گوگل سالهاست که روی ساخت مدل‌های هوش مصنوعی قدرتمند برای حل مشکلات دنیای واقعی کار میکند. به تازگی، این شرکت از مجموعه جدیدی به نام Google Earth AI رونمایی کرده که شامل مدل‌ها و دیتاست‌های جغرافیایی است. هدف از این مجموعه کمک به مردم، کسب و کارها و سازمان‌ها برای مقابله با نیازهای اساسی کره زمین است. یکی از بخش‌های اصلی این مجموعه، مدل جدیدی به اسم AlphaEarth Foundations است.
این هوش مصنوعی جدید قرار است کل کره زمین را با جزئیات دقیق بررسی کند تا مشخص شود ما دقیقا در حال انجام چه کاری با سیاره خود هستیم. علاوه بر این، ظاهرا این مدل میتواند توضیح دهد که در کجاها میتوانیم اقداماتی برای کمک به دنیای خود انجام دهیم.
گوگل ارث ای‌آی (Google Earth AI) در واقع ادامه تلاش‌های قبلی گوگل در زمینه استدلال جغرافیایی است و مدل‌هایی را شامل میشود که در حوزه‌های مختلفی کاربرد دارند. از نمونه‌های قابل توجه آن میتوان به پیش‌بینی دقیق آب و هوا، پیش‌بینی سیل و تشخیص آتش‌سوزی‌های طبیعی اشاره کرد. مدل‌های دیگر هم با فراهم کردن درک عمیق‌تری از تصاویر ماهواره‌ای، دینامیک جمعیت و تحرکات شهری، به بهبود برنامه ریزی شهری و سلامت عمومی کمک میکنند.
این مدل‌ها همین الان هم در قابلیت‌هایی که میلیون‌ها نفر از آنها استفاده میکنند، مثل هشدارهای سیل و آتش‌سوزی در جستجوی گوگل و گوگل مپس، به کار گرفته شده‌اند. این سیستم‌ها همچنین از طریق گوگل ارث، پلتفرم گوگل مپس و گوگل کلاد، اطلاعات کاربردی در اختیار کاربران قرار میدهند.
آلفاارث چطور کار میکند؟
هر روز، ماهواره‌ها تصاویر و اندازه‌گیری‌های بسیار غنی از اطلاعات ثبت میکنند که به دانشمندان و متخصصان یک دید تقریبا لحظه‌ای از سیاره ما میدهد. با اینکه این داده‌ها فوق‌العاده تاثیرگذار بوده‌اند، پیچیدگی، چند حالته بودن و سرعت بالای بروزرسانی آنها یک چالش جدید ایجاد کرده: اینکه چطور این دیتاست‌های مختلف را به هم وصل کنیم و به طور موثر از همه آنها استفاده کنیم.
اینجاست که AlphaEarth Foundations وارد میشود. این مدل هوش مصنوعی مثل یک «ماهواره مجازی» عمل میکند. کارش این است که با یکپارچه کردن حجم عظیمی از داده‌های رصد زمین، کل خشکی‌ها و آب‌های ساحلی سیاره را به شکلی دقیق و کارآمد توصیف کند. این سیستم تمام این اطلاعات را به یک نمایش دیجیتالی یکپارچه یا «embedding» تبدیل میکند که سیستم‌های کامپیوتری به راحتی میتوانند آن را پردازش کنند. این ویژگی به دانشمندان اجازه میدهد تصویر کامل‌تر و منسجم‌تری از تحولات سیاره ما داشته باشند و به آنها در تصمیم‌گیری‌های آگاهانه در مورد مسائل مهمی مثل امنیت غذایی، جنگل زدایی، گسترش شهرها و منابع آبی کمک میکند.
آلفاارث با حل دو چالش بزرگ، دیدگاه جدید و قدرتمندی برای درک سیاره ما فراهم میکند: حجم بالای داده‌ها و اطلاعات ناهماهنگ.
- ترکیب داده‌ها: این سیستم حجم زیادی از اطلاعات را از ده‌ها منبع عمومی مختلف مثل تصاویر ماهواره‌ای نوری، رادار، نقشه‌برداری لیزری سه‌بعدی و شبیه‌سازی‌های آب و هوایی با هم ترکیب میکند. سپس تمام این اطلاعات را به هم میبافد تا زمین‌های جهان و آب‌های ساحلی را در مربع‌های دقیق ۱۰ در ۱۰ متری تحلیل کند. این کار به مدل اجازه میدهد تا تغییرات را در طول زمان با دقت قابل توجهی ردیابی کند.
