Costruire strumenti in stile ChatGPT con l’osservazione della Terra
Immaginate di poter chiedere a un chatbot: «Puoi farmi una mappa di classificazione estremamente accurata della coltivazione delle colture in Kenya?» o «Gli edifici nella mia strada stanno sprofondando?» E immaginate che le informazioni che vi restituisce siano scientificamente valide e basate su dati di osservazione della Terra verificati.
L'ESA, in collaborazione con alcuni partner tecnologici, sta lavorando per rendere uno strumento del genere una realtà, sviluppando delle applicazioni di intelligenza artificiale che rivoluzioneranno il recupero delle informazioni nell'osservazione della Terra.
Un aiuto digitale per i dati
L'osservazione della Terra genera ogni giorno grandi volumi di dati di fondamentale importanza, ma è difficile per gli esseri umani da soli assicurarsi di ottenere il massimo valore da questi dati. Fortunatamente, l'intelligenza artificiale aiuta a interagire con questi insiemi di dati così grandi e complessi, identificando le caratteristiche chiave e presentando le informazioni in un formato facile da usare.
Ad esempio I*STAR, un'attività cofinanziata dal Programma InCubed dell'ESA, ha sviluppato una piattaforma che utilizza l'intelligenza artificiale per monitorare eventi in corso come terremoti o eruzioni vulcaniche in modo che gli operatori satellitari possano pianificare automaticamente le acquisizioni di dati successive per i clienti.
La piattaforma di intelligenza artificiale SaferPLACES, anch'essa supportata da InCubed, crea mappe delle alluvioni per le squadre che intervengono in caso di catastrofi unendo le misurazioni in situ con i dati satellitari. SaferPLACES è stato fondamentale per valutare i danni durante l’alluvione dello scorso anno in Emilia-Romagna, in Italia.
Open Image
Negli ultimi anni, i progressi dell'intelligenza artificiale hanno subito un'enorme accelerazione, con l'avanzamento di strumenti come ChatGPT e Gemini che hanno persino sorpreso gli esperti del settore. Per trarre vantaggio da questa innovazione trasformativa e cogliere le opportunità offerte da questa tecnologia, un passo successivo naturale è costruire un'indagine testuale in stile ChatGPT con i dati di osservazione della Terra.
Insieme a vari partner del settore spazio, dell'informatica e della meteorologia, l'ESA sta attualmente sviluppando un assistente digitale per l'osservazione della Terra che comprenderà le domande poste da esseri umani e risponderà con risposte simili a quelle di un essere umano, note come funzionalità del linguaggio naturale.
Tuttavia, non soprende che ci siano una serie di pezzi del puzzle da completare per creare un tale assistente digitale, a partire dal motore che sta alla base, il modello di fondazione.
Il motore che romba sotto il cofano
I modelli di intelligenza artificiale funzionano grazie all'allenamento e all'ottimizzazione nel tempo, ma nel machine learning più tradizionale, la macchina deve essere alimentata con grandi set di dati che sono stati etichettati, spesso da un essere umano.
I modelli di fondazione adottano un approccio molto diverso. Un modello di fondazione è un modello di machine learning che si allena, in gran parte senza supervisione umana, su svariate fonti di dati non etichettati. I modelli di fondazione sono abbastanza generali, ma possono essere adattati ad applicazioni specifiche.
Il risultato è un motore di intelligenza artificiale flessibile e potente e, fin dalla loro nascita nel 2018, i modelli di fondazione hanno contribuito a un'enorme trasformazione nel machine learning, impattando su molti settori industriali e sulla società nel suo complesso.
Il Φ-LAB dell'ESA ha diverse iniziative in corso per la creazione di modelli di fondazione dedicati ad attività legate all'osservazione della Terra. Questi modelli utilizzano i dati per fornire informazioni su questioni critiche per l'ambiente come le emissioni di metano e la mitigazione degli eventi meteorologici estremi.
Un progetto di modello di fondazione, PhilEO, è stato avviato all'inizio del 2023 e sta ora raggiungendo la maturità. Un quadro di valutazione basato sui dati globali di Copernicus Sentinel-2, e presto lo stesso modello PhilEO, verranno rilasciati alla comunità dell'osservazione della Terra al fine di stimolare un approccio collaborativo, avanzare nello sviluppo sul campo e garantire che il modello difondazione derivato sia ampiamente convalidato.
L'immagine qui sopra mostra la Struttura di Richat, il tipo di caratteristica che il modello PhilEO ha imparato a riconoscere senza la supervisione umana.
L'interfaccia umana
Iniziative separate dell'ESA si stanno occupando della parte umana del puzzle: creare l'assistente digitale che riceverà una domanda in linguaggio naturale da un utente, processerà i dati corretti attraverso i modelli di fondazione dell'osservazione della Terra e produrrà la risposta in testo e/o immagini.
Un progetto precursore Digital Twin of Earth ha recentemente dimostrato che il suo prototipo di assistente digitale può svolgere compiti multimodali, ricercando tra più archivi di dati, come Sentinel-1 e 2, per confrontare le informazioni.
Un'attività del Φ-LAB dell'ESA, che inizierà ad aprile, esplorerà l'elaborazione del linguaggio naturale per l'estrazione e l'analisi di informazioni provenienti da fonti testuali verificate di osservazione della Terra, insieme all'interpretazione delle domande provenienti sia dagli esperti che dagli utenti generici. Questa attività porterà infine alla creazione di un assistente digitale pienamente funzionante.
«L'idea di un assistente digitale per l'osservazione della Terra in grado di fornire un'ampia gamma di informazioni provenienti da fonti diverse è una prospettiva allettante e, come dimostrano queste iniziative, ci sono una serie di elementi fondamentali da mettere in atto per raggiungere questo obiettivo», commenta il responsabile del Φ-lab dell'ESA Giuseppe Borghi.
«Visti i progressi estremamente incoraggianti già ottenuti con PhilEO e il precursore dell'assistente digitale, mi aspetto che i nuovi progetti producano risultati rivoluzionari nel prossimo futuro».
