एक सैटेलाइट AI मॉडल जिसे आप वास्तव में उपयोग कर सकते हैं: Allen Institute ने OlmoEarth Embeddings को खोला
Allen AI का OlmoEarth Studio अब पृथ्वी के किसी भी हिस्से के संख्यात्मक 'फिंगरप्रिंट' निर्यात कर सकता है, जिससे शोधकर्ता जंगलों को मैप कर सकते हैं, जंगल की आग का पता लगा सकते हैं और लगभग बिना किसी लेबल वाले प्रशिक्षण डेटा के भूमि परिवर्तन को ट्रैक कर सकते हैं।
मुख्य बिंदु
- Allen Institute for AI का OlmoEarth Studio अब उपयोगकर्ताओं को किसी भी क्षेत्र और समय सीमा के लिए एम्बेडिंग निर्यात करने देता है, जो सैटेलाइट इमेजरी के संक्षिप्त संख्यात्मक सारांश हैं।
- तीन मॉडल आकार उपलब्ध हैं: Nano (1.4 मिलियन पैरामीटर), Tiny (6.2 मिलियन), और Base (89 मिलियन), जो गति और विस्तार के बीच व्यापार करते हैं।
- केवल 60 लेबल वाले पिक्सल का उपयोग करके एक परीक्षण में, सिस्टम ने वियतनाम में मैंग्रोव जंगलों को 0.84 का F1 सटीकता स्कोर के साथ मैप किया।
- अंतर्निहित मॉडल वेट और स्रोत कोड सार्वजनिक रूप से उपलब्ध हैं, जिसका अर्थ है कि कोई भी काम का निरीक्षण कर सकता है या उस पर निर्माण कर सकता है।
- California के Butte County में Park Fire बर्न स्कार केवल दो महीने के सैटेलाइट डेटा और बिना किसी मैनुअल लेबल के एक परिवर्तन-पहचान परीक्षण में दिखाई दिया।
यदि आपने कभी सैटेलाइट फोटो को देखा है और सोचा है कि कौन से हिस्से जंगल हैं, कौन से कृषि भूमि हैं, और कौन से पिछली गर्मियों में जल गए हैं, तो आप एक पृथ्वी-अवलोकन शोधकर्ता जैसे सोच रहे हैं। हाल ही तक, इन सवालों के जवाब देने के लिए महंगे डेटाsets और महीनों की विशेषज्ञ लेबलिंग की आवश्यकता थी। Allen Institute for AI का एक नया उपकरण इसे बदलना चाहता है।
OlmoEarth Studio, Allen Institute का सैटेलाइट इमेजरी की व्याख्या करने वाले मॉडल बनाने का मंच, अब उपयोगकर्ताओं को वह गणना और निर्यात करने देता है जिसे टीम एम्बेडिंग कहती है। एक एम्बेडिंग संख्याओं की एक सूची है, एक प्रकार का संख्यात्मक फिंगरप्रिंट, जो एक प्रशिक्षित AI मॉडल उस भूमि के प्रत्येक पैच को असाइन करता है जिसे वह देखता है। जो स्थान जमीन पर समान दिखते हैं उन्हें समान संख्याएं मिलती हैं। जो स्थान भिन्न होते हैं वे उस संख्यात्मक स्थान में दूर होते हैं।
इसे वाइन-टेस्टिंग स्कोर शीट की तरह सोचें। किसी वाइन का विवरण गद्य में देने के बजाय, आप दर्जनों माप दर्ज करते हैं: अम्लता, टैनिन, शर्करा। दो समान वाइन समान स्कोर शीट के साथ समाप्त होती हैं भले ही आपने कभी उन्हें बगल में नहीं चखा हो। OlmoEarth भूमि के लिए भी ऐसा ही करता है: यह सैटेलाइट पिक्सल को पढ़ता है और प्रत्येक स्थान के लिए एक स्कोर शीट बनाता है।
आप वास्तव में इन संख्याओं के साथ क्या कर सकते हैं?
काफी कुछ, यह पता चला है, लगभग बिना किसी प्रशिक्षण डेटा के भी।
सबसे सरल उपयोग समानता खोज है: एक पिक्सल चुनें, मॉडल से पूछें कि कौन से अन्य पिक्सल इसके जैसे सबसे अधिक हैं, और एक हीट मैप वापस पाएं। California के Merced क्षेत्र पर एक परीक्षण में, एक शहरी क्वेरी छवि पर सड़क के गलियारों को प्रकाशित करती है जबकि कृषि भूमि अंधकार में रहती है। कोई लेबल की आवश्यकता नहीं थी।
अधिक शक्तिशाली वह है जिसे टीम कुछ-शॉट सेगमेंटेशन कहती है, जिसका अर्थ है कि आप कुछ उदाहरणों को लेबल करते हैं और मॉडल बाकी को समझ जाता है। शोधकर्ताओं ने Ca Mau, वियतनाम में एक तटीय मैंग्रोव क्षेत्र में केवल 60 पिक्सल को लेबल किया: 20 को मैंग्रोव के रूप में टैग किया, 20 को पानी के रूप में, 20 को अन्य के रूप में। उन्होंने इन 60 टैग की गई संख्याओं को एक मूल पाठ्यपुस्तक क्लासिफायर (लॉजिस्टिक रिग्रेशन, एक दशकों पुरानी सांख्यिकीय उपकरण) में डाली और इसे अन्य सभी पिक्सल की भविष्यवाणी करने दी। परिणाम 0.84 के भारित F1 स्कोर के साथ पूरे क्षेत्र को कवर करता है। लेबल किए गए नमूने को 300 पिक्सल तक बढ़ाने से वह संख्या शायद ही आगे बढ़ी, क्योंकि एम्बेडिंग पहले से ही कठिन काम कर रहे हैं।
| मॉडल वेरिएंट | आयाम | पैरामीटर | सामान्य उपयोग |
|---|---|---|---|
| Nano | 128 | 1.4 मिलियन | तेज़, कम-भंडारण कार्य |
| Tiny | 192 | 6.2 मिलियन | संतुलित प्रदर्शन |
| Base | 768 | 89 मिलियन | उच्चतम विस्तार, अधिक कंप्यूट |
परिवर्तन पहचान शायद सबसे प्रभावशाली डेमो है। टीम ने September 2023 और September 2024 में California के Butte County के एक ही हिस्से के लिए मासिक सैटेलाइट एम्बेडिंग खींचे, फिर मापा कि प्रत्येक पिक्सल का फिंगरप्रिंट कितना स्थानांतरित हुआ। Summer 2024 से Park Fire बर्न स्कार तुरंत दिखाई दिया, कोई लेबल नहीं, कोई मैनुअल समीक्षा नहीं।
यह किसके लिए है?
फिलहाल, यह उपकरण उन शोधकर्ताओं और विश्लेषकों के लिए लक्षित है जो सैटेलाइट डेटा के साथ काम करते हैं: संरक्षण समूह, शहरी योजनाकार, जलवायु वैज्ञानिक, कृषि एजेंसियां। लेकिन क्योंकि मॉडल वेट और कोड सार्वजनिक हैं, कोडिंग कौशल वाली छोटी टीमें अपने आप ओपन-सोर्स संस्करण चला सकती हैं, जैसा कि पहले Hugging Face द्वारा इसके मॉडल कवरेज में रिपोर्ट किया गया था।
Studio संस्करण, जो सैटेलाइट डेटा अधिग्रहण को स्वचालित रूप से संभालता है, के लिए Allen AI से संपर्क करने की आवश्यकता है। कस्टम स्थानिक रिज़ॉल्यूशन 10 मीटर प्रति पिक्सल से 80 मीटर तक चलता है, और समय विंडो एक महीने जितनी कम या एक वर्ष जितनी लंबी हो सकती है।
एक निष्पक्ष सावधानी: दिखाए गए उदाहरण क्यूरेट किए गए हैं। वास्तविक दुनिया के परिणाम क्षेत्र, मौसम और सैटेलाइट कवरेज की गुणवत्ता के आधार पर भिन्न होंगे। मैंग्रोव सटीकता का 0.84 आंकड़ा मजबूत है, लेकिन यह एक एकल, अच्छी तरह से प्रलेखित साइट से आता है। आपका परिदृश्य अधिक जटिल हो सकता है।
निष्कर्ष: यदि आपका काम भूमि, जंगलों या पर्यावरणीय निगरानी से संबंधित है, तो OlmoEarth दस्तावेज़ और तकनीकी रिपोर्ट को बुकमार्क करना लायक है। खुले वेट का मतलब है कि आप निर्धारित करने से पहले निःशुल्क प्रयोग कर सकते हैं कि क्या प्रबंधित Studio सेवा आपके बजट के अनुकूल है।
