20 ต.ค. Geospatial Foundation Models เมื่อ AI เรียนรู้โลก เพื่อต่อยอดงานวิเคราะห์เชิงพื้นที่ได้หลากหลาย

Geospatial Foundation Models คืออะไร? ทำความรู้จัก GeoAI ที่กำลังเปลี่ยนวิธีทำงานกับข้อมูลภูมิศาสตร์

เมื่อพูดถึง AI กับงานด้านภูมิศาสตร์หรือ GIS หนึ่งในตัวอย่างที่คุ้นเคยคือการใช้ภาพถ่ายดาวเทียมเพื่อค้นหาอาคาร สำรวจพื้นที่เกษตร หรือจำแนกวัตถุบนพื้นผิวโลก ซึ่งเป็นหนึ่งในงานสำคัญของ GeoAI อย่างไรก็ตาม โมเดล AI ที่พัฒนาขึ้นเพื่อทำงานเฉพาะด้านอาจต้องผ่านการฝึกหรือปรับแต่งเพิ่มเติมเมื่อนำไปใช้กับโจทย์อื่น ทำให้การประยุกต์ใช้ AI กับงานที่หลากหลายยังมีข้อจำกัดด้านข้อมูลและกระบวนการพัฒนาโมเดล

Geospatial Foundation Models (GeoFM) เป็นหนึ่งในพัฒนาการสำคัญของ GeoAI โดยฝึกโมเดลให้เรียนรู้รูปแบบและคุณลักษณะจากข้อมูลเชิงพื้นที่จำนวนมาก ก่อนนำความรู้ที่ได้ไปต่อยอดกับงานวิเคราะห์หลายประเภท ตั้งแต่การทำความเข้าใจภาพถ่ายดาวเทียม การค้นหาพื้นที่ที่มีลักษณะคล้ายกัน ไปจนถึงการวิเคราะห์ภาพด้วยภาษาธรรมชาติ แนวคิดนี้ช่วยเพิ่มความยืดหยุ่นในการนำ AI ไปใช้กับงานด้านภูมิศาสตร์ โดยไม่จำเป็นต้องเริ่มพัฒนาโมเดลใหม่ตั้งแต่ต้นสำหรับทุกโจทย์

ลองเปรียบเทียบง่าย ๆ ว่า

• โมเดลแบบเดิม เหมือนนักเรียนที่ติวมาเฉพาะข้อสอบวิชาเดียว
• Foundation Model เหมือนคนที่เรียนรู้โลกมาอย่างกว้างขวางก่อน แล้วนำความเข้าใจพื้นฐานนั้นไปต่อยอดกับโจทย์ได้หลายแบบ

Geospatial Foundation Models คืออะไร?

Geospatial Foundation Models (GeoFM) คือโมเดล AI ที่ได้รับการฝึกด้วยข้อมูลเชิงพื้นที่ปริมาณมากและหลากหลายประเภท เช่น ภาพถ่ายดาวเทียม ภาพถ่ายทางอากาศ ข้อมูลเวกเตอร์ LiDAR และข้อมูลในรูปแบบตารางหรือข้อความ ขึ้นอยู่กับประเภทของโมเดลและวัตถุประสงค์ในการฝึก การเรียนรู้จากข้อมูลเหล่านี้ช่วยให้โมเดลจับรูปแบบและคุณลักษณะที่เกี่ยวข้องกับพื้นที่ได้ ก่อนนำความรู้ที่เรียนรู้มาไปประยุกต์ใช้กับงานปลายทาง เช่น การตรวจจับวัตถุ การจำแนกการใช้ที่ดิน การค้นหาพื้นที่ที่มีลักษณะคล้ายกัน หรือการตรวจจับการเปลี่ยนแปลงของพื้นที่

จุดเด่นของ Foundation Models คือความสามารถในการนำโมเดลที่ผ่านการฝึกมาแล้วไปใช้กับงานหลายประเภท โดยอาจใช้ได้ทันทีหรือปรับแต่งเพิ่มเติมตามความเหมาะสม แทนที่จะต้องสร้างและฝึกโมเดลใหม่ทั้งหมดทุกครั้งที่เปลี่ยนโจทย์ เพื่อให้เห็นภาพชัดขึ้น เทคโนโลยีที่เกี่ยวข้องกับ Geospatial Foundation Models สามารถแบ่งให้เข้าใจได้ผ่าน 3 กลุ่มสำคัญ ได้แก่ Remote Sensing Foundation Models, Location Embeddings และ Geospatial Vision-Language Models (GeoVLM) ซึ่งแต่ละกลุ่มมีแนวทางการทำงานและการประยุกต์ใช้ที่แตกต่างกัน

