ИИ-стартап Synthetaic закрыл раунд серии B на сумму 15 млн долларов [ссылка].
Synthetaic приобрел известность год назад, когда с помощью ИИ и архива спутниковых снимков Planet Labs отследил путь китайского воздушного шара через территорию США. Аналитический инструмент компании называется RAIC (Rapid Automatic Image Categorization). Он построен на базе построен на базе облачной системы Microsoft Azure и позволяет быстро идентифицировать изображения или предметы на них. По заявлению компании, RAIC смог определить путь китайского воздушного шара всего за две минуты. Компания использует RAIC для анализа спутниковых снимков, полнокадрового видео, фотографий с беспилотников и данных тепловой инфракрасной съемки.
MGISS привлекла 600 тыс. фунтов стерлингов на создание карт критической инфраструктуры с использованием спутниковых снимков ESA [ссылка]
Британская компания Mobile GIS Services (MGISS), поставщик геопространственного ПО для коммунальных компаний, намерена использовать полученные средства для разработки системы, позволяющей выявить потенциальные риски при проведении строительных работ вблизи подземных кабелей или линий электропередач, или при планировании новых проектов, которые могут затронуть существующую инфраструктуру.
Два оманских стартапа, в сотрудничестве с Министерством транспорта, связи и информационных технологий приступили к инвентаризации пальмовых деревьев с применением спутниковых снимков высокого разрешения и снимков с беспилотников [ссылка]
OpenET помогает использовать спутниковые данные для управления водными ресурсами [ссылка]
Сервис OpenET (https://etdata.org) опирается на ансамбль из шести моделей, использующих общедоступные спутниковые данные программы Landsat для расчета эвапотранспирации (ET) — перемещения водяного пара из почвы и листьев растений в атмосферу. OpenET делает это на уровне поля, что значительно улучшает точность управления водными ресурсами. Сервис имеет API. Покрытие данными: западное побережье США.
#вода #ET #ИИ #лес
Synthetaic приобрел известность год назад, когда с помощью ИИ и архива спутниковых снимков Planet Labs отследил путь китайского воздушного шара через территорию США. Аналитический инструмент компании называется RAIC (Rapid Automatic Image Categorization). Он построен на базе построен на базе облачной системы Microsoft Azure и позволяет быстро идентифицировать изображения или предметы на них. По заявлению компании, RAIC смог определить путь китайского воздушного шара всего за две минуты. Компания использует RAIC для анализа спутниковых снимков, полнокадрового видео, фотографий с беспилотников и данных тепловой инфракрасной съемки.
MGISS привлекла 600 тыс. фунтов стерлингов на создание карт критической инфраструктуры с использованием спутниковых снимков ESA [ссылка]
Британская компания Mobile GIS Services (MGISS), поставщик геопространственного ПО для коммунальных компаний, намерена использовать полученные средства для разработки системы, позволяющей выявить потенциальные риски при проведении строительных работ вблизи подземных кабелей или линий электропередач, или при планировании новых проектов, которые могут затронуть существующую инфраструктуру.
Два оманских стартапа, в сотрудничестве с Министерством транспорта, связи и информационных технологий приступили к инвентаризации пальмовых деревьев с применением спутниковых снимков высокого разрешения и снимков с беспилотников [ссылка]
OpenET помогает использовать спутниковые данные для управления водными ресурсами [ссылка]
Сервис OpenET (https://etdata.org) опирается на ансамбль из шести моделей, использующих общедоступные спутниковые данные программы Landsat для расчета эвапотранспирации (ET) — перемещения водяного пара из почвы и листьев растений в атмосферу. OpenET делает это на уровне поля, что значительно улучшает точность управления водными ресурсами. Сервис имеет API. Покрытие данными: западное побережье США.
