نظارت دقیق تر بر تغییرات آب و هوایی با کمک هوش مصنوعی

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.”