{"id":16356,"date":"2025-04-29T14:21:00","date_gmt":"2025-04-29T12:21:00","guid":{"rendered":"https:\/\/festibity.com\/general\/ibm-8\/"},"modified":"2026-01-23T14:44:44","modified_gmt":"2026-01-23T12:44:44","slug":"ibm-8","status":"publish","type":"post","link":"https:\/\/festibity.com\/es\/noticies-partner\/ibm-8\/","title":{"rendered":"IBM"},"content":{"rendered":"\n

Art\u00edculo facilitado por IBM<\/em><\/p>\n\n\n\n

IBM y la ESA lanzan TerraMind, el modelo de IA generativa de c\u00f3digo abierto m\u00e1s eficaz para la observaci\u00f3n de la Tierra<\/strong><\/p>\n\n\n\n

El nuevo modelo fundacional de IBM y la Agencia Espacial Europea (ESA) combina informaci\u00f3n procedente de nueve tipos de datos de observaci\u00f3n de la Tierra para proporcionar una comprensi\u00f3n intuitiva de nuestro planeta.<\/p>\n\n\n\n

\u00bfQu\u00e9 informaci\u00f3n necesitar\u00eda un modelo de IA para comprender realmente nuestro planeta? Esa es la pregunta a la que se han propuesto responder este a\u00f1o investigadores de IBM, ESA, KP Labs, Julich Supercomputing Center (JSC) y la Agencia Espacial Alemana (DLR) en el marco de una iniciativa liderada por la ESA<\/a> para mejorar el acceso a los modelos fundacionales dentro de la comunidad de observaci\u00f3n de la Tierra. <\/p>\n\n\n\n

Por eso, IBM y la ESA han presentado hoy TerraMind<\/a>, un nuevo modelo de observaci\u00f3n de la Tierra que el grupo ha publicado en c\u00f3digo abierto en HuggingFace<\/a>. El modelo ha sido entrenado previamente en TerraMesh<\/a>, el conjunto de datos geoespaciales m\u00e1s grande disponible construido por investigadores como parte del proyecto TerraMind. <\/p>\n\n\n\n

L\u00edder en rendimiento de modelos geoespaciales<\/p>\n\n\n\n

TerraMind tiene una arquitectura \u00fanica de codificador-decodificador basada en transformadores sim\u00e9tricos, que est\u00e1 dise\u00f1ada para trabajar con entradas basadas en p\u00edxeles, tokens y secuencias, as\u00ed como aprender correlaciones entre modalidades distintas de datos. A pesar de haber sido entrenado con 500.000 millones de tokens, TerraMind es un modelo peque\u00f1o y ligero, que utiliza 10 veces menos recursos inform\u00e1ticos que el uso de modelos est\u00e1ndar para cada modalidad. Esto significa que los usuarios pueden implementarlo a escala con un coste menor, al tiempo que reducen el consumo total de energ\u00eda en la etapa de inferencia.<\/p>\n\n\n\n

\u00ab\u00bbPara m\u00ed, lo que realmente distingue a TerraMind es su capacidad para ir m\u00e1s all\u00e1 del procesamiento de im\u00e1genes satelitales con algoritmos de visi\u00f3n artificial. Tiene una comprensi\u00f3n intuitiva de los datos geoespaciales y de nuestro planeta\u00bb\u00bb, ha declarado Juan Bernab\u00e9-Moreno, director de IBM Research en Reino Unido e Irlanda, y l\u00edder de Accelerated Discovery de IBM para el clima y la sostenibilidad. \u00ab\u00bbEn la actualidad, TerraMind es el modelo fundacional de IA con mejor rendimiento para la observaci\u00f3n de la Tierra seg\u00fan los puntos de referencia que establece la comunidad\u00bb\u00bb.En una evaluaci\u00f3n de la ESA, TerraMind se compar\u00f3 con 12 modelos populares de observaci\u00f3n de la Tierra en PANGAEA, la referencia est\u00e1ndar de la comunidad<\/a>, para medir el rendimiento del modelo en tareas reales, como la clasificaci\u00f3n de la cobertura del suelo, detecci\u00f3n de cambios, monitoreo ambiental y an\u00e1lisis multisensor y multitemporal. La evaluaci\u00f3n mostr\u00f3 que TerraMind superaba a otros modelos en estas tareas en un 8% o m\u00e1s.<\/p>\n\n\n\n

\u201cTerraMind combina informaci\u00f3n de varias modalidades de datos de entrenamiento para aumentar la precisi\u00f3n de sus resultados\u00bb\u00bb, asegura Simonetta Cheli, directora de Programas de Observaci\u00f3n de la Tierra de la ESA y responsable de ESRIN<\/a>. \u00ab\u00bbSu capacidad para integrar de forma intiutiva informaci\u00f3n contextual y generar escenarios nunca antes vistos es un paso fundamental para desbloquear el valor de los datos de la ESA. En comparaci\u00f3n con los modelos similares, permite una comprensi\u00f3n m\u00e1s profunda de la Tierra tanto para los investigadores como para las empresas\u00bb\u00bb.<\/p>\n\n\n\n