#вода #ET #ИИ #лес
⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Национальное агентство геопространственной разведки проведет тендер на оказание услуг по аннотированию данных [ссылка]
Национальное агентство геопространственной разведки США (NGA) планирует потратить до 700 млн долларов в течение следующих пяти лет на проект по применению искусственного интеллекта к спутниковым снимкам. NGA собирается опубликовать запрос предложений по контрактам, в котором основное внимание будет уделяться аннотированию “сырых” данных — изображений и видео — для моделей машинного обучения.
В контексте спутниковых снимков это может включать в себя маркировку конкретных объектов, таких как здания, дороги или растительность, что является важным шагом в разработке моделей машинного обучения. Директор NGA, вице-адмирал Фрэнк Уитворт (Frank Whitworth), сказал, что инициатива представляет собой крупнейший в истории контракт агентства на маркировку данных и направлена на расширение возможностей машинного обучения NGA для анализа спутниковых снимков и других геопространственных данных.
NGA запустит проект по обеспечению надежности моделей искусственного интеллекта [ссылка]
Целью инициативы является разработка рекомендаций и стандартов для использования технологий искусственного интеллекта (ИИ) в таких критически важных областях, как определение потенциальных целей по спутниковым снимкам.
Пилотная программа находится на ранней стадии и многие детали ещё предстоит определить. В целом, по словам Уитворта, она согласуется с рекомендациями Министерства обороны по этическому использованию ИИ и отвечает недавнему распоряжению Белого дома по этому вопросу.
Расположенное в Спрингфилде (шт. Вирджиния), NGA собирает, анализирует и распространяет геопространственную информацию, полученную с помощью спутниковых и аэрофотоснимков, для поддержки национальной безопасности и военных операций США, а также мер по ликвидации последствий стихийных бедствий.
И адрес у NGA хороший 📸.
#ИИ #США #война
Национальное агентство геопространственной разведки США (NGA) планирует потратить до 700 млн долларов в течение следующих пяти лет на проект по применению искусственного интеллекта к спутниковым снимкам. NGA собирается опубликовать запрос предложений по контрактам, в котором основное внимание будет уделяться аннотированию “сырых” данных — изображений и видео — для моделей машинного обучения.
В контексте спутниковых снимков это может включать в себя маркировку конкретных объектов, таких как здания, дороги или растительность, что является важным шагом в разработке моделей машинного обучения. Директор NGA, вице-адмирал Фрэнк Уитворт (Frank Whitworth), сказал, что инициатива представляет собой крупнейший в истории контракт агентства на маркировку данных и направлена на расширение возможностей машинного обучения NGA для анализа спутниковых снимков и других геопространственных данных.
NGA запустит проект по обеспечению надежности моделей искусственного интеллекта [ссылка]
Целью инициативы является разработка рекомендаций и стандартов для использования технологий искусственного интеллекта (ИИ) в таких критически важных областях, как определение потенциальных целей по спутниковым снимкам.
Пилотная программа находится на ранней стадии и многие детали ещё предстоит определить. В целом, по словам Уитворта, она согласуется с рекомендациями Министерства обороны по этическому использованию ИИ и отвечает недавнему распоряжению Белого дома по этому вопросу.
Расположенное в Спрингфилде (шт. Вирджиния), NGA собирает, анализирует и распространяет геопространственную информацию, полученную с помощью спутниковых и аэрофотоснимков, для поддержки национальной безопасности и военных операций США, а также мер по ликвидации последствий стихийных бедствий.
И адрес у NGA хороший 📸.
#ИИ #США #война
Первые снимки со спутника Φsat-2 [ссылка]
Первые 📸 тестовые снимки с бортовой камеры Φsat-2 были получены спустя несколько дней после вывода спутника на орбиту, осуществлённого 16 августа 2024 года.
Спутник ESA Φsat-2 предназначен для демонстрации возможностей использования методов искусственного интеллекта и обработки данных на борту спутника для решения задач дистанционного зондирования Земли.
Миниатюрный спутник, выполненный в форм-факторе CubeSat 6U, оснащён мультиспектральной камерой и мощным компьютером с искусственным интеллектом, который анализирует и обрабатывает снимки, находясь на орбите.
