab, które ma rozpocząć się w kwietniu, zbada przetwarzanie języka naturalnego w celu wyodrębnienia i analizy informacji ze zweryfikowanych źródeł tekstowych obserwacji Ziemi, wraz z interpretacją zapytań zarówno od ekspertów, jak i zwykłych użytkowników. Działanie to ostatecznie doprowadzi do stworzenia w pełni funkcjonalnego asystenta cyfrowego.
"Koncepcja cyfrowego asystenta obserwacji Ziemi, który może zapewnić szeroki zakres wglądu z różnych źródeł, jest kuszącą perspektywą, a jak pokazują te inicjatywy, istnieje szereg podstawowych elementów, które należy wprowadzić, aby osiągnąć ten cel" - komentuje szef ESA ?-lab Giuseppe Borghi.
"Biorąc pod uwagę niezwykle zachęcające postępy osiągnięte już dzięki PhilEO i prekursorowi cyfrowego asystenta, w pełni oczekuję, że nowe projekty przyniosą przełomowe wyniki w najbliższej przyszłości."
Polubiłeś już tę stronę, możesz ją polubić tylko raz!
Dziękujemy, że przeczytałaś/eś artykuł! Obserwuj nas w Wiadomościach Google.
