Google Earth AI działa jako autonomiczny system do analizy planety

Automatyzacja modeli geoprzestrzennych

Google wdrożyło Planetary Prediction Engine (PPE), eksperymentalne narzędzie do tworzenia modeli przestrzennych planety. W przeciwieństwie do klasycznego AutoML, które wymaga wstępnie przygotowanych tabel, PPE potrafi przetworzyć zapytanie w języku naturalnym, samodzielnie znaleźć dane satelitarne i demograficzne z Google Earth Engine, a następnie zbudować z nich model.

System składa się z trzech odrębnych faz: inteligentnego doboru danych (obejmującego obronę przed wyciekiem informacji przez zmienne zastępcze), selekcji zbiorów danych przy użyciu istniejących modeli fundamentów (np. AlphaEarth dla zdjęć satelitarnych) oraz właściwego treningu z wykorzystaniem drzew ze wzmocnieniem gradientowym i sieci neuronowych. Cały proces jest nadzorowany przez agentów LLM bez konieczności przesyłania gigabajtów danych w oknie kontekstowym.

Dlaczego to zmienia zarządzanie kryzysowe

Obecna analityka predykcyjna cierpi na wolne cykle wykonywania. Jeśli organizacja chce przewidzieć ryzyko rozprzestrzeniania się wirusa Ebola lub ustalić, która konkretnie część nigeryjskiej prowincji będzie miała jutro problem z żywnością, potrzebuje eksperckiego zespołu ds. danych, który przez miesiąc czyści zbiory danych.

PPE potrafi podnieść dokładność lokalnej mapy podatności żywnościowej w Nigerii z 31,5% do 66,1% tylko poprzez autonomiczne połączenie anomalii rynkowych, cen żywności i lokalnego mikroklimatu. W przypadku rozprzestrzeniania się Eboli, model wskazał ogniska o ponad 10 punktów procentowych trafniej w porównaniu z dotychczasowym standardem bayesowskim.

Gdzie automatyczna analiza ma słabe punkty

Maszyny robią to, o co proszą ludzie, a tu istnieje ryzyko, że polecenia dotyczące złożonych zjawisk fizycznych będą zbyt uproszczone. Wybór i czyszczenie geodanych to nie tylko inżynieria, ale często dziedzinowa decyzja o tym, czy użycie czujnika deszczu w danej dolinie ma w ogóle sens.

Chociaż PPE ma mechanizmy chroniące przed przeuczeniem i wyciekiem danych, bez fizycznego zrozumienia autonomiczny system może łączyć sygnały, które sprawdzają się statystycznie, ale załamują się w ekstremalnych warunkach. Orkiestrator LLM polega na metadanych i dostępnych abstrakcjach, a nie na intuicji meteorologicznej.

Prawdziwy test nadejdzie wraz z nowym, nieznanym kryzysem

Przejście z ręcznej inżynierii danych na autonomiczne generowanie hipotez to niezbędny krok do szybkiej reakcji. Głównym wskaźnikiem dla PPE nie będzie jednak sukces na historycznych danych z Konga czy Nigerii. Będzie to wdrożenie przez organizacje takie jak ONZ w momencie, gdy uderzy nowy, niewytrenowany jeszcze kryzys, a badacze będą musieli polegać na prognozach maszyny zamiast na własnych analizach.

Werdykt Lilith

LLM bawiący się w analityka danych nad terabajtami zdjęć satelitarnych. Jest świetnie, dopóki model nie stwierdzi, że przyczyną nieurodzaju w Kenii jest brak sygnału komórkowego, bo to ładnie ze sobą koreluje.