На борту спутника будет запущено шесть приложений искусственного интеллекта, которые преобразуют полученные изображения в карты, обнаруживают облака на снимках, классифицируют их и дают представление о распределении облаков, обнаруживают и классифицируют суда, выявляют аномалии в морских экосистемах, обнаруживают лесные пожары, а также сжимают изображения, сокращая время их загрузки,
#ИИ #ESA
Первые 📸 тестовые снимки с бортовой камеры Φsat-2 были получены спустя несколько дней после вывода спутника на орбиту, осуществлённого 16 августа 2024 года.
Спутник ESA Φsat-2 предназначен для демонстрации возможностей использования методов искусственного интеллекта и обработки данных на борту спутника для решения задач дистанционного зондирования Земли.
Миниатюрный спутник, выполненный в форм-факторе CubeSat 6U, оснащён мультиспектральной камерой и мощным компьютером с искусственным интеллектом, который анализирует и обрабатывает снимки, находясь на орбите.
На борту спутника будет запущено шесть приложений искусственного интеллекта, которые преобразуют полученные изображения в карты, обнаруживают облака на снимках, классифицируют их и дают представление о распределении облаков, обнаруживают и классифицируют суда, выявляют аномалии в морских экосистемах, обнаруживают лесные пожары, а также сжимают изображения, сокращая время их загрузки,
#ИИ #ESA
AWS развивает возможности ИИ для анализа данных из космоса [ссылка]
Клинт Крозье (Clint Crosier) 📸, директор по аэрокосмическим и спутниковым технологиям Amazon Web Services, сообщил, что в прошлом году AWS создала команду, ориентированную на работу с космическими данными для изучения возможностей использования генеративного искусственного интеллекта, который в значительной степени развивает модели глубокого обучения.
По словам Крозье, если раньше приоритетом космической отрасли было увеличение разрешения снимков, то теперь внимание сместилось в сторону минимизации задержек предоставления данных и расширения возможностей обработки данных в режиме реального времени.
В ходе недавнего эксперимента с использованием облачных сервисов AWS и вычислительных технологий шведской компании Unibap, спутник итальянской компании D-Orbit почти вдвое увеличил доступную пропускную способность, используя искусственный интеллект для отправки на Землю с орбиты только релевантных гиперспектральных данных.
#ИИ #гиперспектр
Клинт Крозье (Clint Crosier) 📸, директор по аэрокосмическим и спутниковым технологиям Amazon Web Services, сообщил, что в прошлом году AWS создала команду, ориентированную на работу с космическими данными для изучения возможностей использования генеративного искусственного интеллекта, который в значительной степени развивает модели глубокого обучения.
По словам Крозье, если раньше приоритетом космической отрасли было увеличение разрешения снимков, то теперь внимание сместилось в сторону минимизации задержек предоставления данных и расширения возможностей обработки данных в режиме реального времени.
В ходе недавнего эксперимента с использованием облачных сервисов AWS и вычислительных технологий шведской компании Unibap, спутник итальянской компании D-Orbit почти вдвое увеличил доступную пропускную способность, используя искусственный интеллект для отправки на Землю с орбиты только релевантных гиперспектральных данных.
#ИИ #гиперспектр
Awesome Remote Sensing Foundation Models
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
Прогнозирование погоды с помощью моделей ИИ на основе открытых данных ECMWF
Команда специалистов системы прогнозирования погоды AIFS (Artificial Intelligence/Integrated Forecasting System) в Европейском центре среднесрочных прогнозов погоды (ECMWF) объявила, что теперь пользователи могут самостоятельно запускать модели прогноза погоды, использующие методы искусственного интеллекта (ИИ) и опирающиеся на открытые данные ECMWF.
Это позволит генерировать прогнозы на собственном компьютере пользователя, изучать методы прогнозирования с помощью ансамблей моделей и проводить сравнительный анализ моделей.
