OlmoEarth v1.1 reduce hasta 3 veces el coste de IA

OlmoEarth v1.1 reduce hasta tres veces el coste computacional de sus modelos para analizar imágenes de satélite, según Allen Institute for AI. La nueva familia busca mantener un rendimiento similar al de OlmoEarth v1 mientras permite procesar mapas de áreas enormes con menos tiempo y recursos.

El modelo está pensado para tareas como seguir la evolución de los manglares, identificar las causas de la pérdida de bosques o crear mapas de cultivos a escala nacional. Sus socios ya han utilizado OlmoEarth en proyectos que cubren superficies nacionales, continentales y globales.

Menos coste para analizar más territorio

Procesar imágenes de satélite no consiste solo en ejecutar un modelo. El flujo completo incluye exportar los datos, prepararlos, hacer la predicción y procesar los resultados. De todas esas etapas, el cálculo necesario para ejecutar el modelo es la parte más costosa.

Reducir ese coste tiene un efecto práctico: permite actualizar mapas planetarios con más frecuencia y hace que la tecnología sea más accesible para equipos que no cuentan con grandes infraestructuras. También puede acelerar el ajuste del modelo a tareas concretas, como distinguir tipos de cultivos en una región.

OlmoEarth v1.1 ofrece modelos de tres tamaños: Base, Tiny y Nano. Así, cada organización puede elegir entre mayor capacidad y menor consumo, según el presupuesto de computación disponible.

El cambio está en cómo lee las imágenes

OlmoEarth utiliza una arquitectura llamada transformer, habitual en muchos sistemas actuales de inteligencia artificial. Para analizar una imagen de satélite, primero la divide en fragmentos y convierte cada uno en un token, una pequeña unidad de información que el modelo puede procesar.

En las imágenes de Sentinel-2, el sistema original generaba tokens separados para cada resolución espacial. Como las imágenes pueden incluir varias fechas, resoluciones y bandas de color, la cantidad de tokens crece rápidamente. Y en los transformers, el coste aumenta de forma cuadrática cuando aumenta esa secuencia.

La versión 1.1 combina la información de las distintas resoluciones en un solo token. Esto reduce aproximadamente tres veces la cantidad de tokens y, con ello, el trabajo necesario durante el entrenamiento y la ejecución.

El cambio no era automático. Una combinación sencilla provocaba una caída de 10 puntos porcentuales en una prueba habitual de clasificación de imágenes de teledetección, llamada m-eurosat kNN. Para evitarlo, el equipo modificó la forma en que entrenaba el modelo antes de publicarlo.

Qué cambia para quienes ya usan OlmoEarth

Allen Institute for AI afirma que OlmoEarth v1.1 ofrece un rendimiento similar al de la versión anterior en una combinación de pruebas de investigación y tareas creadas con socios. Aun así, reconoce que se han observado algunas regresiones, por lo que el resultado puede variar según el caso de uso.

La recomendación para quienes utilizan OlmoEarth v1 es probar la nueva versión en sus propios proyectos. Si mantiene el rendimiento necesario, el beneficio puede ser considerable: hasta un tercio del coste de computación y una ejecución más rápida durante el ajuste y la inferencia.

La importancia de este lanzamiento va más allá de una versión más barata. Al entrenar v1.1 con el mismo conjunto de datos que v1, el equipo puede estudiar mejor cuánto influyen la arquitectura y el método de entrenamiento en los resultados. El siguiente paso será comprobar en qué tareas la reducción de tokens conserva la precisión y en cuáles todavía hace falta mantener el diseño original.