Osservare la Terra attraverso gli occhi dell’AI

Esiste uno strumento che consente a chiunque di scansionare la Terra attraverso gli occhi dell’AI per trovare istantaneamente immagini satellitari di oggetti corrispondenti.

La Descartes Labs, una startup del Nuovo Messico che fornisce a governi, accademici e imprese l’analisi di immagini satellitari attraverso un sistema di AI, ha rilasciato una demo pubblica del proprio GeoVisual Search, un nuovo tipo di motore di ricerca che unisce alle immagini satellitari il machine learning su scala massiccia.
L’idea che sta dietro a GeoVisual è piuttosto semplice: scegliendo un oggetto ovunque sulla Terra, che possa essere visto dallo spazio, il sistema proporrà un elenco di oggetti simili nell’aspetto e la posizione di ciascuno di essi sul pianeta. E se vi andasse di provare a giocarci, potrete farlo sul sito Descartes.

Probabilmente a qualcuno di voi è già venuto in mente Google Earth, ma GeoVisual Search mette a confronto tutti i pixel realizzando delle immagini enormi del mondo al fine di trovare gli oggetti corrispondenti, una possibilità che non era ancora stata offerta al pubblico su scala così ampia.

Ma questo strumento fornisce anche un assaggio di tutto quello che è il lavoro di Descartes, che fino ad ora si era occupato di dati riguardanti l’agricoltura per l’analisi in campo delle colture.

Il CEO e co-fondatore Mark Johnson ha raccontato: “L’obiettivo di questo lancio è quello di mostrare alla gente ciò che è possibile fare con il machine learning. Puntiamo ad utilizzare questi dati per modellare sistemi planetari complessi e questo che vi mostriamo oggi è solo il primo passo. Vogliamo che le aziende possano pensare al modo in cui questi nuovi tipi di dati possano migliorare il loro lavoro. E mi piacerebbe che portassero ad un miglioramento della vita di tutti”.
Questo strumento non è ancora perfetto, ma rappresenta certamente un buon inizio.

E Johnson continua: “Attraverso questa demo, GeoVisual Search opera partendo da una piattaforma intelligente di machine learning che può essere addestrata e può migliorare apprendendo. Come passo successivo vogliamo che il sistema inizi ad apprendere oggetti specifici e contarli accuratamente nel corso del tempo. A quel punto avremo reso le immagini satellitari un database dei dati planetari”
In questo momento la demo si basa su tre diverse fonti di immagini che includono più di 4 petabyte di dati complessivi. È possibile cercare più dettagliatamente utilizzando i dati del National Agriculture Imagery Program (NAIP) negli Stati Uniti grazie all’alta risoluzione da un metro per pixel, che permette di individuare i frutteti, fattorie solari e turbine e così via. In Cina sono disponibili immagini da quattro metri e ciò significa riconoscere edifici più grandi di stadi. Per il resto del mondo, si utilizzano immagini a risoluzione da 15 metri ottenute da Landsat 8, più grossolane, ma che permettono ugualmente l’identificazione di oggetti su larga scala, come l’irrigazione pivot e le periferie.

Il progetto Descartes è nato all’interno del Los Alamos National Lab (LANL) ed è stato co-fondato da Steven Brumby, il quale ha trascorso più di un decennio a lavorare nell’ambiente delle scienze informatiche per il laboratorio. All’epoca dell’inizio del progetto, un incendio massiccio aveva quasi distrutto il laboratorio e la casa stessa di Brumby, ma – ancora più importante – questo episodio ha acceso l’interesse di Brumby verso lo sviluppo di uno strumento di machine-learning con il quale mappare gli incendi nel mondo. A seguito dell’episodio, a distanza di qualche anno, un nuovo incendio, avvenuto nel 2011, ha consentito che Brumby contribuisse con il suo sistema anche a seguito dell’11 Settembre e l’uragano Katrina. Essere in grado di fare dei controlli in qualsiasi parte del mondo in tempo reale è una cosa, ma Descartes spera di andare oltre applicando l’intelligenza artificiale per vedere tutte quelle cose che potrebbero non essere immediate ed evidenti ai nostri occhi.