شرکت سازنده کامپیوتر IBM در قالب یک همکاری مشترک با سازمان فضایی آمریکا (NASA) در تلاش است یک مدل هوش مصنوعی با توانایی پیگیری برداشت جنگل‌ها، پیش‌بینی عملکرد محصولات کشاورزی و نظارت بر گازهای گلخانه‌ای ارائه دهد.
به گزارش تکناک، این یک مدل متن‌باز است و بر روی Hugging Face در دسترس خواهد بود.
هوش مصنوعی متن‌باز تشویق به همکاری بیشتر می‌کند و علم متن‌باز راه را برای شتاب بخشیدن به نوآوری باز می کند. هر دو موسسه IBM و NASA این امر را پذیرفته‌اند و به طور فعال در حال مقابله با چالش‌های مهم زیست‌محیطی هستند.
جف بودیه، رئیس محصول و رشد در Hugging Face در یک اطلاعیه مطبوعاتی گفت: “هوش مصنوعی همچنان یک حوزه مبتنی بر علم است و علم تنها از طریق به اشتراک گذاری اطلاعات و همکاری می‌تواند پیشرفت کند”. “به همین دلیل است که هوش مصنوعی منبع باز و انتشار باز مدل‌ها و مجموعه داده‌ها برای پیشرفت مداوم هوش مصنوعی بسیار اساسی است و اطمینان حاصل می‌کند که این فناوری تا حد امکان به نفع بسیاری از افراد خواهد بود.”
15 درصد بهبود نسبت به مدل های قبلی
مدل مورد نظر و پایه مکان یابی watsonx.ai از IBM با استفاده از داده‌های ماهواره‌ای و حسگری بزرگ مربوط به سازمان فضایی آمریکا (NASA) ساخته شده است.
سریرام راگاوان ، معاون رئیس تحقیقات هوش مصنوعی شرکت آی‌بی‌ام گفت: “نقش اساسی فناوری‌های متن‌باز در شتاب بخشیدن به حوزه‌های حیاتی کشفی مانند تغییرات آب و هوا هرگز به این وضوح نمایان نشده است”.
راگاوان افزود: “با ترکیب تلاش‌های مدل پایه آی‌بی‌ام برای ایجاد سیستم‌های هوش مصنوعی انعطاف‌پذیر و قابل استفاده مجدد با مخزن داده‌های ماهواره‌ای زمینی سازمان فضایی آمریکا (NASA) و قرار دادن آن در دسترس در پلتفرم متن‌باز برتر Hugging Face، می‌توانیم از قدرت همکاری بهره‌برداری کنیم تا راهکارهای سریعتر و با تأثیر بیشتری را پیاده‌سازی کرده و بهبودی در سیاره‌مان دست یابیم”.
واتسون ایکس (Watsonx.ai) که در ماه گذشته منتشر شد، یک استودیو برای سازندگان هوش مصنوعی است که امکان آموزش، استقرار، اعتبارسنجی و تنظیم مدل‌های یادگیری ماشین و تولیدی هوش مصنوعی را برای آن‌ها فراهم می‌کند.
یک LLM برای مبارزه با تغییرات آب و هوایی
این مدل با همکاری آی‌بی‌ام و سازمان فضایی آمریکا (NASA) بر روی داده‌های ماهواره‌ای Harmonized (HLS)Landsat Sentinel-2 به مدت یک سال آموزش دیده است و نسبت به مدل‌های فعلی که از نصف حجم داده‌های برچسب‌گذاری شده استفاده می‌کنند، بهبودی 15 درصدی نشان داده است.
به گزارش CIO: آی‌بی‌ام اعلام کرده است که این بهبود می‌تواند تجزیه و تحلیل مکانیایی را سه تا چهار برابر سریعتر کند و به کاهش مقدار پاکسازی و برچسب‌گذاری داده‌های مورد نیاز برای آموزش یک مدل یادگیری عمیق سنتی کمک کند.
کوین مورفی، مدیر علمی داده‌های سازمان فضایی آمریکا (NASA) گفت: “ما اعتقاد داریم که مدل‌های پایه، پتانسیل تغییر روش تجزیه و تحلیل داده‌های مشاهداتی را دارند و به ما در درک بهتر از سیاره‌مان کمک می‌کنند”. “و با ارائه اینگونه مدل‌ها به صورت متن‌باز و در دسترس قرار دادن آن‌ها برای جهان، امیدواریم تأثیر آن‌ها را تضعیف نماییم.”