Установка python-пакетов традиционна:
Поддерживаются следующие модели прогнозирования погоды, использующие методы ИИ: Pangu-Weather, FourCastNet (версия 2), GraphCast, FuXi и Aurora.
В будущем ожидается поддержка системы AIFS. Пока можно получить готовые прогнозы, сделанные с помощью AIFS.
#погода #ИИ #python
Команда специалистов системы прогнозирования погоды AIFS (Artificial Intelligence/Integrated Forecasting System) в Европейском центре среднесрочных прогнозов погоды (ECMWF) объявила, что теперь пользователи могут самостоятельно запускать модели прогноза погоды, использующие методы искусственного интеллекта (ИИ) и опирающиеся на открытые данные ECMWF.
Это позволит генерировать прогнозы на собственном компьютере пользователя, изучать методы прогнозирования с помощью ансамблей моделей и проводить сравнительный анализ моделей.
Установка python-пакетов традиционна:
pip install ai-models
pip install ai-models-panguweather # Or another model
ai-models panguweather --input ecmwf-open-data
Поддерживаются следующие модели прогнозирования погоды, использующие методы ИИ: Pangu-Weather, FourCastNet (версия 2), GraphCast, FuXi и Aurora.
В будущем ожидается поддержка системы AIFS. Пока можно получить готовые прогнозы, сделанные с помощью AIFS.
#погода #ИИ #python
Обзор методов интерпретируемого машинного обучения для прогнозирования погоды и климата
В последнее время передовые модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Большинство из этих моделей является “черными ящиками”: они выдают результаты, не позволяя пользователю заглянуть внутрь, чтобы разобраться, как именно был получен тот или иной прогноз. Поэтому важную роль приобретает развитие интерпретируемых методов машинного обучения.
В 📖 статье рассмотрены современные подходы к интерпретируемому машинному обучению, применяемые для метеорологических прогнозов. Подходы делятся на две группы: (1) методы интерпретации post-hoc, объясняющие предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентные методы; (2) разработка интерпретируемых моделей с нуля с помощью таких архитектур, как ансамбли деревьев или объясняемые (explainable) нейронные сети. Коротко описан каждый метод, и то как именно он позволяет понять прогнозы, раскрывая метеорологические взаимосвязи, улавливаемые машинным обучением. В финале работы обсуждаются проблемы исследования и перспективы на будущее.
📖 Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/10.1016/j.atmosenv.2024.120797
#нейронки #погода #ИИ #климат
В последнее время передовые модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Большинство из этих моделей является “черными ящиками”: они выдают результаты, не позволяя пользователю заглянуть внутрь, чтобы разобраться, как именно был получен тот или иной прогноз. Поэтому важную роль приобретает развитие интерпретируемых методов машинного обучения.
В 📖 статье рассмотрены современные подходы к интерпретируемому машинному обучению, применяемые для метеорологических прогнозов. Подходы делятся на две группы: (1) методы интерпретации post-hoc, объясняющие предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентные методы; (2) разработка интерпретируемых моделей с нуля с помощью таких архитектур, как ансамбли деревьев или объясняемые (explainable) нейронные сети. Коротко описан каждый метод, и то как именно он позволяет понять прогнозы, раскрывая метеорологические взаимосвязи, улавливаемые машинным обучением. В финале работы обсуждаются проблемы исследования и перспективы на будущее.
📖 Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/10.1016/j.atmosenv.2024.120797
#нейронки #погода #ИИ #климат
Американская компания Aptos Orbital представила устройство с искусственным интеллектом для обработки данных, связи и облачных сервисов в космосе [ссылка]
“Современные спутники изолированы от современных облачных сред, им мешает нехватка бортовой вычислительной мощности и многочасовые разрывы в покрытии”, — говорится в заявлении соучредителя Aptos Йонатана Вайнтрауба (Yonatan Winetraub). “Наша цель — сделать спутники такими же интеллектуальными и доступными, как любой компьютер на Земле. Установив искусственный интеллект на борту [спутника], мы сможем обрабатывать живые спутниковые данные в источнике и передавать обработанную информацию обратно на Землю”.
