Система прогнозирования состояния планеты: автоматизация глобальных моделей с помощью искусственного интеллекта Земли.

В рамках проекта Google Earth AI мы представляем механизм прогнозирования состояния планеты (PPE) — экспериментальную исследовательскую возможность, которая автономно выполняет полный рабочий процесс геопространственного моделирования — от поиска данных до обучения модели — обеспечивая улучшения в различных задачах прогнозирования в области общественного здравоохранения, продовольственной безопасности, экологических рисков и социально-экономических аспектов.

Быстрые ссылки

• Бумага
• Делиться
  • Скопировать ссылку ×

Для решения наиболее острых глобальных проблем человечества — от прогнозирования региональной продовольственной безопасности и рисков экологических катастроф до отслеживания вспышек заболеваний в режиме реального времени и картирования социально-экономической уязвимости — требуется высокоточное геопространственное моделирование. Однако создание таких моделей затруднено фрагментированной экосистемой данных, которая требует от специализированных команд тратить недели на ручную обработку данных, разработку признаков и специализированную пространственную проверку. Хотя существующие агенты на основе AutoML и LLM эффективно автоматизируют стандартные конвейеры машинного обучения, они полагаются на предварительно подготовленные табличные данные и не обладают специализированными возможностями, необходимыми для автономной обработки геопространственных рабочих процессов. Следовательно, аналитика в планетарном масштабе остается существенным узким местом, что особенно остро ощущается в условиях критически важного быстрого реагирования во время гуманитарных кризисов.

Сегодня мы представляем систему прогнозирования планет (PPE), новейшую экспериментальную исследовательскую разработку в рамках нашей более широкой инициативы Google Earth AI, которая преобразует планетарную информацию в практические рекомендации. Ранее мы продемонстрировали возможности Earth AI в интеллектуальном объединении различных геопространственных данных. Будучи автономной системой ИИ, PPE выполняет полный рабочий процесс геопространственного прогнозирования, от поиска и очистки данных планетарного масштаба до обучения и оценки, непосредственно на основе запросов на естественном языке. Получив геопространственный запрос на прогнозирование, PPE автономно извлекает соответствующие данные, разрабатывает признаки, обучает и оценивает модели прогнозирования и генерирует исчерпывающий отчет. Мы демонстрируем, что, обеспечивая улучшения по сравнению с различными эталонными показателями без ручного вмешательства, PPE эффективно сокращает время, необходимое для построения сложных моделей прогнозирования планет, с недель, включающих ручную обработку данных, до нескольких минут, приводящих к автономному получению результатов.

Как работает система прогнозирования планет

Система PPE разделяет процесс прогнозирования на три модульных этапа, каждый из которых координируется LLM:

• Этап 1: Интеллектуальный выбор геопространственных данных. Получив запрос на естественном языке, PPE преобразует его в строгие географические ограничения (пространственная детализация, ключи объединения, временной диапазон). Затем он проводит поиск сигналов на основе данных, формулируя гипотезы предметной области и выявляя как прямые, так и причинно-следственные косвенные сигналы, подтвержденные опубликованной литературой. PPE систематически извлекает ковариаты из существующих геопространственных хранилищ, включая Data Commons и Google Earth Engine. Для сигналов, недоступных в существующих хранилищах, система выполняет поиск в режиме реального времени в открытом интернете, осуществляя поиск на правительственных порталах и в академических хранилищах во время выполнения анализа.
• Этап 2: Курирование мультимодального набора данных. Собранные ковариаты объединяются с предварительно обученными эмбеддингами геопространственных базовых моделей, базовыми моделями динамики населения (PDFM) для социально-демографических скрытых состояний и AlphaEarth для семантики спутниковых изображений. Система реализует строгий «фильтр признаков», который обеспечивает автоматическое снижение утечки целевых данных, оценивая каждый потенциальный ковариат по четырем критериям предотвращения утечки (отфильтровывание математических субкомпонентов, общих данных опроса, последующих причинно-следственных связей и будущих временных данных) для обеспечения целостности последующих оценок.
• Этап 3: Автоматизированное построение модели и прогнозирование. На этом этапе PPE переходит от обработки данных к оптимизации и оценке модели. Система осуществляет поиск по нескольким семействам моделей, таким как регуляризованные линейные модели, градиентно-бустинговые деревья решений (GBDT) и многослойные персептроны, с использованием пользовательской логики для предотвращения переобучения (протокол защиты от переобучения), который предварительно оценивает риск, связанный с набором данных, и реализует цикл самокоррекции для обнаружения и восстановления после ошибок обобщения.

Важно отметить, что каждый этап работает независимо с четко определенными входными и выходными данными, чтобы предотвратить узкие места в обработке данных. Данные передаются между этапами через непрозрачные дескрипторы, а не сериализуются в запросы LLM, что позволяет избежать ограничений контекстного окна.

Комплексный рабочий процесс PPE. Система разделяет процесс прогнозирования на три модульных этапа: (1) интеллектуальный выбор данных, (2) подготовка набора данных и (3) автоматическое машинное обучение и прогнозирование для получения окончательных прогнозов и отчета. Готовые LLM-ы выступают в качестве координаторов на каждом этапе.