3 เทคโนโลยีสำคัญของ Geospatial Foundation Models

1.Remote Sensing Foundation Models: ให้ AI เรียนรู้รูปแบบจากภาพของโลก

Remote Sensing Foundation Models คือโมเดล AI ที่ได้รับการฝึกด้วยภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศจำนวนมาก เพื่อเรียนรู้รูปแบบและคุณลักษณะของพื้นผิวโลก ความรู้ที่ได้สามารถนำไปต่อยอดกับงานวิเคราะห์ภาพหลายประเภท โดยอาจใช้โมเดลที่ผ่านการฝึกมาแล้วโดยตรง หรือปรับแต่งเพิ่มเติมให้เหมาะกับงานที่ต้องการ

ตัวอย่างเทคโนโลยีที่สามารถนำมาประยุกต์ใช้กับงานลักษณะนี้คือ Segment Anything Model 3 (SAM 3) ซึ่งรองรับการตรวจจับและแบ่งส่วนวัตถุในภาพโดยใช้คำอธิบายหรือภาพตัวอย่างเป็นตัวช่วย ทำให้สามารถนำมาประยุกต์ใช้กับภาพถ่ายทางอากาศเพื่อค้นหาวัตถุที่สนใจ เช่น แผงโซลาร์ อาคาร ต้นไม้ หรือรถยนต์ได้ ทั้งนี้ ผลลัพธ์ขึ้นอยู่กับลักษณะภาพและเงื่อนไขการใช้งานของโมเดล

ความสามารถในการนำโมเดลมาประยุกต์ใช้กับวัตถุหลายประเภทช่วยเพิ่มทางเลือกให้กับงานสำรวจและวิเคราะห์ข้อมูลภูมิศาสตร์ ตัวอย่างเช่น

• ประเมินศักยภาพพลังงานแสงอาทิตย์ ด้วยการตรวจจับและวัดพื้นที่แผงโซลาร์ที่ติดตั้งอยู่บนหลังคาหรือในพื้นที่ต่าง ๆ
• สำรวจพื้นที่สีเขียวในเมือง ด้วยการตรวจจับต้นไม้และวิเคราะห์การกระจายตัวในแต่ละย่าน
• ปรับปรุงฐานข้อมูลอาคาร ด้วยการค้นหาอาคารจากภาพถ่ายเพื่อนำไปเปรียบเทียบกับข้อมูลที่มีอยู่
• วิเคราะห์การใช้พื้นที่จอดรถ ด้วยการตรวจจับและนับจำนวนรถในพื้นที่ที่สนใจ

แทนที่จะเริ่มสร้างโมเดลใหม่สำหรับทุกงาน การนำโมเดลที่ผ่านการฝึกมาแล้วมาประยุกต์ใช้ช่วยให้การวิเคราะห์มีความยืดหยุ่นมากขึ้น โดยยังสามารถปรับกระบวนการให้เหมาะกับลักษณะข้อมูลและความต้องการของแต่ละโครงการได้

2.Location Embeddings: เปลี่ยนตำแหน่งบนโลกให้ AI เข้าใจบริบทของพื้นที่

Location Embeddings คือการแปลง “ตำแหน่งบนโลก” ให้เป็นข้อมูลที่ AI สามารถนำไปประมวลผลได้ โดยอยู่ในรูปของชุดตัวเลขเฉพาะของพื้นที่นั้น หรือข้อมูลที่สะท้อนคุณลักษณะเฉพาะของพื้นที่ (Characteristics) AI จะเรียนรู้ความสัมพันธ์และบริบทของพื้นที่จากข้อมูลเชิงพื้นที่ ทำให้สามารถระบุได้ว่าพื้นที่ใดมีลักษณะคล้ายกัน หรือมีความสัมพันธ์กันอย่างไร และนำไปใช้ต่อกับงานที่ต้องการค้นหาหรือชี้เป้าพื้นที่ได้

จุดเด่นสำคัญคือ สร้าง Embeddings ครั้งเดียว แล้วเปลี่ยนโจทย์การค้นหาได้เรื่อย ๆ เพียงเปลี่ยนตัวอย่างที่ใช้เป็นตัวชี้ โดยไม่จำเป็นต้องเก็บข้อมูลสำหรับสอนใหม่หรือเทรนโมเดลใหม่ทุกครั้ง ตัวอย่างการใช้งาน เช่น

• ค้นหาพื้นที่ที่มีการทำการเกษตร เพื่อดูการเปลี่ยนแปลงการใช้ประโยชน์ที่ดิน
• ค้นหาสิ่งกีดขวางทางน้ำ เพื่อสำรวจสิ่งกีดขวางก่อนฤดูน้ำหลาก
• ค้นหากองขยะที่กระจายตัวอยู่ในเมือง เพื่อชี้เป้าพื้นที่ที่อาจมีการลักลอบทิ้งขยะ
• ค้นหาพื้นที่ที่มีต้นไม้ล้ำถนน เพื่อช่วยในการวางแผนการจัดการ

