Imagínese poder preguntarle a un chatbot:"¿Puede hacerme un mapa de clasificación extremadamente preciso de los cultivos en Kenia?" o "¿Se están hundiendo los edificios en mi calle?" E imagine que la información que obtiene es científicamente sólida y está basada en datos verificados de observación de la Tierra.
La ESA, junto con socios tecnológicos, está trabajando para hacer realidad esta herramienta mediante el desarrollo de aplicaciones de IA que revolucionarán la recuperación de información en la observación de la Tierra.
La observación de la Tierra genera grandes volúmenes de datos vitales todos los días, pero es difícil para los humanos por sí solos garantizar que obtenemos el mejor valor de esos datos. Afortunadamente, la IA ayuda a interactuar con conjuntos de datos tan grandes y complejos, identificando características clave y presentando la información en un formato fácil de usar.
I*STAR, por ejemplo, una actividad cofinanciada por el programa InCubed de la ESA, desarrolló una plataforma que utiliza IA para monitorear eventos actuales como terremotos o erupciones volcánicas para que los operadores de satélites puedan planificar automáticamente las próximas adquisiciones de datos para los clientes.
La herramienta de inteligencia artificial SaferPlaces, nuevamente respaldada por InCubed, crea mapas de inundaciones para los equipos de respuesta a desastres combinando mediciones in situ con datos satelitales. SaferPlaces fue crucial para los esfuerzos de evaluación de daños durante las inundaciones del año pasado en Emilia-Romaña, Italia.
En los últimos años, el progreso de la IA se ha acelerado enormemente, y el avance de herramientas como ChatGPT y Gemini ha sorprendido incluso a los expertos en el campo. Para aprovechar esta innovación transformadora y aprovechar las oportunidades que ofrece esta tecnología, el siguiente paso natural es crear una consulta basada en texto estilo ChatGPT con datos de observación de la Tierra.
Junto con varios socios de los campos del espacio, la informática y la meteorología, la ESA está desarrollando actualmente un asistente digital de observación de la Tierra que comprenderá las consultas humanas y responderá con respuestas similares a las humanas, lo que se conoce como capacidades de lenguaje natural.
Sin embargo, no es sorprendente que haya una serie de piezas del rompecabezas que completar para crear un asistente digital de este tipo, empezando por el centro neurálgico que lo sustenta:el modelo básico.
Los modelos de IA funcionan entrenándose y mejorando con el tiempo, pero en el aprendizaje automático más tradicional, la máquina debe alimentarse con grandes conjuntos de datos que han sido etiquetados, a menudo por un humano.
Introduzca los modelos de cimentación, que adoptan un enfoque muy diferente. Un modelo básico es un modelo de aprendizaje automático que se entrena, en gran medida sin supervisión humana, en fuentes importantes y variadas de datos sin etiquetar. Los modelos de cimentación son bastante generales, pero se pueden adaptar a aplicaciones específicas.
El resultado es un motor de IA potente y flexible, y desde su creación en 2018, los modelos básicos han contribuido a una enorme transformación en el aprendizaje automático, lo que ha impactado a muchas industrias y a la sociedad en su conjunto.
ESA Φ-lab tiene varias iniciativas en curso para crear modelos básicos dedicados a tareas relacionadas con la observación de la Tierra. Estos modelos utilizan datos para proporcionar información sobre temas ambientalmente críticos, como las fugas de metano y la mitigación de eventos climáticos extremos.
Un proyecto modelo de fundación, PhilEO, comenzó a principios de 2023 y ahora está alcanzando su madurez. Se está lanzando a la comunidad de observación de la Tierra un marco de evaluación basado en datos globales de Copernicus Sentinel-2, y próximamente el propio modelo PhilEO, con el fin de estimular un enfoque colaborativo, avanzar en el desarrollo en el campo y garantizar que el modelo base derivado esté ampliamente validado.
La imagen de arriba muestra la Estructura Richat, el tipo de característica que el modelo PhilEO ha aprendido a reconocer sin supervisión humana.
Otras iniciativas de la ESA están analizando la parte humana del rompecabezas:crear un asistente digital que responda una pregunta en lenguaje natural de un usuario, procese los datos correctos a través de modelos básicos de observación de la Tierra y produzca la respuesta en texto y/o imágenes. /P>
Un gemelo digital precursor de la Tierra ha demostrado recientemente que su prototipo de asistente digital puede realizar tareas multimodales, buscando entre múltiples archivos de datos como Sentinel-1 y 2 para comparar información.
Una actividad del laboratorio Φ de la ESA que comenzará en abril explorará el procesamiento del lenguaje natural para extraer y analizar información de fuentes de texto verificadas de observación de la Tierra, junto con la interpretación de consultas tanto de expertos como de usuarios generales. Esta actividad conducirá en última instancia a la creación de un asistente digital en pleno funcionamiento.
"El concepto de un asistente digital de observación de la Tierra que pueda proporcionar una amplia gama de conocimientos procedentes de diversas fuentes es una perspectiva tentadora y, como muestran estas iniciativas, hay una serie de elementos fundamentales que se deben implementar para lograr ese objetivo", comenta Jefe del laboratorio Φ de la ESA, Giuseppe Borghi.
"Dado el progreso extremadamente alentador ya logrado con PhilEO y el precursor del asistente digital, espero que los nuevos proyectos produzcan resultados revolucionarios en un futuro próximo".
Proporcionado por la Agencia Espacial Europea