Хотя Aptos — молодая компания, ее устройства с ИИ уже прошли летные испытания. За последние 2 года несколько подобных устройств проработали на орбите в общей сложности более 5 лет.
Модульные устройства Aptos выпускаются в двух вариантах: Mini — для CubeSat’ов и Max — для более крупных малых спутников.
Спутниковые терминалы связи обычно отличаются от радиационно-стойких процессоров для приложений ИИ. В отличие от них, Aptos “объединяет космические вычисления, постоянную связь и облачные сервисы в одном небольшом устройстве, которое предлагается по простой подписке”, — говорится в сообщении компании. “Такой целостный подход обеспечивает высочайшую производительность и является наиболее практичным решением для спутниковых операторов, позволяя им сэкономить годы на интеграции и проверке”.
#onboard #ИИ
“Современные спутники изолированы от современных облачных сред, им мешает нехватка бортовой вычислительной мощности и многочасовые разрывы в покрытии”, — говорится в заявлении соучредителя Aptos Йонатана Вайнтрауба (Yonatan Winetraub). “Наша цель — сделать спутники такими же интеллектуальными и доступными, как любой компьютер на Земле. Установив искусственный интеллект на борту [спутника], мы сможем обрабатывать живые спутниковые данные в источнике и передавать обработанную информацию обратно на Землю”.
Хотя Aptos — молодая компания, ее устройства с ИИ уже прошли летные испытания. За последние 2 года несколько подобных устройств проработали на орбите в общей сложности более 5 лет.
Модульные устройства Aptos выпускаются в двух вариантах: Mini — для CubeSat’ов и Max — для более крупных малых спутников.
Спутниковые терминалы связи обычно отличаются от радиационно-стойких процессоров для приложений ИИ. В отличие от них, Aptos “объединяет космические вычисления, постоянную связь и облачные сервисы в одном небольшом устройстве, которое предлагается по простой подписке”, — говорится в сообщении компании. “Такой целостный подход обеспечивает высочайшую производительность и является наиболее практичным решением для спутниковых операторов, позволяя им сэкономить годы на интеграции и проверке”.
#onboard #ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ-поиск
⚛️ SearchGPT. OpenAI объявила о полномасштабном запуске 📹 веб-поиска в ChatGPT. Сейчас поиск доступен для Plus и Team пользователей, но постепенно круг пользователей будет расширяться.
OpenAI заключило партнерские соглашения с ведущими СМИ (AP, Reuters, FT и др.) и обещает:
• Интегрирование в SearchGPT поиска по актуальным данным
• Автоматическое определение необходимости поиска
• Сохранение контекста беседы при поиске
• Визуально обогащенные ответы для погоды, спорта, акций
⚛️ Perplexity (https://www.perplexity.ai). Первопроходец в ИИ-поиске. Сервис обещает:
* Ответы вместо ссылок: вместо списка страниц пользователь получает связный текст, написанный повседневным языком.
* Знания в реальном времени: поиск в Интернете в режиме реального времени, чтобы предоставить самую свежую информацию.
* Надежные источники . Ответы содержат ссылки на источники, из которых взята информация.
Выглядит это красиво. На деле:
* для поиска информации на английском языке нужно задавать вопрос на этом языке (deepl.com в помощь);
* трудно найти свежую информацию. Проблемы с ограничением запроса по времени + система просто не возвращает ссылки на публикации последних суток/недель.
На данный момент эта штука ничем не лучше ⚛️ Яндекс с нейро.
Кстати, интересно попросить ИИ-сервисы поиска порекомендовать “коллег” (Какие сервисы ИИ-поиска в интернете посоветуешь?/What AI-search services do you recommend?).
⚛️ Consensus (http://consensus.app/) Эта ИИ-система выдает результаты только из научных источников. Каждый тезис сопровождается ссылкой на источник. Кликнув на него можно получить краткий пересказ работы или посмотреть оригинал.
