En concreto, el ajuste de TiM mejora la eficiencia de los datos al generar automáticamente datos de entrenamiento adicionales relevantes para el problema que se aborda; por ejemplo, indicando al modelo que “considere” la cobertura terrestre al mapear masas de agua. Este avance puede lograr una precisión óptima al especializar TerraMind para casos de uso específicos, afirmó Johannes Jakubik, científico de IBM Research.
Construyendo sobre una base sólida
La aplicación de técnicas de IA y aprendizaje automático a datos relacionados con la Tierra, como satélites y patrones de uso del suelo, no es nueva. Los modelos geoespaciales básicos existentes, como los desarrollados por IBM y la NASA, permiten a los científicos interpretar estos datos, lo que les ayuda a abordar mejor los casos de uso en agricultura de alta precisión, gestión de desastres naturales, monitoreo ambiental (a través del agua, el calor y la sequía), planificación urbana y regional, monitoreo de infraestructuras críticas, monitoreo forestal y de la biodiversidad, etcétera.
Sin embargo, estos modelos actuales procesan datos de fuentes que, en ocasiones, no pueden captar la rica realidad de las condiciones de nuestro planeta. Mientras los satélites orbitan el planeta, proporcionando datos time-lapse sobre fenómenos naturales, vuelven a visitar el mismo lugar cada cinco días. Para analizar los fenómenos climáticos a largo plazo, esto proporciona datos suficientes para predecir y analizar tendencias. Al monitorear fenómenos a corto plazo, como incendios forestales e inundaciones, cada día cuenta, y los investigadores necesitan los datos más recientes para realizar predicciones o evaluar el riesgo mediante modelos de IA.
