A Allen Institute for AI (Ai2) anunciou uma atualização na sua plataforma OlmoEarth Studio, introduzindo a capacidade de computar e exportar vetores de embeddings. Estes vetores funcionam como representações numéricas compactas de dados de observação da Terra, gerados pelos modelos de fundação de código aberto OlmoEarth. A iniciativa visa facilitar o acesso da comunidade científica a ferramentas de análise, permitindo que investigadores utilizem estas representações para tarefas complexas sem a necessidade de processar volumes massivos de dados brutos diretamente.
Os embeddings disponibilizados pelo OlmoEarth Studio são apresentados como uma solução para diversas aplicações, incluindo a pesquisa de similaridade, a segmentação de paisagens com poucos exemplos e a deteção de alterações sazonais. Segundo a organização, locais com características de superfície semelhantes resultam em vetores próximos no espaço latente, enquanto áreas distintas são representadas por vetores distantes. Esta capacidade permite identificar padrões geográficos e mudanças no terreno, baseando-se na interpretação que o modelo realiza sobre as imagens de satélite.
O processo de extração de embeddings no Studio segue o fluxo de trabalho da plataforma, permitindo aos utilizadores configurar parâmetros como a área de interesse, o intervalo temporal, a resolução espacial e as fontes de imagem, como o Sentinel-2 ou o Sentinel-1. Os resultados são exportados no formato Cloud-Optimized GeoTIFF (COG), otimizados para serem leves e de fácil partilha. A plataforma oferece três variantes de codificadores — Nano, Tiny e Base — com diferentes dimensões e contagens de parâmetros, permitindo um equilíbrio entre a precisão analítica e o custo computacional.
A flexibilidade do sistema permite que os utilizadores gerem embeddings sob demanda, capturando dinâmicas sazonais específicas em vez de dependerem de arquivos globais pré-computados. Em testes de pesquisa de similaridade, a tecnologia demonstrou capacidade para distinguir superfícies urbanas de áreas agrícolas sem a necessidade de etiquetas de treino prévias. Além disso, a utilização de classificadores lineares simples sobre estes embeddings permitiu a criação de mapas de cobertura do solo, utilizando um número reduzido de pixéis rotulados como referência inicial.
A Ai2 destaca o desempenho dos seus modelos em avaliações internas e independentes, reforçando a transparência com a disponibilização pública do código-fonte e dos pesos dos modelos. A plataforma também suporta o ajuste fino supervisionado para aplicações que exijam um desempenho superior. Esta nova funcionalidade de exportação de embeddings está disponível para os utilizadores do OlmoEarth Studio, sendo apresentada como um ponto de entrada para a exploração de dados geoespaciais complexos através de inteligência artificial.
Porque importa
A capacidade de extrair embeddings de modelos de observação da Terra democratiza o acesso a análises geoespaciais, permitindo que investigadores realizem tarefas de classificação e deteção de mudanças com menos recursos computacionais e dados rotulados, acelerando a monitorização ambiental global.