Планетарный движок прогнозирования: автоматизация глобальных моделей с помощью Earth ИИ

Google представила PPE для автоматизации геопространственного моделирования

Инженеры Rama Pasumarthi и Shravya Shetty из Google Research представили экспериментальную систему Planetary Prediction Engine (PPE) в рамках инициативы Google Earth ИИ. PPE самостоятельно проходит весь конвейер обработки геопространственных данных: находит и очищает данные, создаёт признаки, обучает и оценивает модели по запросу на естественном языке. В тестах система повысила точность прогнозов для задач общественного здравоохранения, продовольственной безопасности, экологических рисков и социально-экономической уязвимости, а разработку моделей сократила с нескольких недель ручной работы до нескольких минут.

Глобальные задачи — от прогноза продовольственной безопасности и риска природных катастроф до отслеживания вспышек заболеваний и картирования социально-экономической уязвимости — требуют подробных геопространственных моделей. Их создание осложняет разрозненная экосистема данных: специализированным командам приходится неделями вручную подбирать и очищать источники, конструировать признаки и проводить пространственную проверку.

Существующие инструменты автоматизированного машинного обучения и ИИ-агенты на базе LLM автоматизируют стандартные конвейеры машинного обучения, но работают с заранее подготовленными табличными данными. Специализированных способностей для самостоятельной работы с геопространственными данными у них нет. Поэтому аналитика планетарного масштаба остаётся узким местом, особенно когда во время гуманитарных кризисов нужен быстрый ответ.

Что такое PPE

PPE — новая экспериментальная исследовательская система в составе Google Earth ИИ, которая превращает планетарные данные в практические выводы. Ранее Google показывала, как Earth ИИ с помощью рассуждения объединяет разные геопространственные источники.

PPE получает геопространственный запрос на естественном языке и самостоятельно:

В тестах система улучшала результаты на разных бенчмарках без ручного вмешательства. В результате создание сложных моделей для планеты занимает минуты вместо недель, которые раньше требовались на ручную подготовку данных.

PPE разделяет конвейер прогнозирования на три модуля, каждый из которых координирует LLM:

1. интеллектуальный выбор данных;

2. подготовка набора данных;

3. автоматическое машинное обучение и прогнозирование.

Каждый этап работает независимо, используя чётко заданные входы и выходы. Артефакты данных передаются между этапами через непрозрачные идентификаторы, а не помещаются в запросы LLM. Это позволяет не упираться в ограничения контекстного окна.

Блок-схема с подробным описанием четырех этапов Planetary Prediction Engine: от отбора данных до формирования итогового отчета

Источник: research.google

Итоговый процесс PPE состоит из интеллектуального выбора данных, подготовки набора данных, автоматического машинного обучения и прогнозирования. На каждом этапе LLM выступает в роли оркестратора, а на выходе система создаёт прогнозы и отчёт.

Результаты тестов

Исследователи проверили PPE по матрице, включавшей разные подходы машинного обучения, географические регионы и научные области.

Для 21 показателя здоровья CDC интеллектуальный выбор данных и мультимодальное объединение источников дали средний R² 76,8% против 60,0% у ручного экспертного конвейера. Похожие результаты получили при прогнозировании национальных показателей риска FEMA: средний R² составил 64,9% против базовых 60,0%. Для индекса социальной уязвимости система достигла 66,2% против 58,6% у базового подхода.

В регионах с дефицитом данных общие отчёты по крупным территориям часто скрывают локальную уязвимость. PPE самостоятельно объединяет локальные рыночные потрясения, аномалии цен на продукты и показатели микроклимата. При детализации данных о продовольственной безопасности с уровня провинции или штата ADM1 до уровня местного района ADM2 система вдвое повысила точность относительно базового подхода: R² составил 66,1% против 31,5%.

Карты Нигерии, расположенные рядом, сравнивающие фактические и предсказанные показатели распространенности групп потребления продуктов питания за декабрь 2025 года

Источник: research.google

Для оперативного прогнозирования новых очагов передачи заболевания во время вспышки эболавируса Бундибугио в Демократической Республике Конго в 2026 году PPE получила показатель полноты Recall@10 на уровне 83,3%. Система правильно определила 15 из 18 медицинских зон, куда инфекция пришла впервые, в пяти последовательных еженедельных прогнозах.

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

Мультимодальное объединение

Во всех экспериментах исследователи заметили пользу от сочетания структурированных статистических признаков со скрытыми эмбеддингами базовых моделей. Ни один из двух типов данных по отдельности не даёт полной картины.

Статистические признаки предоставляют явные и интерпретируемые сигналы. Population Dynamics эмбеддинги и AlphaEarth Foundations кодируют сложные нелинейные закономерности, изученные на больших наборах данных во время предварительного обучения.

Исследования методом исключения компонентов показали, что мультимодальное объединение вместе с интеллектуальным выбором данных стабильно превосходит базовые подходы. Эти представления дополняют друг друга, а не дублируют. В дальнейшем команда хочет подключить больше геопространственных источников 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

PPE показала сопоставимые или более высокие результаты в разных задачах геопространственного прогнозирования: от оценки распространённости хронических заболеваний в США до детализации продовольственной уязвимости в Нигерии и оперативного прогнозирования активных вирусных вспышек в Демократической Республике Конго.

Интеллектуальный поиск данных, объединение мультимодальных базовых моделей и автоматическая оптимизация моделей снижают технический порог для аналитики планетарного масштаба. Это позволяет быстрее разворачивать прогнозы, когда решения нужно принимать в сжатые сроки.

Авторы считают, что PPE может сделать геопространственное прогнозирование доступнее. Система переносит внимание с ручной работы с данными на формулирование гипотез и постановку исследовательских задач. Исследователи, гуманитарные организации и государственные структуры смогут строить модели без специализированных инженерных команд.

PPE остаётся проектом на ранней стадии, и Google Research планирует изучать новые варианты применения этого подхода для прогнозирования и решения глобальных проблем.

В работе также участвовали другие соавторы. Google поблагодарила Всемирную продовольственную программу ООН (WFP) и команду Vulnerability Analysis and Mapping (VAM) за данные и исследовательскую поддержку, Institut National de Recherche Biomédicale (INRB) — за сотрудничество в прогнозировании распространения лихорадки Эбола в ДР Конго, а также команды Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth — за базовые данные и инфраструктуру моделей, на которых работает PPE.