Modele Bazowe: Transformacja Przyszłości Analityki Przestrzennej

Dlaczego te modele mają znaczenie

Obiecującym potencjałem modeli dynamiki populacji jest ich zdolność wychwytywania złożonych wzorców przemieszczania się ludzi i ich zachowań na podstawie danych pochodzących ze zdjęć satelitarnych, urządzeń mobilnych, punktów POI (Points of Interest) i innych źródeł. Podczas gdy tradycyjne podejścia opierały się na danych statycznych lub ręcznej agregacji, modele bazowe umożliwiają ciągłe, zautomatyzowane i adaptowalne prognozy na niespotykaną dotąd skalę. Oto kilka przykładów, w jaki sposób te modele mogą wpłynąć na rozwój:

• Reagowanie na katastrofy: szybkie szacowanie wpływu trzęsień ziemi, powodzi lub pożarów na populację, nawet przy braku aktualnych danych spisowych. 
• Planowanie urbanistyczne i regionalne: przewidywanie, gdzie w przyszłości będzie potrzebna infrastruktura, zabudowa mieszkaniowa lub usługi na podstawie prognozowanych zmian rozmieszczenia ludności. 
• Telekomunikacja i retail: optymalizacja rozbudowy sieci lub lokalizacji sklepów poprzez przewidywanie zmian w miejscach, w których klienci mieszkają, pracują i się przemieszczają. 
• Epidemiologia: modelowanie rozprzestrzeniania się chorób dzięki szczegółowej analizie przemieszczania się ludzi i ich koncentracji w określonych miejscach. 
• Ubezpieczenia i modelowanie ryzyka: cena ekspozycji na ryzyko poprzez powiązanie zmian gęstości zaludnienia ze scenariuszami klimatycznymi lub gospodarczymi. 

Walidacja Google Population Dynamics Foundation Model z wykorzystaniem CARTO

W CARTO z dużym zainteresowaniem obserwujemy, co ta nowa klasa modeli może oznaczać dla naszej branży i użytkowników. Aktywnie badamy ich zastosowania, przeprowadzamy eksperymenty, porównujemy je z naszymi własnymi zbiorami danych i sprawdzamy, jak mogą usprawnić podejmowanie decyzji przestrzennych. Jednak pierwszym krokiem było sprawdzenie, jak wypadają na tle tradycyjnych metod analityki geoprzestrzennej, z których korzystamy od lat. 

Aby przetestować Google Population Dynamics Foundation Model, przeprowadziliśmy wewnętrzny eksperyment z wykorzystaniem CARTO Workflows – naszego narzędzia low-code do automatyzacji pipeline’ów analiz przestrzennych.

Nasz cel? Przewidzieć jedną z kluczowych funkcji przestrzennych CARTO:  Human Activity Index, opatentowanego indeksu złożonego, który kwantyfikuje aktywność człowieka na Ziemi poprzez połączenie danych dotyczących populacji, punktów POI, natężenia oświetlenia nocnego oraz masztów komórkowych.

Wskaźnik ten jest powszechnie wykorzystywany przez naszych klientów do wspierania decyzji związanych z wyborem lokalizacji w sektorze retail, planowaniem infrastruktury oraz analizą mobilności, ponieważ zapewnia szczegółowy i spójny w skali globalnej obraz tego, gdzie i kiedy ludzie są aktywni. 

W tym celu stworzyliśmy poniższy workflow: 

‍

Analiza składa się z następujących etapów:

• Przygotowanie danych: centroid każdego obszaru ZIP Code Tabulation Area (ZCTA) został przypisany do odpowiadającej mu komórki H3 o rozdzielczości 8, aby umożliwić połączenie danych z Human Activity Index z CARTO Spatial Features.

• Wybór cech: jako zmienne predykcyjne wykorzystaliśmy embeddingi PDFM (łącznie 330 cech).
• Podział na zbiory treningowe i testowy: Zbiór danych podzielono losowo na podzbiór treningowy (70%) i testowy (30%) w celu oceny możliwości generalizacji modelu.
• Trening i ewaluacja modelu: wykorzystując rozszerzenie CARTO Workflows dla BigQuery ML, wytrenowaliśmy kilka modeli regresyjnych (patrz poniżej). Najlepsze wyniki osiągnął model regresji Random Forest.

‍

Tworzenie modelu w CARTO Workflows 

Rezultat? Wartość R² wyniosła 0,922 dla zbioru treningowego i 0,882 dla zbioru testowego. Oznacza to, że Google PDFM jest w stanie wyjaśnić niemal 90% zmienności aktywności człowieka mierzonej za pomocą indeksu CARTO, również w przypadku danych, których model wcześniej nie analizował. Ten poziom dokładności wyraźnie wskazuje, że model w sensowny sposób odwzorowuje rzeczywiste wzorce i dynamikę zachowań. Poniższa mapa przedstawia wartości przewidywane na podstawie embeddingów Google PDFM w porównaniu z CARTO Human Activity Index. 