ด้วยแนวคิดนี้ Location Embedding สามารถใช้ AI Model เดียวในการตรวจจับสิ่งที่แตกต่างกันได้ 5 ลักษณะ ตั้งแต่วัชพืชบนถนน กองขยะ พื้นที่ก่อสร้าง ผักตบชวาในแหล่งน้ำ ไปจนถึงพื้นที่เกษตร

3.GeoVLM: เมื่อ AI เข้าใจทั้งภาพ พื้นที่ และภาษาธรรมชาติ

Geospatial Vision-Language Models (GeoVLM) เป็นโมเดลที่เชื่อมโยงการทำความเข้าใจภาพเข้ากับภาษาธรรมชาติและบริบทเชิงภูมิศาสตร์ ทำให้สามารถประมวลผลความสัมพันธ์ระหว่างสิ่งที่ปรากฏในภาพกับคำอธิบายหรือคำสั่งของผู้ใช้ได้

แนวทางนี้เปิดโอกาสให้ผู้ใช้โต้ตอบกับข้อมูลภาพภูมิศาสตร์ด้วยภาษาที่เข้าใจง่ายขึ้น แทนที่จะต้องกำหนดเงื่อนไขการค้นหาทั้งหมดผ่านเครื่องมือหรือขั้นตอนการวิเคราะห์แบบเดิม ตัวอย่างการใช้งาน ได้แก่

• ถาม–ตอบเกี่ยวกับสิ่งที่ปรากฏในภาพถ่ายดาวเทียม
• ค้นหาวัตถุหรือพื้นที่จากคำอธิบายด้วยภาษาธรรมชาติ
• เปรียบเทียบภาพหรือวิเคราะห์การเปลี่ยนแปลงของพื้นที่ เมื่อโมเดลรองรับงานดังกล่าว

หนึ่งในตัวอย่างการประยุกต์ใช้คือ การประเมินพื้นที่ที่ได้รับผลกระทบจากแผ่นดินไหว หลังเกิดเหตุทีมตอบสนองฉุกเฉินจำเป็นต้องรู้ให้เร็วว่า บริเวณไหนได้รับความเสียหายหนัก ถนนเส้นใดไม่สามารถใช้งานได้ และควรส่งทีมเข้าไปตรวจสอบพื้นที่ใดก่อน หากต้องไล่ดูภาพถ่ายด้วยสายตาทีละภาพ กระบวนการนี้อาจใช้เวลาหลายชั่วโมง แต่ด้วย GeoVLM ผู้ใช้สามารถตั้งคำถามกับภาพด้วยภาษาธรรมชาติ เช่น ขอให้ค้นหาอาคารที่ได้รับความเสียหายจากแผ่นดินไหว โมเดลจะค้นหาพื้นที่อาคารที่ได้รับความเสียหายตามคำสั่ง ช่วยให้ทีมสามารถจัดลำดับความสำคัญของพื้นที่ที่ต้องเข้าตรวจสอบได้รวดเร็วยิ่งขึ้น

Geospatial Foundation Models ช่วยเปลี่ยนการทำงานของ GeoAI อย่างไร?

Geospatial Foundation Models ช่วยขยายแนวทางการนำ AI มาใช้กับงานภูมิศาสตร์ จากเดิมที่มักพัฒนาโมเดลเพื่อแก้โจทย์เฉพาะเรื่อง ไปสู่การนำความรู้ที่โมเดลเรียนรู้จากข้อมูลจำนวนมากมาต่อยอดกับงานปลายทางที่หลากหลายขึ้น

Remote Sensing Foundation Models ช่วยให้การวิเคราะห์ภาพของโลกมีทางเลือกมากขึ้น ขณะที่ Location Embeddings ช่วยให้ AI เรียนรู้และเปรียบเทียบบริบทของพื้นที่ ส่วน GeoVLM ช่วยให้ผู้ใช้เชื่อมโยงข้อมูลภาพกับภาษาธรรมชาติเพื่อค้นหาสิ่งที่สนใจได้สะดวกขึ้น เทคโนโลยีเหล่านี้จึงเปิดโอกาสให้การทำงานกับข้อมูลเชิงพื้นที่มีความยืดหยุ่นมากขึ้น ทั้งในด้านการสำรวจพื้นที่ การค้นหารูปแบบที่เกี่ยวข้อง และการนำ AI ไปประยุกต์ใช้กับโจทย์ใหม่ โดยสามารถเลือกใช้โมเดลและปรับกระบวนการให้เหมาะกับข้อมูลและวัตถุประสงค์ของแต่ละงานได้

สำหรับองค์กรที่นำ GIS มาใช้ การทำความเข้าใจแนวทางของ Geospatial Foundation Models จึงเป็นอีกก้าวสำคัญในการต่อยอดข้อมูลเชิงพื้นที่ให้เกิดประโยชน์กับการวิเคราะห์และการตัดสินใจในบริบทที่หลากหลาย

.