IBM dan NASA telah bekerja sama untuk mengembangkan kecerdasan buatan geospasial guna mengatasi tantangan perubahan iklim. Dengan semakin parahnya perubahan iklim yang memicu bencana alam seperti banjir, badai, kekeringan, dan kebakaran hutan, metode respons bencana tradisional mengalami kesulitan untuk mengikuti perkembangan. Namun, kemajuan dalam teknologi satelit, drone, dan sensor jarak jauh memungkinkan pemantauan yang lebih baik, namun akses terhadap data penting ini masih terbatas pada beberapa organisasi, membuat banyak peneliti dan inovator tanpa alat yang mereka butuhkan.
Banjir data geospasial yang dihasilkan setiap hari juga menjadi tantangan—menghambat organisasi dan membuat lebih sulit untuk mengekstrak wawasan yang bermakna. Untuk mengatasi masalah ini, dibutuhkan alat yang dapat diakses, skalabel, dan cerdas untuk mengubah dataset yang luas menjadi wawasan iklim yang dapat diambil tindakan. Inilah mengapa kecerdasan buatan geospasial menjadi penting—sebuah teknologi yang sedang berkembang yang memiliki potensi untuk menganalisis volume data besar, memberikan prediksi yang lebih akurat, proaktif, dan tepat waktu.
Kolaborasi revolusioner antara IBM dan NASA untuk mengembangkan kecerdasan buatan geospasial yang lebih canggih dan mudah diakses, memberdayakan audiens yang lebih luas dengan alat-alat yang diperlukan untuk mendorong solusi lingkungan dan iklim yang inovatif.
### Mengapa IBM dan NASA Memimpin Foundation Geospatial AI
Model foundation (FMs) merupakan medan baru dalam kecerdasan buatan, dirancang untuk belajar dari jumlah data yang tidak berlabel dan menerapkan wawasan mereka di berbagai domain. Pendekatan ini menawarkan beberapa keuntungan kunci. Berbeda dengan model kecerdasan buatan tradisional, FMs tidak bergantung pada dataset yang sangat besar dan dirawat dengan cermat. Sebaliknya, mereka dapat disesuaikan dengan sampel data yang lebih kecil, menghemat waktu dan sumber daya. Hal ini membuat mereka menjadi alat yang kuat untuk mempercepat penelitian iklim, di mana pengumpulan dataset besar dapat mahal dan memakan waktu.
Selain itu, FMs menyederhanakan pengembangan aplikasi khusus, mengurangi upaya yang redundan. Misalnya, setelah sebuah FM dilatih, ia dapat disesuaikan dengan beberapa aplikasi turunan seperti memantau bencana alam atau melacak penggunaan lahan tanpa memerlukan pelatihan ulang yang ekstensif. Meskipun proses pelatihan awal dapat menuntut daya komputasi yang signifikan, memerlukan puluhan ribu jam GPU. Namun, setelah mereka dilatih, menjalankannya selama inferensi hanya membutuhkan beberapa menit atau bahkan detik.
### The Genesis of Foundation Geospatial AI
Potensi besar FMs telah mendorong IBM dan NASA untuk berkolaborasi membangun FM komprehensif tentang lingkungan Bumi. Tujuan utama dari kemitraan ini adalah memberdayakan peneliti untuk mengekstrak wawasan dari dataset Bumi NASA yang luas dengan cara yang efektif dan mudah diakses.
Dalam upaya ini, mereka mencapai terobosan signifikan pada Agustus 2023 dengan pengungkapan FM pionir untuk data geospasial. Model ini dilatih pada dataset satelit NASA yang luas, yang terdiri dari arsip 40 tahun gambar dari program Harmonized Landsat Sentinel-2 (HLS). Ini menggunakan teknik kecerdasan buatan canggih, termasuk arsitektur transformer, untuk memproses volume data geospasial yang substansial. Dikembangkan menggunakan superkomputer IBM Cloud Vela dan tumpukan FM watsonx, model HLS dapat menganalisis data hingga empat kali lebih cepat daripada model pembelajaran mendalam tradisional sambil memerlukan dataset yang jauh lebih sedikit untuk pelatihan.
### Kemajuan dalam Foundation Geospatial AI
Membangun pada momentum ini, IBM dan NASA baru-baru ini memperkenalkan model FM sumber terbuka lainnya yang revolusioner: Prithvi WxC. Model ini dirancang untuk mengatasi tantangan cuaca jangka pendek dan prediksi iklim jangka panjang. Telah dilatih sejak 40 tahun data observasi Bumi NASA dari analisis retrospektif Modern-Era untuk Riset dan Aplikasi, Versi 2 (MERRA-2), FM menawarkan kemajuan signifikan dibandingkan dengan model prediksi tradisional.
Model ini dibangun menggunakan transformer visual dan autoencoder tersembunyi, memungkinkannya untuk mengkodekan data spasial dari waktu ke waktu. Dengan menggabungkan mekanisme perhatian temporal, FM dapat menganalisis data reanalisis MERRA-2, yang mengintegrasikan berbagai aliran observasi. Model ini dapat beroperasi di permukaan bola, seperti model iklim tradisional, dan grid datar, memungkinkannya untuk beralih antara pandangan global dan regional tanpa kehilangan resolusi.
Arsitektur unik ini memungkinkan Prithvi untuk disesuaikan di skala global, regional, dan lokal, sambil berjalan di komputer desktop standar dalam hitungan detik. Model FM ini dapat digunakan untuk berbagai aplikasi termasuk meramalkan cuaca lokal untuk memprediksi kejadian cuaca ekstrem, meningkatkan resolusi spasial simulasi iklim global, dan menyempurnakan representasi proses fisik dalam model konvensional. Selain itu, Prithvi dilengkapi dengan dua versi fine-tuned yang dirancang untuk digunakan ilmiah dan industri tertentu, memberikan presisi yang lebih besar untuk analisis lingkungan. Model ini tersedia secara gratis di hugging face.
### Kesimpulan
Kemitraan IBM dan NASA sedang menentukan kembali kecerdasan buatan geospasial, membuat lebih mudah bagi peneliti dan inovator untuk mengatasi tantangan iklim yang mendesak. Dengan mengembangkan model foundation yang dapat menganalisis dataset besar secara efektif, kolaborasi ini meningkatkan kemampuan kita untuk memprediksi dan mengelola peristiwa cuaca ekstrem. Lebih penting lagi, ini membuka pintu bagi audiens yang lebih luas untuk mengakses alat-alat canggih ini, yang sebelumnya terbatas pada institusi yang memiliki sumber daya yang cukup. Saat model kecerdasan buatan canggih ini menjadi lebih mudah diakses oleh lebih banyak orang, mereka membuka jalan bagi solusi inovatif yang dapat membantu kita merespons perubahan iklim dengan lebih efektif dan bertanggung jawab.