Для поиска наиболее релевантных статей Consensus использует гибридный подход, сочетающий машинное обучение с классическим поиском по ключевым словам. Consensus также использует ИИ для оценки качественных характеристик научных работ, которые затем применяются для ранжирования поиска.
В Consensus есть хорошая система фильтрации поиска.
Команды вроде "make a table of..." или "...in a table" в поиске (режим Pro) генерируют результаты поиска в табличном виде. Их можно скопировать вместе со ссылками на источники информации.
#справка #ИИ
⚛️ SearchGPT. OpenAI объявила о полномасштабном запуске 📹 веб-поиска в ChatGPT. Сейчас поиск доступен для Plus и Team пользователей, но постепенно круг пользователей будет расширяться.
OpenAI заключило партнерские соглашения с ведущими СМИ (AP, Reuters, FT и др.) и обещает:
• Интегрирование в SearchGPT поиска по актуальным данным
• Автоматическое определение необходимости поиска
• Сохранение контекста беседы при поиске
• Визуально обогащенные ответы для погоды, спорта, акций
⚛️ Perplexity (https://www.perplexity.ai). Первопроходец в ИИ-поиске. Сервис обещает:
* Ответы вместо ссылок: вместо списка страниц пользователь получает связный текст, написанный повседневным языком.
* Знания в реальном времени: поиск в Интернете в режиме реального времени, чтобы предоставить самую свежую информацию.
* Надежные источники . Ответы содержат ссылки на источники, из которых взята информация.
Выглядит это красиво. На деле:
* для поиска информации на английском языке нужно задавать вопрос на этом языке (deepl.com в помощь);
* трудно найти свежую информацию. Проблемы с ограничением запроса по времени + система просто не возвращает ссылки на публикации последних суток/недель.
На данный момент эта штука ничем не лучше ⚛️ Яндекс с нейро.
Кстати, интересно попросить ИИ-сервисы поиска порекомендовать “коллег” (Какие сервисы ИИ-поиска в интернете посоветуешь?/What AI-search services do you recommend?).
⚛️ Consensus (http://consensus.app/) Эта ИИ-система выдает результаты только из научных источников. Каждый тезис сопровождается ссылкой на источник. Кликнув на него можно получить краткий пересказ работы или посмотреть оригинал.
Для поиска наиболее релевантных статей Consensus использует гибридный подход, сочетающий машинное обучение с классическим поиском по ключевым словам. Consensus также использует ИИ для оценки качественных характеристик научных работ, которые затем применяются для ранжирования поиска.
В Consensus есть хорошая система фильтрации поиска.
Команды вроде "make a table of..." или "...in a table" в поиске (режим Pro) генерируют результаты поиска в табличном виде. Их можно скопировать вместе со ссылками на источники информации.
#справка #ИИ
Microsoft и NASA запускают ИИ-помощника Earth Copilot для облегчения работы с космическими данными
Объем геопространственных данных NASA превышает 100 петабайтов, и ожидается, что в ближайшие годы он увеличится в разы. Эти данные содержат сведения об атмосферных условиях, изменениях в почвенно-растительном покрове, температуре океана и многом другом, но разобраться в них могут только специалисты.
Earth Copilot призван упростить процесс поиска и извлечения информации из данных наблюдения Земли, собранных NASA. Пользователи смогут общаться с Copilot на естественном языке, задавая вопросы вроде как «Как повлиял ураган „Ян“ на остров Санибел?» или «Как пандемия COVID-19 повлияла на качество воздуха в США?». ИИ извлечет соответствующие наборы данных, сделав этот процесс простым и понятным.
В создании Earth Copilot NASA сотрудничает с Microsoft, используя Azure OpenAI для интеграции ИИ в свое хранилище данных.
