Планетарный движок прогнозирования: автоматизация глобальных моделей через Earth ИИ

Google представила PPE для автоматического геопространственного прогнозирования

Google Research представила «Двигатель планетарного прогнозирования» (PPE) — экспериментальную систему в составе Google Earth ИИ, которая самостоятельно проходит весь цикл геопространственного моделирования: ищет и очищает данные, создаёт признаки, обучает и оценивает модели, а затем выпускает прогноз и подробный отчёт. PPE работает с запросами на естественном языке и уже показала улучшения в задачах общественного здравоохранения, продовольственной безопасности, экологических рисков и социально-экономического анализа. Система сокращает подготовку сложных моделей с нескольких недель ручной работы до нескольких минут.

Rama Pasumarthi, штатный инженер-программист, и Shravya Shetty, выдающийся инженер Google Research, объясняют, что для прогнозирования продовольственной безопасности, природных катастроф, распространения заболеваний и социально-экономической уязвимости нужны точные геопространственные модели. Их создание осложняет фрагментированная экосистема данных: специализированным командам приходится неделями вручную отбирать и очищать данные, конструировать признаки и проводить пространственную проверку.

Существующие системы автоматизированного машинного обучения и агенты ИИ на базе больших языковых моделей умеют автоматизировать стандартные конвейеры обработки данных, но обычно работают с заранее подготовленными табличными данными. Для самостоятельной работы с геопространственными данными им не хватает специализированных способностей. Поэтому аналитика планетарного масштаба остаётся узким местом, особенно когда во время гуманитарных кризисов нужен быстрый ответ.

Что такое PPE

PPE стала новой экспериментальной разработкой в рамках Google Earth ИИ. Ранее Google показывала, как Earth ИИ умеет рассуждать и объединять разные геопространственные источники. Теперь PPE выполняет полный цикл геопространственного прогнозирования по запросу на естественном языке: самостоятельно находит подходящие данные, очищает их, создаёт признаки, обучает и оценивает модели, а затем формирует итоговый прогноз и подробный отчёт.

Система показала улучшение на разных бенчмарках без ручного вмешательства. За счёт этого подготовка сложных моделей для задач планетарного масштаба занимает минуты вместо недель, которые раньше требовались для ручной инженерии данных.

PPE разделяет рабочий процесс на три модульных этапа, каждым из которых управляет большая языковая модель:

1. интеллектуальный выбор данных;

2. подготовка набора данных;

3. автоматизированное машинное обучение и прогнозирование.

Каждый этап независимо работает с чётко определёнными входными и выходными данными, что помогает избежать узких мест в конвейере обработки данных. Артефакты данных передаются между этапами через непрозрачные идентификаторы, а не помещаются целиком в запросы к моделям ИИ. Это позволяет не упираться в ограничения контекстного окна.

Блок-схема, подробно показывающая четыре этапа Planetary Prediction Engine — от выбора данных до создания итогового отчёта

Источник: research.google

Итогом становятся прогнозы и отчёт. Внутри каждого этапа используются готовые большие языковые модели, которые выполняют роль координаторов.

Результаты на разных задачах

PPE проверили на матрице, включавшей разные методы машинного обучения, географические регионы и научные области.

В 21 показателе здоровья CDC интеллектуальный выбор данных и объединение разных типов данных дали средний R² на уровне 76,8% против 60,0% у ручного экспертного конвейера обработки данных. Для национальных показателей риска FEMA средний R² составил 64,9% против базовых 60,0%, а для индекса социальной уязвимости — 66,2% против 58,6%.

В регионах, где мало данных, крупный региональный отчёт часто скрывает локальную уязвимость. PPE самостоятельно объединяет локальные рыночные потрясения, аномалии цен на продукты и показатели микроклимата. При детализации продовольственной безопасности с уровня провинции или штата ADM1 до уровня местного органа власти ADM2 система вдвое повысила точность по сравнению с базовым подходом: R² составил 66,1% против 31,5%. Это позволило построить подробные карты уязвимости для гуманитарных организаций.

Расположенные рядом карты Нигерии, сравнивающие фактическую и прогнозируемую распространённость групп потребления продуктов питания за декабрь 2025 года

Источник: research.google

Для оперативного прогнозирования новых очагов передачи инфекции во время вспышки эболавируса Бундибугьо в Демократической Республике Конго в 2026 году PPE получила полноту@10 на уровне 83,3%. За пять последовательных еженедельных прогнозов система правильно определила 15 из 18 вновь затронутых зон здравоохранения.

Это на 10,3 процентного пункта выше опубликованного передового базового результата байесовского моделирования — примерно 73%. Улучшение обеспечило объединение эпидемиологических сигналов с эмбеддингами PDFM и геопространственными признаками, которые выбрала PPE.

Во всех экспериментах проявилась польза от совместного применения структурированных статистических признаков и эмбеддингов базовых моделей. Ни один из этих типов данных по отдельности не даёт полной картины. Статистические признаки содержат явные и интерпретируемые сигналы, а эмбеддинги Population Dynamics и AlphaEarth Foundations передают сложные нелинейные закономерности, выученные на больших наборах данных во время предварительного обучения.

Исследования с последовательным исключением компонентов показали, что объединение разных типов данных вместе с интеллектуальным выбором источников стабильно превосходит базовые подходы. Эти представления дополняют друг друга, а не дублируют. В дальнейшем авторы хотят добавить новые геопространственные источники и эмбеддинги базовых моделей, включая мультимодальные эмбеддинги Remote Sensing Foundations.

Столбчатая диаграмма, показывающая, что Planetary Prediction Engine превосходит базовые подходы в пяти пространственных задачах

Источник: research.google

Вывод

PPE показала сопоставимые или улучшенные результаты в широком наборе геопространственных задач: от оценки распространённости хронических заболеваний в США до повышения детализации данных о продовольственной уязвимости в Нигерии и оперативного прогнозирования активных вирусных вспышек в Демократической Республике Конго.

Система объединяет интеллектуальный поиск данных, слияние эмбеддингов мультимодальных базовых моделей и автоматическую оптимизацию моделей. Это снижает технический порог для аналитики планетарного масштаба и позволяет быстрее разворачивать решения, когда от результата зависят срочные действия.

Google рассматривает эксперимент PPE как шаг к более широкому доступу к геопространственному прогнозированию. Вместо ручной инженерии данных исследователи, гуманитарные организации и государственные структуры могут сосредоточиться на формулировке гипотез и направлении анализа, не собирая отдельную команду специалистов по инженерии данных.

При этом PPE остаётся проектом на ранней стадии исследований. Google планирует изучать новые варианты применения системы для прогнозирования и решения сложных глобальных задач.

Авторы поблагодарили всех соавторов работы, а также Всемирную продовольственную программу ООН и команду Vulnerability Analysis and Mapping за данные и исследовательскую поддержку. В разработке прогнозирования вспышки Эболы в ДРК участвовал Institut National de Recherche Biomédicale. Также были отмечены команды Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth, предоставившие базовые данные и инфраструктуру моделей для PPE.