TL;DR
- امروز،.
- ما Groundsource را معرفی میکنیم،.
- یک روش مقیاسپذیر جدید که از Gemini برای تبدیل اخبار بدون ساختار جهانی به دادههای عملیاتی و تاریخی.
چه اتفاقی افتاد
امروز،. ما Groundsource را معرفی میکنیم،.
یک روش مقیاسپذیر جدید که از Gemini برای تبدیل اخبار بدون ساختار جهانی به دادههای عملیاتی و تاریخی. استفاده میکند.
اولین مجموعه داده منبع زمینی با دسترسی باز ما برای سیلهای ناگهانی شهری شامل 2. 6 میلیون رکورد است که راه را برای پیش بینیهای دقیقتر و نجات دهنده زندگی هموار.
میکند. بلایای طبیعی تهدیدی مستمر برای جمعیت و اقتصاد جهانی است.
آنها هر ساله میلیونها نفر را تحت تأثیر قرار میدهند و میلیاردها دلار خسارت مستقیم به. بار میآورند.
برای پیشبرد تحقیقات آب و هوایی و در نهایت ارائه هشدارهای کافی به جوامع در مورد بلایای طبیعی. بهطوری که آنها بتوانند ایمن بمانند،.
خطوط پایه تاریخی قوی بسیار مهم است. دادههای تاریخی دانشمندان را در سراسر جهان قادر میسازد تا از طریق مدلسازی هیدرولوژیکی و اعتبارسنجی پیشبینیهای آیندهنگر.
در شواهد تجربی،. خطرات را بهتر کاهش دهند.
سوابق تاریخی همچنین کاربردهای عملی از برنامهریزی شهری گرفته تا بیمه و پاسخ اضطراری را نشان میدهد. به همین دلیل است که امروز،.
Groundsource را معرفی میکنیم - چارچوبی مقیاسپذیر برای استخراج حقیقت زمینی تأیید شده از دادههای بدون ساختار،. که به ما امکان میدهد ردپای تاریخی بلایا را با دقت بیسابقهای ترسیم کنیم.
ما ابتدا از این روش برای ایجاد یک استفاده کردیم مجموعه داده جهانی منحصر به فرد برای سیل. های ناگهانی،.
شامل 2. 6 میلیون رویداد تاریخی سیل در بیش از 150 کشور است.
ما این مجموعه داده سیلهای ناگهانی را به صورت آشکار در دسترس قرار میدهیم تا منبع. قابل اعتمادی از دادههای با کیفیت بالا ارائه کنیم که میتواند به مدل سازی و پیش.
بینی سیلهای ناگهانی در مناطق شهری کمک کند. همین روش میتواند بهطور بالقوه برای ایجاد مجموعه دادههای تاریخی برای سایر خطرات برای تسریع تلاشهای تابآوری در.
برابر بحران جهانی استفاده شود. چالش:.
کمبود دادههای جهانی در حالی که برخی از بلایای طبیعی،. مانند رویدادهای لرزهای،.
توسط شبکههای حسگر جهانی یکپارچه ردیابی میشوند،. خطرات آب و هواشناسی مانند سیل فاقد زیرساخت رصد استاندارد هستند.
پیشبینی دقیق سیلهای ناگهانی مدت هاست که به دلیل فقدان دادههای تاریخی باکیفیت و جهانی برای آموزش و اعتبارسنجی. مدل به شدت با مشکل مواجه شده است.
این "صحرای داده" چالشی حیاتی ایجاد میکند. آرشیوهای موجود،.
مانند پایگاه داده سیل جهانی مبتنی بر ماهواره (GFD) و رصدخانه سیل دارتموث (DFO)،. ردپای سیلابی ارزشمندی را ارائه میدهند،.
اما با محدودیتهای فیزیکی مانند تداخل ابرها،. زمان بازدید مجدد ماهوارهها،.
و تمایل به ثبت تنها بلایای بزرگ و طولانی مدت مواجه هستند. سیستم جهانی هشدار و هماهنگی بلایای طبیعی (GDACS) - ابتکار مشترک ملل و کمیسیون اروپا برای نظارت بر.
تأثیرات بشردوستانه - دادههای ضروری را با موجودی تقریباً 10000 ورودی است،. اما عمدتاً بر روی رویدادهای با تأثیر زیاد متمرکز است.
در حالی که 10000 رکورد ممکن است قابل توجه به نظر برسند،. آنها نشان دهنده کاهش در سطل در مقایسه با دادههای مورد نیاز برای آموزش و تأیید هوش.
مصنوعی در مقیاس جهانی است. کمبود دادهها به ویژه برای بلایای محلی یا سریع،.
مانند سیلهای ناگهانی،. مشکل ساز است،.
زیرا این رویدادها اغلب در پایگاههای داده خطرات سنتی ثبت نمیشوند،. ایجاد مدلهای پیش بینی با قابلیت اطمینان در مقیاس جهانی تقریبا غیرممکن است.
Groundsource:. تبدیل گزارشهای خبری به دادهها با Gemini برای رسیدگی به این کمبود دادههای جهانی،.
Groundsource جزئیات سیل را با تجزیه و تحلیل گزارشهای خبری موجود بررسی میکند و اطلاعات عمومیرا به. یک آرشیو رویدادی ساختاریافته و محلی تبدیل میکند که بیش از 150 کشور را پوشش میدهد و از.
سال 2000 تا کنون را پوشش میدهد. نوآوری اصلی Groundsource در توانایی آن در استفاده از هوش مصنوعی پیشرفته برای استخراج سیگنالها از رسانه.