Сейчас Earth Copilot доступен только для ученых и исследователей NASA, которые оценят возможности инструмента. Затем будут изучать возможность его интеграции в платформу визуализации, исследования и анализа данных NASA — VEDA.
Источник
#ИИ
Объем геопространственных данных NASA превышает 100 петабайтов, и ожидается, что в ближайшие годы он увеличится в разы. Эти данные содержат сведения об атмосферных условиях, изменениях в почвенно-растительном покрове, температуре океана и многом другом, но разобраться в них могут только специалисты.
Earth Copilot призван упростить процесс поиска и извлечения информации из данных наблюдения Земли, собранных NASA. Пользователи смогут общаться с Copilot на естественном языке, задавая вопросы вроде как «Как повлиял ураган „Ян“ на остров Санибел?» или «Как пандемия COVID-19 повлияла на качество воздуха в США?». ИИ извлечет соответствующие наборы данных, сделав этот процесс простым и понятным.
В создании Earth Copilot NASA сотрудничает с Microsoft, используя Azure OpenAI для интеграции ИИ в свое хранилище данных.
Сейчас Earth Copilot доступен только для ученых и исследователей NASA, которые оценят возможности инструмента. Затем будут изучать возможность его интеграции в платформу визуализации, исследования и анализа данных NASA — VEDA.
Источник
#ИИ
YouTube
NASA's new Earth Copilot brings Microsoft AI to democratize access to complex data
NASA geospatial data exceeds 100 petabytes and is expected to multiply in the coming years. This data is critical to understanding our world and addressing the complex challenges facing it. This data can be complex and inaccessible. That's why NASA collaborated…
Обнаружение болезней сельскохозяйственных культур на уровнях листа и поля: чего можно ожидать от искусственного интеллекта?
📖 Lebrini, Y., & Ayerdi Gotor, A. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. Agronomy, 14(11), 2719. https://doi.org/10.3390/agronomy14112719
Сельское хозяйство решает многочисленные задачи по увеличению производительности при одновременном снижении количества используемых химикатов и удобрений. Обзор посвящен прогрессу, достигнутому в использовании машинного обучения и дистанционного зондирования для обнаружения и идентификации болезней сельскохозяйственных культур, что может помочь фермерам: (1) выбрать правильное лечение, наиболее подходящее к конкретной болезни, (2) лечить болезни на ранних стадиях заражения и, (3) возможно, в будущем проводить лечение только там, где это необходимо или экономически выгодно. Уровень техники показывает значительный прогресс в обнаружении и идентификации болезней на уровне листа у большинства культивируемых видов. Гораздо меньший прогресс достигнут в обнаружении болезней на уровне поля, где окружающая среда сложна, и который пока реализован лишь для некоторых полевых культур.
📸 Блок-схема методики сбора данных по идентификации болезней растений с помощью искусственного интеллекта и дистанционного зондирования.
#ИИ #сельхоз
📖 Lebrini, Y., & Ayerdi Gotor, A. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. Agronomy, 14(11), 2719. https://doi.org/10.3390/agronomy14112719
Сельское хозяйство решает многочисленные задачи по увеличению производительности при одновременном снижении количества используемых химикатов и удобрений. Обзор посвящен прогрессу, достигнутому в использовании машинного обучения и дистанционного зондирования для обнаружения и идентификации болезней сельскохозяйственных культур, что может помочь фермерам: (1) выбрать правильное лечение, наиболее подходящее к конкретной болезни, (2) лечить болезни на ранних стадиях заражения и, (3) возможно, в будущем проводить лечение только там, где это необходимо или экономически выгодно. Уровень техники показывает значительный прогресс в обнаружении и идентификации болезней на уровне листа у большинства культивируемых видов. Гораздо меньший прогресс достигнут в обнаружении болезней на уровне поля, где окружающая среда сложна, и который пока реализован лишь для некоторых полевых культур.
📸 Блок-схема методики сбора данных по идентификации болезней растений с помощью искусственного интеллекта и дистанционного зондирования.
#ИИ #сельхоз