Allen Institute crea una plataforma de IA que analiza imágenes satelitales de todo el planeta en pocos días
OlmoEarth procesa 150 billones de píxeles de imágenes de satélite usando miles de GPUs, democratizando el acceso a datos geoespaciales para investigación climática y ambiental.
El Allen Institute for AI ha presentado OlmoEarth, una plataforma que permite ejecutar modelos de inteligencia artificial sobre imágenes satelitales de toda la Tierra en cuestión de días, según informó en su blog oficial junto a Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados). Lo que antes podía tardar meses o requerir infraestructura millonaria ahora es accesible para equipos de investigación con presupuestos limitados, especialmente en estudios de cambio climático, agricultura y gestión de recursos naturales.
El desafío técnico era enorme: procesar 150 billones de píxeles de las imágenes de satélite Sentinel-2 (un programa de observación terrestre de la Agencia Espacial Europea que toma fotos detalladas de toda la superficie del planeta cada pocos días) requiere orquestar miles de GPUs (chips especializados en cálculos paralelos, esenciales para entrenar y ejecutar modelos de IA) trabajando de forma coordinada. OlmoEarth utiliza Apache Beam (un framework de código abierto diseñado para procesar cantidades masivas de datos de forma distribuida) sobre Google Cloud Dataflow, dividiendo el planeta en sectores manejables que se procesan en paralelo.
La plataforma ya ha demostrado su capacidad con Clay Foundation Model (un modelo de IA geoespacial entrenado con millones de imágenes satelitales para detectar patrones en la superficie terrestre), procesando toda la masa continental del planeta en apenas 30 horas usando 4.000 GPUs L4. Los investigadores han publicado embeddings globales (representaciones matemáticas comprimidas de las imágenes que los modelos de IA pueden interpretar y comparar entre sí) de 10 metros de resolución, permitiendo aplicaciones que van desde mapeo de cultivos hasta detección de inundaciones o seguimiento de deforestación.
La infraestructura es completamente reproducible y está documentada en GitHub, con ejemplos prácticos para ejecutar modelos propios. Esto marca un punto de inflexión: organizaciones pequeñas, ONGs o equipos académicos pueden ahora realizar análisis geoespaciales a escala planetaria que antes solo estaban al alcance de gobiernos o grandes corporaciones tecnológicas. El equipo planea ampliar la plataforma para incluir otros sensores satelitales y facilitar el fine-tuning (ajuste de un modelo preentrenado con datos específicos para especializarlo en una tarea concreta) de modelos para aplicaciones particulares.
