Stel je voor dat je een chatbot kunt vragen:"Kun je voor mij een uiterst nauwkeurige classificatiekaart maken van de gewasteelt in Kenia?" of "Zijn er gebouwen in mijn straat aan het verzakken?" En stel je voor dat de informatie die terugkomt wetenschappelijk verantwoord is en gebaseerd is op geverifieerde aardobservatiegegevens.
ESA werkt er samen met technologiepartners aan om een dergelijk instrument werkelijkheid te maken door AI-toepassingen te ontwikkelen die een revolutie teweeg zullen brengen in het ophalen van informatie bij aardobservatie.
Een digitale helpende hand voor data
Aardobservatie genereert elke dag enorme hoeveelheden essentiële gegevens, maar het is voor mensen alleen moeilijk om ervoor te zorgen dat we de beste waarde uit die gegevens halen. Gelukkig helpt AI bij de interactie met zulke grote en complexe datasets, waarbij de belangrijkste kenmerken worden geïdentificeerd en de informatie in een gebruiksvriendelijk formaat wordt gepresenteerd.
I*STAR, een activiteit die medegefinancierd wordt door het ESA InCubed-programma, heeft bijvoorbeeld een platform ontwikkeld dat AI gebruikt om actuele gebeurtenissen zoals aardbevingen of vulkaanuitbarstingen te monitoren, zodat satellietoperatoren automatisch de volgende data-acquisitie voor klanten kunnen plannen.
De SaferPlaces AI-tool, opnieuw ondersteund door InCubed, maakt overstromingskaarten voor rampenbestrijdingsteams door metingen ter plaatse te combineren met satellietgegevens. SaferPlaces was cruciaal voor de schadebeoordeling tijdens de overstromingen van vorig jaar in Emilia-Romagna in Italië.
De afgelopen jaren is de vooruitgang van AI enorm versneld, waarbij de opmars van tools als ChatGPT en Gemini zelfs experts in het veld heeft verrast. Om te profiteren van deze transformatieve innovatie en de kansen te grijpen die deze technologie mogelijk maakt, is een logische volgende stap het bouwen van een tekstgebaseerd onderzoek in ChatGPT-stijl met aardobservatiegegevens.
Samen met verschillende partners op het gebied van ruimtevaart, informatica en meteorologie ontwikkelt ESA momenteel een digitale assistent voor aardobservatie die menselijke vragen begrijpt en reageert met mensachtige antwoorden, ook wel natuurlijke taalvaardigheden genoemd.
Het is echter geen verrassing dat er een aantal stukjes van de puzzel moeten worden voltooid om zo'n digitale assistent te creëren, te beginnen met de krachtpatser die eraan ten grondslag ligt, het basismodel.
De motor brult onder de motorkap
AI-modellen werken door te trainen en in de loop van de tijd te verbeteren, maar bij meer traditioneel machine learning moet de machine worden gevoed met grote sets gegevens die zijn gelabeld, vaak door een mens.
Voer funderingsmodellen in, die een heel andere benadering hanteren. Een basismodel is een machinaal leermodel dat, grotendeels zonder menselijke supervisie, traint op omvangrijke en gevarieerde bronnen van ongelabelde gegevens. Funderingsmodellen zijn vrij algemeen, maar kunnen worden aangepast aan specifieke toepassingen.
Het resultaat is een flexibele, krachtige AI-motor, en sinds hun introductie in 2018 hebben basismodellen bijgedragen aan een enorme transformatie in machine learning, die gevolgen heeft voor veel industrieën en de samenleving als geheel.
Het ESA Φ-lab heeft verschillende lopende initiatieven voor het creëren van funderingsmodellen voor aardobservatiegerelateerde taken. Deze modellen gebruiken gegevens om informatie te verschaffen over onderwerpen die van cruciaal belang zijn voor het milieu, zoals methaanlekken en de beperking van extreme weersomstandigheden.
Eén funderingsmodelproject, PhilEO, startte begin 2023 en bereikt nu volwassenheid. Een evaluatiekader gebaseerd op mondiale Copernicus Sentinel-2-gegevens, en binnenkort het PhilEO-model zelf, worden vrijgegeven aan de aardobservatiegemeenschap om een gezamenlijke aanpak te stimuleren, de ontwikkeling in het veld te bevorderen en ervoor te zorgen dat het afgeleide basismodel uitgebreid wordt gevalideerd.
De afbeelding hierboven toont de Richat-structuur, het type kenmerk dat het PhilEO-model heeft leren herkennen zonder menselijk toezicht.
De menselijke interface
Afzonderlijke ESA-initiatieven onderzoeken de menselijke kant van de puzzel:het creëren van de digitale assistent die een vraag in natuurlijke taal van een gebruiker beantwoordt, de juiste gegevens verwerkt via modellen van aardobservatiefondsen en het antwoord in tekst en/of afbeeldingen produceert.
Een voorloper van de digitale tweelingbroer van de aarde heeft onlangs aangetoond dat het prototype van zijn digitale assistent multimodale taken kan uitvoeren, door te zoeken in meerdere data-archieven zoals Sentinel-1 en 2 om informatie te vergelijken.
Een ESA Φ-lab-activiteit die in april van start gaat, zal de verwerking van natuurlijke taal onderzoeken voor het extraheren en analyseren van informatie uit geverifieerde tekstbronnen voor aardobservatie, samen met het interpreteren van vragen van zowel experts als algemene gebruikers. Deze activiteit zal uiteindelijk leiden tot de creatie van een volledig functionerende digitale assistent.
"Het concept van een digitale assistent voor aardobservatie die een breed scala aan inzichten uit verschillende bronnen kan bieden, is een verleidelijk vooruitzicht, en zoals deze initiatieven laten zien, zijn er een aantal fundamentele bouwstenen die moeten worden ingevoerd om dat doel te bereiken", zegt hij. Hoofd van ESA Φ-lab Giuseppe Borghi.
"Gezien de uiterst bemoedigende vooruitgang die al is geboekt met PhilEO en de voorloper van de digitale assistent, verwacht ik ten volle dat de nieuwe projecten in de nabije toekomst baanbrekende resultaten zullen opleveren."