Nell'ambito dei labratori di ricerca di IBM è stato recentemente rilasciato TerraTorch (TT) 1.0, un framework innovativo pensato per rispondere alle esigenze della comunità scientifica che lavora con l’Intelligenza Artificiale (AI) applicata a dati geospaziali, climatici e ambientali.
Il suo obiettivo è rendere più semplice e modulare l’utilizzo dei cosiddetti modelli foundation, ovvero modelli pre-addestrati su grandi quantità di dati, adattandoli in modo flessibile a compiti specifici come classificazione, segmentazione, regressione o rilevamento di oggetti.
Uno dei principali punti di forza di TerraTorch è la sua architettura componibile: backbone, decoder e testate sono trattati come blocchi intercambiabili e ottimizzabili in base al tipo di dati e al problema da risolvere. In particolare, è stato introdotto un nuovo elemento, chiamato "neck", che funge da strato intermedio per connettere componenti di rete anche molto differenti tra loro, aumentando così la libertà progettuale dei ricercatori.
Grazie a un sistema basato su configurazioni in YAML e su una API Python intuitiva, TerraTorch permette di costruire e testare modelli complessi con facilità, riducendo il rischio di errori e migliorando la riproducibilità dei risultati. Inoltre, è integrato con TT Iterate, un plugin che consente di automatizzare la scelta dei migliori parametri e delle migliori combinazioni di componenti attraverso tecniche avanzate di ottimizzazione e ricerca architetturale (HPO e NAS).
Infine, TerraTorch gioca un ruolo centrale anche nel benchmarking di modelli foundation secondo lo standard GeoBench, contribuendo a stabilire criteri rigorosi per il confronto e la valutazione delle performance nell’ambito dell’AI geospaziale.
Il TerraTorch 1.0 su GitHub disponibile qui.
Esplora la documentazione qui.
--
Nell'immagine: "Riduzione dei ghiacciai nelle Alpi nel tempo — un tipico compito di segmentazione di immagini satellitari. Fonte: Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF)"
