Ai2, 전 지구 위성 임베딩 공개
최근 30일 조회수 — 좋아요 —핵심 요약
올모어스 v1.3은 위성 관측을 10m 픽셀 단위 벡터로 압축해 지도 제작과 변화 분석의 부담을 낮춘다.
앨런인공지능연구소(Ai2)가 위성 임베딩 모델 올모어스(OlmoEarth) v1.3과 전 지구의 연도별 사전 계산 임베딩을 22일 공개했다. 레이더와 다중분광 위성 관측을 재사용 가능한 수치 벡터로 압축해, 이용자가 원본 영상을 직접 저장하거나 고성능 그래픽처리장치(GPU)로 작업별 모델을 미세조정하는 부담을 줄인 것이 핵심이다. 로그인이나 전문 지식 없이 지도를 탐색·조정할 수 있는 웹 도구 ‘OlmoEarth Embeddings Explorer’도 함께 내놨다.1
올모어스 v1.3은 1년 동안 축적된 센티널-1(Sentinel-1) 레이더와 센티널-2(Sentinel-2)·랜드샛(Landsat) 다중분광 시계열을 읽고, 지구상의 10m 픽셀마다 128차원 벡터 하나를 만든다. 용량을 줄여야 할 때는 앞쪽 64차원만 따로 쓸 수 있다. Ai2는 이 결과를 전 지구 범위로 미리 계산해 데이터 공유 플랫폼 소스 코어퍼러티브(Source Cooperative)에 공개했다. 작물·토지 피복 지도나 변화 분석을 만들 때는 이 임베딩 위에 소형 분류기만 학습해 로컬 환경에서 실행할 수 있다는 설명이다.1
성능 평가는 알파어스 파운데이션스(AlphaEarth Foundations)와 테세라(Tessera) v2를 상대로 6개 대륙, 27개 과제에서 이뤄졌다. Ai2 발표에 따르면 128차원판은 27개 중 20개, 절반 크기인 64차원판은 18개 평가에서 가장 높은 점수를 기록했고, 종합 순위도 선두였다. 열대 농업의 작물 유형을 다루는 새 벤치마크 플랜터(PLANTEUR)에서는 분류기가 학습 때 보지 못한 지역으로 일반화하는 성능이 가장 높았다. 다만 이 수치는 개발사 자체 평가 결과이며, 공개된 자료에는 평가별 세부 점수나 경쟁 모델과의 격차가 제시되지 않았다.1
훈련 효율도 개선됐다. v1.3에 든 연산 시간은 v1.2의 53%, 최초 v1의 18%였고, 탄소 배출량은 각각 50%와 22% 수준이었다. 그러면서 미세조정 성능은 v1.2와 비슷하게 유지했다. 모델 가중치뿐 아니라 사전학습 데이터와 코드까지 공개해 결과를 검토하고 다른 작업에 적용할 여지도 열었다.1
실제 활용 사례로 Ai2는 페루 마드레데디오스 지역의 금 채굴 변화를 들었다. 연도별로 같은 픽셀의 벡터를 비교하자 20172020년에는 채굴지가 남동쪽으로 확산한 흔적이, 20202025년에는 단속 이후 달라진 변화 신호가 나타났다. 별도 모델 학습 없이 시간에 따른 변화를 찾을 수 있다는 점이, 전 지구 임베딩을 미리 계산해 공개한 이번 작업의 실용적 의미다.1
Footnotes
읽기 목록은 이 브라우저에 저장됩니다.
출처
- OlmoEarth v1.3: State-of-the-art embeddings for the whole planet | Ai2 — Allen Institute for AI
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요. 교차 보도 없이 단독 출처로 작성됐습니다.