Улучшения по сравнению с различными эталонными показателями в разных задачах.

Мы оценили эффективность PPE в многомерном контексте, включающем парадигмы машинного обучения, географические регионы и научные области.

Пространственная регрессия: здравоохранение и окружающая среда в США

По 21 показателю здоровья CDC, интеллектуальный отбор данных и многомодальное объединение в системе PPE обеспечивают средний коэффициент детерминации R² 76,8% против 60,0% при использовании ручного экспертного алгоритма. Аналогичные результаты наблюдаются при прогнозировании национальных показателей риска FEMA (средний коэффициент детерминации R² 64,9% против 60,0% в базовом варианте) и индекса социальной уязвимости (средний коэффициент детерминации R² 66,2% против 58,6% в базовом варианте).

Сверхвысокое разрешение при уменьшении масштаба: продовольственная безопасность Нигерии

В регионах с дефицитом данных некачественная региональная отчетность часто скрывает локальную уязвимость. Благодаря автономной интеграции локальных рыночных потрясений, аномалий цен на продовольствие и микроклиматических показателей, PPE удваивает базовую точность при масштабировании продовольственной безопасности с уровня провинциального штата (ADM1) до уровня района местного самоуправления (ADM2) (R² 66,1% против 31,5%), предоставляя гуманитарным организациям действенные, высокоточные карты уязвимости.

Сверхточное масштабирование мер по обеспечению продовольственной безопасности в Нигерии (уровень штата ADM1 → уровень местного самоуправления ADM2).

Эпидемиологическое прогнозирование: вспышка лихорадки Эбола в ДРК

Для прогнозирования в реальном времени новых очагов распространения заболевания во время вспышки вируса Эбола в Бундибугйо в Демократической Республике Конго в 2026 году, модель PPE достигает показателя Recall@10 в 83,3%, правильно идентифицируя 15 из 18 вновь захваченных зон здравоохранения в пяти последовательных еженедельных прогнозах. Это представляет собой абсолютное улучшение на +10,3 процентных пункта по сравнению с опубликованным базовым показателем современного байесовского моделирования (~73%), обусловленное объединением эпидемиологических сигналов с эмбеддингами PDFM и выбранными моделью PPE геопространственными ковариатами.

Возможности мультимодального слияния данных с интеллектуальным отбором данных.

Ключевым результатом всех экспериментов является синергетический эффект от сочетания структурированных статистических ковариат с латентными эмбеддингами базовой модели. Ни один из этих методов сам по себе не позволяет получить полную картину: статистические ковариаты предоставляют явные, интерпретируемые сигналы, в то время как эмбеддинги динамики популяций и эмбеддинги AlphaEarth Foundations кодируют сложные нелинейные закономерности, полученные из больших наборов данных для предварительного обучения. Наши исследования с использованием метода исключения последовательно показывают, что многомодальное слияние в сочетании с интеллектуальным выбором данных превосходит базовые подходы, подтверждая, что эти представления являются взаимодополняющими, а не избыточными. В будущих исследованиях мы хотим расширить эти возможности, включив в них больше источников геопространственных данных и эмбеддинги базовой модели, такие как многомодальные эмбеддинги Remote Sensing Foundations.

Улучшения, достигнутые благодаря многомодальному объединению данных и интеллектуальному отбору данных, реализованным в PPE, по сравнению с базовыми подходами.

Заключение

Проект PPE демонстрирует, что автономные системы искусственного интеллекта могут соответствовать или превосходить показатели в широком спектре задач геопространственного прогнозирования: от оценки распространенности хронических заболеваний в Соединенных Штатах до повышения точности прогнозирования продовольственной безопасности в Нигерии и оперативного прогнозирования активных вирусных вспышек в Демократической Республике Конго. Благодаря сочетанию интеллектуального поиска данных, многомодального объединения базовых моделей и автоматической оптимизации моделей, проект PPE снижает технический барьер для анализа в планетарном масштабе, обеспечивая быстрое развертывание в критически важных ситуациях, требующих оперативного принятия решений.

Мы считаем, что это экспериментальное исследование представляет собой важный шаг на пути к демократизации геопространственного прогнозирования. Переключив внимание с ручной обработки данных на разработку гипотез высокого уровня, система планетарного прогнозирования помогает исследователям, гуманитарным организациям и политикам создавать модели без необходимости привлечения специализированных инженерных групп. Хотя PPE — это исследовательский проект на ранней стадии, мы с нетерпением ждем возможности изучить другие варианты его применения и посмотреть, как этот подход может помочь организациям лучше прогнозировать и решать сложные глобальные проблемы.

Благодарности

Мы благодарим и отмечаем вклад всех соавторов статьи. Мы благодарны Всемирной продовольственной программе ООН (ВПП) и команде по анализу и картированию уязвимости (VAM) за предоставленные данные и исследовательскую поддержку. Мы также благодарим Национальный институт биомедицинских исследований (INRB) за сотрудничество в области прогнозирования распространения лихорадки Эбола в ДРК, а также команды, стоящие за Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth, за предоставление базовых данных и инфраструктуры моделей, обеспечивающих работу PPE.

Источник: research.google