- کاربردی کردن داده‌ها: نوآوری اصلی این سیستم در توانایی آن برای ایجاد یک خلاصه بسیار فشرده برای هر مربع است. این خلاصه‌ها نسبت به سیستم‌های هوش مصنوعی دیگری که تست شده‌اند، ۱۶ برابر فضای ذخیره‌سازی کمتری نیاز دارند و هزینه تحلیل در مقیاس سیاره‌ای را به شدت کاهش میدهند.
این پیشرفت به دانشمندان امکانی را میدهد که تا به حال غیرممکن بود: ایجاد نقشه‌های دقیق و منسجم از دنیای ما، در هر زمانی که بخواهند. چه بخواهند سلامت محصولات کشاورزی را نظارت کنند، چه جنگل زدایی را ردیابی کنند و چه ساخت و سازهای جدید را مشاهده کنند، دیگر مجبور نیستند به یک ماهواره تنها که از بالای سرشان عبور میکند، تکیه کنند.
دقت و کارایی سیستم
برای اطمینان از اینکه آلفاارث برای استفاده در دنیای واقعی آماده است، عملکرد آن به طور جدی آزمایش شد. در مقایسه با روش‌های سنتی و دیگر سیستم‌های نقشه‌برداری هوش مصنوعی، آلفاارث به طور مداوم دقیق‌ترین نتیجه را داشت. این مدل در طیف گسترده‌ای از وظایف در دوره‌های زمانی مختلف، از جمله شناسایی کاربری اراضی و تخمین ویژگی‌های سطح زمین، عملکرد عالی از خود نشان داد. نکته مهم این است که این موفقیت در سناریوهایی به دست آمد که داده‌های برچسب‌گذاری شده کمیاب بودند. به طور متوسط، آلفاارث نرخ خطای ۲۴ درصد کمتری نسبت به مدل‌های آزمایش شده داشت که نشان‌دهنده کارایی یادگیری برتر آن است.
در یک آزمایش چالش برانگیز مربوط به تبخیر و تعرق (فرایندی که در آن آب از خشکی به اتمسفر منتقل میشود)، آلفاارث به مقدار R² برابر با ۰.۵۸ دست یافت، در حالی که تمام روش‌های دیگر مقادیر منفی تولید کردند که نشان میداد عملکردشان حتی از حدس زدن میانگین هم بدتر بود.
مجموعه داده Satellite Embedding و کاربران آن
گوگل برای تسریع تحقیقات و باز کردن راه برای کاربردهای جدید، مجموعه‌ای از embedding های سالانه آلفاارث را به عنوان مجموعه داده Satellite Embedding در گوگل ارث انجین (Google Earth Engine) منتشر کرده است. این مجموعه داده با بیش از ۱.۴ تریلیون ردپای embedding در سال، یکی از بزرگ‌ترین‌ها در نوع خود است و پوشش سالانه از سال ۲۰۱۷ تا ۲۰۲۴ را فراهم میکند.
در طول سال گذشته، بیشتر از ۵۰ سازمان این دیتاست را برای کاربردهای واقعی خود آزمایش کرده‌اند. شرکای گوگل همین الان هم مزایای قابل توجهی را مشاهده کرده‌اند و از این داده‌ها برای طبقه‌بندی بهتر اکوسیستم‌های نقشه‌برداری نشده، درک تغییرات کشاورزی و زیست‌محیطی و افزایش چشمگیر دقت و سرعت کارهای نقشه‌برداری خود استفاده میکنند.
برخی از این سازمان‌ها عبارتند از: سازمان خواربار و کشاورزی ملل متحد، جنگل هاروارد، گروه رصد زمین، MapBiomas، دانشگاه ایالتی اورگان، گروه انفورماتیک فضایی و دانشگاه استنفورد.
