Новая, более экологичная модель программного обеспечения может демократизировать доступ к геопространственному анализу

Ученые из Университета Глазго разработали новую модель программного обеспечения под названием GeoAggregator, которая использует машинное обучение для снижения вычислительных затрат при анализе сложных геопространственных наборов данных. Работа, озаглавленная "GeoAggregator—An Efficient Transformer Model for Geo-spatial Tabular Data", будет представлена на конференции AAAI по искусственному интеллекту.

GeoAggregator решает ключевые проблемы анализа пространственных данных, такие как пространственная автокорреляция (взаимовлияние близлежащих мест) и пространственная неоднородность (изменчивость паттернов в зависимости от местоположения). В отличие от традиционных моделей глубокого обучения, требующих огромных вычислительных мощностей, GeoAggregator является более быстрой, масштабируемой и ресурсоэффективной. Это делает сложный анализ данных доступным для большего круга исследователей и лиц, принимающих решения.

Модель показала высокую точность в решении различных задач, таких как прогнозирование уровня загрязнения воздуха, анализ тенденций цен на жилье и оценка распределения бедности, при этом используя значительно меньше вычислительных ресурсов по сравнению с распространенными методами (геостатистическими, XGBoost и другими моделями глубокого обучения). Код модели сделан открытым, а разработчики работают над созданием общедоступного пакета Python.

Доктор Миншу Ван, соавтор исследования из Школы географических и земных наук Университета Глазго, отметил: "GeoAggregator представляет собой большой шаг вперед в повышении эффективности и доступности сложного анализа данных для всех... Весь анализ данных при разработке GeoAggregator выполнялся на одном ноутбуке".

Руи Дэн, ведущий автор статьи, добавил: "Для организаций с неограниченными вычислительными ресурсами выбор более эффективной модели... может усилить их усилия по достижению устойчивого развития за счет снижения потребления энергии и воды".