Wyniki te pokazują, że embeddingi modelu bazowego Google oraz CARTO Human Activity Index wychwytują część tych samych zależności, mimo że zostały opracowane na podstawie zupełnie różnych źródeł danych i metodologii. 

PDFM został wytrenowany na ogromnych, zróżnicowanych i często nieustrukturyzowanych globalnych zbiorach danych, podczas gdy indeks CARTO jest starannie opracowanym produktem domenowym, zbudowanym na podstawie wyselekcjonowanych wskaźników przestrzennych. Silna korelacja między wynikami obu podejść potwierdza elastyczność i potencjał modelu bazowego Google: nauczył się on uogólniać wzorce aktywności człowieka w sposób zgodny ze wskaźnikami opracowanymi przez ekspertów. 

Stanowi to mocną walidację krzyżową: dla CARTO, poprzez potwierdzenie skuteczności naszych wskaźników przestrzennych, i dla Google, pokazując praktyczne znaczenie embeddingów PDFM w różnych regionach geograficznych i obszarach zastosowań. 

Kierunek rozwoju: geoprzestrzenne modele bazowe zmienią sposób prowadzenia analiz przestrzennych 

Obecne modele, takie jak Google PDFM, już dziś pokazują imponujące możliwości w zakresie identyfikowania wzorców aktywności człowieka w czasie i przestrzeni. W CARTO postrzegamy te osiągnięcia jako ogromny krok naprzód dla branży geoprzestrzennej i koncentrujemy się na ich dalszym rozwoju. Aktywnie pracujemy nad udoskonalaniem tych modeli w kluczowych obszarach, które naszym zdaniem mogą uczynić je jeszcze bardziej wydajnymi i użytecznymi. Na przykład:

• Wyjście poza granice administracyjne: embeddingi PDFM Google są agregowane według obszarów ZCTA lub hrabstw, których wielkość różni się w zależności od regionu i może nie odzwierciedlać „naturalnych” wzorców. Wykorzystanie standardowych indeksów przestrzennych, takich jak H3 lub Quadkeys, umożliwia bardziej spójne modelowanie w skali globalnej.
• Inteligentny dobór danych: modele bazowe wymagają dużych ilości danych, ale większa ich liczba nie zawsze oznacza lepsze rezultaty. Staranny dobór zmiennych sygnałowych dotyczących mobilności, infrastruktury, użytkowania gruntów oraz zdarzeń ze świata rzeczywistego może sprawić, że modele będą zarówno bardziej interpretowalne, jak i bardziej odporne. 
• Fine-tuning dla lokalnych zastosowań: Podczas gdy modele fundamentowe świetnie sprawdzają się w kontekście globalnej spójności, dokładna optymalizacja pod kątem konkretnych regionów (miejskich i wiejskich, rozwijających się i rozwiniętych) lub konkretnych zastosowań (reagowanie na katastrofy, logistyka lub planowanie urbanistyczne) pozwoli uzyskać jeszcze dokładniejsze i bardziej praktyczne wnioski.
• Przejrzysta i wyjaśnialna sztuczna inteligencja: zapewnienie, że wyniki generowane przez te złożone modele mogą być rzeczywiście wykorzystywane do wspierania realnych decyzji, pozostaje jednym z kluczowych wyzwań. 

Udostępnianie modelowania populacji nowej generacji wszystkim użytkownikom dzięki CARTO Workflows

W CARTO zależy nam na tym, aby jak najszybciej i jak najprościej udostępniać użytkownikom nowe, zaawansowane możliwości. Dlatego modele bazowe dynamiki populacji udostępniamy bezpośrednio w CARTO Workflows oraz za pośrednictwem komponentów opartych na SQL. Naszym celem jest umożliwienie analitykom, planistom i data scientists korzystania z tych modeli w codziennej pracy bez konieczności posiadania specjalistycznej wiedzy z zakresu AI. 

Jeszcze większy potencjał widzimy w połączeniu tych modeli z CARTO AI Agents — podejściem, które zaprezentowaliśmy podczas keynote SDSC25 „The Future Interface of Geography”. Połączenie modeli bazowych z agentowymi przepływami pracy otwiera nowe możliwości, które jeszcze niedawno były trudne do wyobrażenia. 

Skontaktuj się z nami, aby uzyskać wczesny dostęp i omówić, w jaki sposób narzędzia te mogą być zastosowane w Twoim konkretnym przypadku.

Jeśli interesuje Cię tworzenie kolejnej generacji geoprzestrzennych modeli bazowych, chętnie się z Tobą skontaktujemy. Współpracujemy z czołowymi organizacjami badawczymi i dysponujemy mocą obliczeniową potrzebną do prowadzenia eksperymentów oraz skalowania rozwiązań. Dołącz do nas i pomóż nam kształtować przyszłość spatial AI.

‍

Autor: Miguel Álvarez

Tłumaczenie: OPGK Rzeszów