دو نمونه از کاربردهای واقعی آن به این شرح است:
-
Global Ecosystems Atlas: این یک طرح ابتکاری است که هدفش ایجاد اولین منبع جامع برای نقشه‌برداری و نظارت بر اکوسیستم‌های جهان است. آنها از این دیتاست استفاده میکنند تا به کشورها کمک کنند اکوسیستم‌های نقشه‌برداری نشده را به دسته‌هایی مانند بوته‌زارهای ساحلی و بیابان‌های بسیار خشک طبقه‌بندی کنند. این منبع به کشورها کمک میکند تا مناطق حفاظت شده را بهتر اولویت‌بندی کنند و با از بین رفتن تنوع زیستی مبارزه کنند.
این مجموعه داده با کمک به کشورها در نقشه‌برداری از اکوسیستم‌های ناشناخته، کار ما را متحول میکند. این برای مشخص کردن اینکه تلاش‌های حفاظتی خود را در کجا متمرکز کنند، حیاتی است.
نیک موری، مدیر آزمایشگاه اکولوژی جهانی دانشگاه جیمز کوک -
MapBiomas در برزیل: این سازمان در حال آزمایش دیتاست برای درک عمیق‌تر تغییرات کشاورزی و زیست‌محیطی در سراسر کشور، از جمله در جنگل‌های بارانی آمازون است. این نوع نقشه به استراتژی‌های حفاظتی و طرح‌های توسعه پایدار در اکوسیستم‌های حیاتی کمک میکند.
مجموعه داده Satellite Embedding میتواند روش کار تیم ما را متحول کند. ما اکنون گزینه‌های جدیدی برای ساختن نقشه‌هایی داریم که دقیق‌تر و سریع‌تر تولید میشوند، چیزی که قبلا هرگز قادر به انجام آن نبودیم.
تاسو آزودو، بنیانگذار MapBiomas
حل مشکل ابرها و داده‌های گمشده
چیزی که این سیستم را از نظر فنی متمایز میکند، نحوه برخورد آن با زمان است. معماری این مدل که Space Time Precision یا STP نام دارد، به آن اجازه میدهد تا اولین رویکردی باشد که از «زمان پیوسته» پشتیبانی میکند. این یعنی سیستم میتواند نقشه‌های دقیقی برای هر بازه زمانی خاص ایجاد کند، حتی میتواند بین مشاهدات، داده‌ها را تخمین بزند یا برای دوره‌هایی که پوشش ماهواره‌ای مستقیمی وجود ندارد، برون‌یابی کند. این ویژگی به آن اجازه میدهد بر چالش‌های رایجی مانند پوشش ابری که اغلب تصاویر ماهواره‌ای را در مناطق استوایی پنهان میکند، غلبه کند.
حریم خصوصی و رزولوشن
گوگل تاکید میکند که این سیستم در رزولوشنی کار میکند که برای نظارت بر محیط زیست طراحی شده، نه ردیابی افراد. این مجموعه داده نمیتواند اشیا، افراد یا چهره‌های منفرد را ثبت کند. رزولوشن ۱۰ متری، اگرچه برای اکثر کاربردهای زیست‌محیطی به اندازه کافی دقیق است، اما عمدا توانایی شناسایی سازه‌ها یا فعالیت‌های فردی را محدود میکند؛ یک انتخاب طراحی که بین کارایی و حفاظت از حریم خصوصی تعادل برقرار میکند.
در دسترس بودن آلفاارث از طریق گوگل ارث انجین میتواند دسترسی به قابلیت‌های پیچیده رصد زمین را برای همه آسان‌تر کند. قبلا، ایجاد نقشه‌های دقیق از مناطق بزرگ به منابع محاسباتی و تخصص قابل توجهی نیاز داشت. اکنون، سازمان‌ها میتوانند از embedding های از پیش محاسبه شده برای تولید سریع نقشه‌های سفارشی استفاده کنند. این کار با همکاری تیم‌هایی در Google DeepMind و Google Earth Engine انجام شده است. گوگل همچنین در حال بررسی بهترین راه‌ها برای استفاده از قابلیت‌های مبتنی بر زمان این مدل در ترکیب با عامل‌های هوش مصنوعی استدلال عمومی مانند Gemini است.
منابع
- [۱] Google announces state-of-the-art geospatial AI models with Earth AI
- [۲] AlphaEarth Foundations helps map our planet in unprecedented detail – Google DeepMind
- [۳] Google’s Newest AI Model Acts like a Satellite to Track Climate Change | WIRED
- [۴] Google DeepMind says its new AI can map the entire planet with unprecedented accuracy | VentureBeat
دیدگاهتان را بنویسید