Google nutzt generative KI- und mehrere Fundamentmodelle an einführen Geospatial Argumenting, eine Forschungsinitiative zur Beschleunigung der Geospatial Problemlösung. Dieser Aufwand integriert große Sprachmodelle wie Gemini und Remote Sensing Foundation -Modelle, um die Datenanalyse in verschiedenen Sektoren zu verbessern.
Seit Jahren hat Google geospatiale Daten zusammengestellt, die Informationen sind, die an bestimmte geografische Standorte gebunden sind, um ihre Produkte zu verbessern. Diese Daten sind entscheidend für die Bewältigung von Unternehmensproblemen wie denjenigen in der öffentlichen Gesundheit, in der Stadtentwicklung und in der Klimaresilienz.
Die neuen Modelle der Fernerkundungsfundaments basieren auf Architekturen wie maskierten Autoencodern, Siglip, Mammut und Owl-vit und werden mit hochauflösenden Satelliten- und Luftbildern mit Textbeschreibungen und Annotationen von Begrenzungsboxen trainiert. Diese Modelle generieren detaillierte Einbettungen für Bilder und Objekte und können für Aufgaben wie die Zuordnung der Infrastruktur, die Bewertung von Katastrophenschäden und die Lokalisierung bestimmter Merkmale angepasst werden.
Diese Modelle unterstützen Schnittstellen für natürliche Sprache und ermöglichen es den Benutzern, Aufgaben auszuführen, z. B. Bilder von bestimmten Strukturen zu finden oder unpassierbare Straßen zu identifizieren. Die Bewertungen haben die modernste Leistung in verschiedenen Fernerkundungsbenchmarks gezeigt.
Geospatial Argumenting zielt darauf ab, die erweiterten Fundamentmodelle von Google in benutzerspezifische Modelle und Datensätze zu integrieren und auf dem vorhandenen Piloten von zu bauen Zwillinge Fähigkeiten in Google Earth. Mit diesem Framework können Entwickler benutzerdefinierte Workflows auf der Google Cloud -Plattform konstruieren, um komplexe Geospatial -Abfragen mithilfe von Gemini zu verwalten, die die Analyse über verschiedene Datenquellen hinweg orchestrieren.
Die Demonstrationsanwendung zeigt, wie ein Krisenmanager nach einem Hurrikan nach einem Hurrikan durch:
- Visualisierung des Kontextes vor der Entlassung: Verwenden von Open-Source-Satellitenbildern von Earth Engine.
- Visualisierung der Situation nach der Entlassung: Importieren hochauflösender Luftbilder.
- Identifizierung beschädigter Bereiche: Verwenden von Remote -Sensing -Fundamentmodellen zur Analyse von Luftbildern.
- Vorhersage weiterer Risiko: Verwendung der Weathernext -AI -Wettervorhersage.
- Stellen Sie Gemini -Fragen stellen: Schätzung von Schadensfraktionen, Sachschädenwert und Vorschlägen der Priorisierung der Entlastung.
Die Demonstrationsanwendung umfasst:
- Eine verpackte Python-Front-End-Anwendung: Dadurch werden Mapping- und Grafikkomponenten in ein Chat -Fenster integriert.
- Ein agenten Back-End: Dies implementiert einen mit der Vertex AI Agent Engine bereitgestellten Langgraph -Agenten.
- LLM-zugängliche Werkzeuge: Für den Zugriff auf Earth Engine, BigQuery, Google Maps -Plattform und Google Cloud -Speicher, Ausführung von Geospatial -Operationen und Verwendung von Endpunkten der Remote -Sensing -Fundamentmodellinferenz, die auf Vertex AI bereitgestellt werden.
Die Anwendung verwendet hochauflösende Luftbilder aus der Civil Air Patrol, die mit AI von Bellwether, dem Mondshot von X für die Klimaanpassung sowie offene Gebäude und SKAI-Modelle von Google Research, vorverarbeitet wird. Soziale Anfälligkeitsindizes, Immobilienpreisdaten und Google Weathernext -Erkenntnisse werden ebenfalls enthalten.
Die Choreografie von WPP wird PDFM in seine Medienleistungsdaten integrieren, um die KI-gesteuerte Publikumsinformationen zu verbessern. Airbus-, Maxar- und Planet -Labors sind die ersten Tester der fernsengenden Fundamentmodelle.
Speziell:
- Airbus: Pläne, die Remote -Sensing -Foundation -Modelle von Google zu verwenden, damit Benutzer Erkenntnisse aus Milliarden von Satellitenbildern extrahieren können.
- Maxar: Beabsichtigt, die Modelle zu nutzen, um Kunden dabei zu helfen, mit seinem „lebenden Globus“ zu interagieren und missionskritische Antworten schneller zu extrahieren.
- Planet Labs: Verwendet die Remote Sensing Foundation -Modelle, um die Erkenntnisse für ihre Kunden zu vereinfachen und zu beschleunigen.