های خبری جهانی است. دادههای بدون ساختار فراوانی در مورد رویدادهای تاریخی - مقالات خبری،.
گزارشهای دولتی و بولتنهای محلی - وجود دارد،. اما استخراج دستی این اطلاعات در مقیاس غیرممکن است.
روششناسی ما گزارشهای خبری را تحلیل میکند که در آن سیل موضوع اصلی است. سپس از Google Read Aloud کاربر-عامل برای جداسازی متن اصلی از 80 زبان استفاده میکنیم که از طریق.
Cloud Translation API به انگلیسی استاندارد شده است. حیاتیترین مرحله فرآیند استخراج با استفاده از مدل زبان بزرگ Gemini (LLM) انجام میشود.
ما دستور پیچیدهای را طراحی کردیم که Gemini را از طریق یک فرآیند راستیآزمایی تحلیلی دقیق راهنمایی میکند:. طبقهبندی:.
این مدل بین گزارشهای سیلهای واقعی،. جاری یا گذشته و مقالاتی که صرفاً در مورد هشدارهای آینده،.
جلسات خطمشی یا مدلسازی کلی خطر بحث میکنند،. تمایز قائل میشود.
استدلال زمانی: جمینی مراجع نسبی (مثلاً سهشنبه) را در برابر «الاس» لنگر میاندازد. تاریخ انتشار یک مقاله برای تعیین زمان دقیق رویداد.
دقت فضایی:. سیستم مکانهای دانهبندی (محلهها و خیابانها) را شناسایی میکند و با استفاده از پلتفرم نقشههای Google آنها را.
به چندضلعیهای فضایی استاندارد نقشهبرداری میکند. در بررسیهای دستی،.
متوجه شدیم که 60 درصد رویدادهای استخراج شده هم از نظر مکان و هم از نظر زمان دقیق. هستند.
مهمتر از همه،. 82 ٪ به اندازه کافی دقیق بودند که عملاً برای تجزیه و تحلیل دنیای واقعی مفید باشند -.
بهعنوان مثال،. با گرفتن منطقه اداری صحیح یا مشخص کردن رویداد در یک روز پس از اوج گزارش آن.
پوشش ارائه شده توسط Groundsource نشان دهنده گسترش گستردهای در بایگانیهای موجود است. با تبدیل رسانههای بدون ساختار به داده، ما 2.
6 میلیون رویداد ایجاد کرده ایم - افزایش قابل توجهی در مقایسه با رکوردهای سنتی موجود. سیستمهای نظارت علاوه بر این،.
تطابق مکانی و زمانی نشان میدهد که Groundsource بین 85 تا 100 درصد از رویدادهای سیل شدید ثبت. شده توسط GDACS بین سالهای 2020 و 2026 را ثبت کرده است،.
که نشاندهنده اثربخشی آن در شناسایی بلایای پرتأثیر در کنار رویدادهای کوچکتر و محلی است. تأثیر:.
امکان پیشبینی بهتر بلایای طبیعی با استفاده از این دادههای غنی و ساختاریافته،. ما به توانایی ارائه پیشبینیهای تقریباً جهانی سیلهای ناگهانی شهری حداکثر تا 24 ساعت قبل از رویداد دست.
یافته ایم. ما اکنون این پیشبینیها را در Flood Hub Google بهطور قابلتوجهی گسترش میدهیم که پوشش سیل را برای.
Google گسترش میدهد. این کار به خانواده مدلهای جغرافیایی و مجموعه دادههای هوش مصنوعی Google Earth ما میپیوندد و با نشان.
دادن اینکه LLMها میتوانند بهطور سیستماتیک «حافظه غیرساختیافته» جهان را به یک پایگاه خبری قوی تبدیل کنند،. رهبری علمیرا در فضای انعطافپذیری بحران نشان میدهد.
علاوه بر این،. این روش این پتانسیل را دارد که برای رسیدگی به شکافهای دادهها برای سایر خطرات طبیعی.
که فاقد سوابق تاریخی دقیق هستند،. مانند خشکسالی،.
رانش زمین،. و بهمن استفاده شود.
با تبدیل اخبار جهان به دادههای عملی،. ما فقط گذشته را مستند نمیکنیم،.
بلکه در حال ساختن اطلاعات بیشتری هستیم. آینده تاب آور ما در حال حاضر در حال اصلاح مدل خود هستیم،.
برای گسترش پوشش خود به مناطق روستایی بیشتر و ادغام منابع داده جدید کار میکنیم. با حرکت رو به جلو،.
ما این رویکرد را در مورد انواع خطرات دیگر که فقدان دادههای واقعی بهطور سنتی پیشبینی بحرانها را. غیرممکن میکند،.
به کار میبریم و به سمت آیندهای کار میکنیم که در آن هیچ جامعهای از یک بلای طبیعی. غافلگیر نشود.
قدردانی افراد زیادی در توسعه این تلاش مشارکت داشتند. مایلیم از:.
آمیتای سیچرمن،. آوینتان حسیدیم،.
دبورا کوهن،. فردریک کراتزرت،.
گیلا لوئیک،. گری نیرینگ،.
ایدو زماچ،. ژولیت روتنبرگ،.
مورال بوتبول،. اولگ زلیدنکو،.
اورن گیلون،. روون سایاگ،.
روتم مایو،. شوموئل ماتسان،.
و یوناسان فورن،. تشکر ویژه کنیم.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.