Планетарный движок прогнозирования: автоматизация глобальных моделей в Earth AI

Google представила PPE для автономного геопространственного анализа

Google Research представила Planetary Prediction Engine (PPE) — экспериментальную систему в рамках Google Earth ИИ, которая сама проходит весь цикл геопространственного моделирования: находит и очищает данные, создаёт признаки, обучает и проверяет модели, а затем формирует прогнозы и отчёт по запросу на естественном языке. PPE улучшила результаты на задачах общественного здравоохранения, продовольственной безопасности и экологических рисков. В ряде сценариев система сокращает подготовку моделей с нескольких недель ручной работы до нескольких минут. Например, при детализации оценки продовольственной безопасности в Нигерии PPE достигла R² 66,1% против 31,5% у базового подхода.

Что такое PPE

Прогнозирование продовольственной безопасности по регионам, оценка риска стихийных бедствий, отслеживание вспышек заболеваний и картирование социально-экономической уязвимости требуют точных геопространственных моделей. Но экосистема данных остаётся разрозненной: специализированным командам приходится неделями вручную отбирать и очищать данные, создавать признаки и проводить пространственную проверку.

Существующие системы автоматизации машинного обучения и ИИ-агенты на основе больших языковых моделей умеют работать со стандартными рабочими процессами. Однако им обычно нужны заранее подготовленные табличные данные, а специализированных возможностей для самостоятельной работы с геопространственными задачами у них нет. Поэтому аналитика планетарного масштаба остаётся узким местом, особенно когда во время гуманитарных кризисов требуется быстрый ответ.

PPE получает запрос на геопространственное прогнозирование на естественном языке и самостоятельно выполняет весь рабочий процесс: находит подходящие данные планетарного масштаба, очищает их, создаёт признаки, обучает и оценивает модели, а затем готовит подробный отчёт. Ранее Google показывала, как Earth ИИ объединяет разные геопространственные источники с помощью рассуждения.

Система переводит подготовку сложных моделей с недель, включающих ручную работу с данными, на несколько минут автономного анализа.

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

Источник: research.google

Рабочий процесс PPE разделён на три модульные стадии, каждой управляет большая языковая модель:

Стадии работают независимо, используя чётко определённые входы и выходы. Артефакты данных передаются между ними через непрозрачные идентификаторы, а не встраиваются в запросы ИИ-агентов. Это позволяет не упираться в ограничения контекстного окна.

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

Источник: research.google

Результаты на разных задачах

Google проверила PPE на матрице, включавшей разные методы машинного обучения, регионы и научные области.

На 21 показателе здоровья CDC интеллектуальный выбор данных и объединение мультимодальных признаков дали средний R² 76,8% против 60,0% у рабочего процесса, собранного вручную экспертами. При прогнозировании национальных показателей риска FEMA система получила средний R² 64,9% против базовых 60,0%. Для индекса социальной уязвимости результат составил 66,2% против 58,6%.

В регионах, где мало данных, сводки на уровне крупных территорий скрывают локальную уязвимость. PPE самостоятельно объединяет сведения о локальных рыночных потрясениях, аномалиях цен на продукты и микроклимате. Благодаря этому система вдвое повысила точность детализации продовольственной безопасности: с уровня провинции или штата ADM1 до уровня местного органа управления ADM2. R² вырос с 31,5% до 66,1%, что позволяет гуманитарным организациям получать более подробные карты уязвимости.

Карты Нигерии, расположенные рядом, сравнивающие фактическую и прогнозируемую распространённость групп потребления продовольствия за декабрь 2025 года

Источник: research.google

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

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

Объединение разных типов данных

Во всех экспериментах проявилась ценность совместного использования 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. Эмбеддинги Population Dynamics эмбеддинги и AlphaEarth Foundations кодируют сложные нелинейные закономерности, полученные из больших наборов данных на этапе предварительного обучения.

Абляционные исследования показали, что объединение мультимодальных представлений с интеллектуальным выбором данных стабильно превосходит базовые подходы. Эти представления дополняют друг друга, а не дублируют. В дальнейшем Google планирует расширить систему новыми геопространственными источниками и эмбеддингами базовых моделей, включая мультимодальные представления 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 более высокие результаты на разных задачах геопространственного прогнозирования: от оценки распространённости хронических заболеваний в США до детализации продовольственной небезопасности в Нигерии и оперативного прогнозирования активных вирусных вспышек в Демократической Республике Конго.

Система объединяет интеллектуальный поиск данных, мультимодальные базовые модели и автоматическую оптимизацию моделей. Это снижает технический порог для аналитики планетарного масштаба и ускоряет развёртывание решений, когда от прогноза зависят срочные действия.

Google рассматривает PPE как экспериментальный исследовательский проект на ранней стадии. Подход переносит фокус с ручной работы с данными на постановку гипотез и может помочь исследователям, гуманитарным организациям и государственным структурам строить модели без специализированных инженерных команд.

В работе участвовали соавторы исследования, Всемирная продовольственная программа ООН и команда Vulnerability Analysis and Mapping, предоставившие данные и исследовательскую поддержку. В проекте по оперативному прогнозированию эболы в ДРК сотрудничала организация Institut National de Recherche Biomédicale. Инфраструктуру данных и моделей для PPE также обеспечили команды Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth.