25.03.2024 2 Ansichten 0 Likes
Stellen Sie sich vor, Sie könnten einen Chatbot fragen: „Können Sie mir eine äußerst genaue Klassifizierungskarte der Nutzpflanzen in Kenia erstellen?“ » oder „Geht die Bautätigkeit in meiner Straße zurück?“ “ und stellen Sie sich vor, dass die im Gegenzug erhaltenen Informationen wissenschaftlich fundiert sind und auf verifizierten Erdbeobachtungsdaten basieren.
Die ESA arbeitet gemeinsam mit Technologiepartnern daran, ein solches Werkzeug Wirklichkeit werden zu lassen, indem sie Anwendungen für künstliche Intelligenz (KI) entwickelt, die die Informationsgewinnung im Bereich der Erdbeobachtung revolutionieren werden.
Eine digitale Hilfe für Daten
Die Erdbeobachtung erzeugt täglich riesige Mengen dringend benötigter Daten, und es ist für uns Menschen schwierig, sicherzustellen, dass wir diese Daten optimal nutzen. Glücklicherweise hilft KI dabei, mit so großen und komplexen Datensätzen zu interagieren, Schlüsselmerkmale zu identifizieren und die Informationen in einem benutzerfreundlichen Format darzustellen.
Ich * STERN zum Beispiel eine von der mitfinanzierte Aktivität ESA InCubed-Programmhat eine Plattform entwickelt, die mithilfe von KI Nachrichten – etwa Erdbeben oder Vulkanausbrüche – überwacht, sodass Satellitenbetreiber automatisch die nächsten Datenerfassungen für Kunden planen können.
Das KI-Tool SaferPlaces, das auch von InCubed unterstützt wird, führt In-situ-Messungen mit Satellitendaten zusammen, um Überschwemmungskarten für Katastrophenschutzteams zu erstellen. SaferPlaces spielte eine entscheidende Rolle bei der Schadensbewertung während der Überschwemmungen im letzten Jahr in der Emilia-Romagna (Italien).
Satellitenkarte nach Überschwemmungen in der Emilia-Romagna
In den letzten Jahren hat sich der Fortschritt in der KI erheblich beschleunigt, und Fortschritte bei Tools wie chatgpt und Gemini haben selbst Experten auf diesem Gebiet überrascht. Um von dieser transformativen Innovation zu profitieren und die Chancen zu nutzen, die diese Technologie bietet, besteht ein natürlicher nächster Schritt darin, eine ChatGPT-ähnliche Textabfrage für Erdbeobachtungsdaten zu erstellen.
Mit verschiedenen Partnern aus der Raumfahrt, Informatik und Meteorologie entwickelt die ESA derzeit einen digitalen Erdbeobachtungsassistenten, der menschliche Anfragen versteht und wie ein Mensch reagiert – das ist die sogenannte Natural-Language-Funktionalität.
Es überrascht jedoch nicht, dass bei der Erstellung eines solchen digitalen Assistenten eine Reihe von Puzzleteilen vervollständigt werden müssen, angefangen beim zugrunde liegenden Grundmodell.
Der Motor dröhnt unter der Haube
KI-Modelle funktionieren durch Training und Verbesserung im Laufe der Zeit, aber beim traditionellen maschinellen Lernen muss die Maschine mit großen Datensätzen gefüttert werden, die häufig von einem Menschen gekennzeichnet wurden.
Stiftungsmodelle verfolgen einen ganz anderen Ansatz. Ein Basismodell ist ein maschinelles Lernmodell, das weitgehend ohne menschliche Aufsicht auf umfangreichen und vielfältigen Quellen unbeschrifteter Daten trainiert. Fundamentmuster sind recht allgemein gehalten, können aber für spezifische Anwendungen angepasst werden.
Das Ergebnis ist eine flexible und leistungsstarke KI-Engine, und seit ihrer Einführung im Jahr 2018 haben Foundation Models zu einem enormen Wandel im maschinellen Lernen beigetragen, der sich auf viele Branchen und die Gesellschaft insgesamt ausgewirkt hat.
Derzeit laufen mehrere Initiativen, die darauf abzielen, Fundamentmodelle für Aufgaben im Zusammenhang mit der Erdbeobachtung zu erstellen ESA Φ-Lab. Diese Modelle nutzen Daten, um Informationen zu wichtigen Umweltthemen wie Methanlecks und der Eindämmung extremer Wetterereignisse bereitzustellen.
PhilEO erkennt Funktionen wie Richat
Ein Stiftungsmodellprojekt, PhilEO, begann Anfang 2023 und erreicht nun seine Reife. Ein Bewertungsrahmen Basierend auf globalen Daten von Copernicus Sentinel-2 und in Kürze werden das PhilEO-Modell selbst der Erdbeobachtungsgemeinschaft zur Verfügung gestellt, um einen kollaborativen Ansatz anzuregen, die Entwicklung in diesem Bereich voranzutreiben und sicherzustellen, dass das abgeleitete Grundlagenmodell umfassend validiert wird.
Das Bild oben zeigt die Richat-Struktur, die Art von Merkmal, die das PhilEO-Modell ohne menschliche Aufsicht zu erkennen gelernt hat.
Die menschliche Schnittstelle
Verschiedene ESA-Initiativen befassen sich mit der menschlichen Seite des Puzzles. Sie erstellen den digitalen Assistenten, der basierend auf der Frage eines Benutzers in natürlicher Sprache die richtigen Daten mithilfe von Erdbeobachtungsfundamentmodellen verarbeitet und eine Antwort in Text und/oder Bildern erstellt.
Und bahnbrechendes digitales Zwillingsprojekt der Erde hat kürzlich gezeigt, dass sein Prototyp eines digitalen Assistenten multimodale Aufgaben ausführen kann, indem er mehrere Datenarchive wie Sentinel-1 und 2 durchsucht, um Informationen zu vergleichen.
Eine ESA-Φ-Lab-Aktivität, die im April beginnen soll, wird sich auf die Verarbeitung natürlicher Sprache konzentrieren, um Informationen aus verifizierten Erdbeobachtungstextquellen zu extrahieren und zu analysieren und Anfragen von Experten und allgemeinen Benutzern zu interpretieren. Diese Aktivität wird letztendlich zur Schaffung eines voll funktionsfähigen digitalen Assistenten führen.
„Das Konzept eines digitalen Erdbeobachtungsassistenten, der in der Lage ist, ein breites Spektrum an Informationen aus verschiedenen Quellen bereitzustellen, ist eine verlockende Aussicht, und wie diese Initiativen zeigen, müssen eine Reihe grundlegender Bausteine geschaffen werden „Wir werden dieses Ziel erreichen“, kommentiert Giuseppe Borghi, Leiter des ESA Φ-Lab.
„Angesichts der äußerst ermutigenden Fortschritte, die bereits mit PhilEO und dem bahnbrechenden digitalen Assistenten erzielt wurden, bin ich zuversichtlich, dass die neuen Projekte in naher Zukunft bahnbrechende Ergebnisse liefern werden.“