En la pr\u00e1ctica, para predecir el riesgo de escasez de agua, los investigadores deben tener en cuenta muchos factores diferentes, como el uso del suelo, el clima, la vegetaci\u00f3n, las actividades agr\u00edcolas y la ubicaci\u00f3n. Antes de TerraMind, todos estos datos estaban dispersos y almacenados por separado. Reunir esta informaci\u00f3n permite a los usuarios hacer predicciones m\u00e1s precisas sobre el riesgo potencial de escasez de agua bas\u00e1ndose en una visi\u00f3n m\u00e1s amplia de las condiciones en la Tierra.<\/p>\n\n\n\n

Nueve millones de puntos de datos, nueve modalidades diferentes<\/p>\n\n\n\n

Durante la creaci\u00f3n del conjunto de datos, los investigadores incluyeron informaci\u00f3n de todos los biomas, tipos de usos y coberturas del suelo y regiones, lo que permite que el modelo sea igualmente v\u00e1lido para cualquier aplicaci\u00f3n en todo el mundo, con un sesgo limitado.<\/p>\n\n\n\n

El conjunto de datos incluye 9 millones de muestras de datos distribuidas globalmente, alineadas espacio-temporalmente en nueve modalidades principales: observaciones realizadas por sensores en sat\u00e9lites, la geomorfolog\u00eda de la superficie de la Tierra, las caracter\u00edsticas de la superficie que son importantes para la vida en la Tierra (vegetaci\u00f3n y uso del suelo) y descripciones b\u00e1sicas de ubicaciones y sus caracter\u00edsticas (latitud, longitud y descripciones de texto sencillas).<\/p>\n\n\n\n

Autoajuste para crear datos artificiales<\/p>\n\n\n\n

Desde un punto de vista t\u00e9cnico, TerraMind es innovador incluso m\u00e1s all\u00e1 del \u00e1mbito de la observaci\u00f3n de la Tierra. Es el primer modelo de IA generativa multimodal \u201cany to any\u201d para la observaci\u00f3n de la Tierra. Esto significa que puede autogenerar datos de entrenamiento adicionales a partir de otras modalidades, una t\u00e9cnica que los investigadores de IBM han denominado \u00ab\u00bbThinking-in-Modalities\u00bb\u00bb (TiM). TiM es un enfoque novedoso para los modelos de visi\u00f3n artificial, similar a la cadena de pensamiento de los modelos de lenguaje. Las pruebas emp\u00edricas demuestran que el ajuste TiM puede mejorar el rendimiento del modelo m\u00e1s all\u00e1 del ajuste fino. <\/p>\n\n\n\n

\u00ab\u00bbEl ajuste de TiM aumenta la eficiencia al autogenerar datos de entrenamiento adicionales relevantes para el problema que se est\u00e1 tratando, por ejemplo, indicando al modelo que \u00ab\u00bbpiense\u00bb\u00bb en la cubierta terrestre cuando analiza cuerpos de agua. Este avance puede ofrecer una precisi\u00f3n sin precedentes a la hora de especializar TerraMind para casos de uso espec\u00edficos\u00bb\u00bb, asegura Johannes Jakubik, cient\u00edfico de IBM Research en Z\u00farich.<\/p>\n\n\n\n

Construir sobre una base s\u00f3lida<\/p>\n\n\n\n

El uso de IA y aprendizaje autom\u00e1tico en datos relacionados con la Tierra, como sat\u00e9lites y patrones de uso del suelo, no es nueva. Los modelos geoespaciales existentes, como los desarrollado por IBM y la NASA<\/a>, permiten a los cient\u00edficos dar sentido a estos datos, ayud\u00e1ndoles a abordar mejor casos de uso en agricultura de alta precisi\u00f3n, gesti\u00f3n de desastres naturales, monitoreo medioambiental (a trav\u00e9s del agua, el calor y la sequ\u00eda), planificaci\u00f3n urbana y regional, monitoreo de infraestructura cr\u00edtica, monitoreo forestal y de biodiversidad, y entre otros.<\/p>\n\n\n\n

Sin embargo, estos modelos a\u00fan procesan datos procedentes de fuentes que en ocasiones no pueden captar la abundante realidad de las condiciones de nuestro planeta. Mientras que los sat\u00e9lites dan la vuelta al mundo, proporcionando datos temporales sobre eventos naturales, vuelven a visitar el mismo lugar cada cinco d\u00edas. Para analizar los eventos clim\u00e1ticos a largo plazo, esto proporciona datos suficientes para predecir y revisar las tendencias. Pero esto puede dificultar el seguimiento de fen\u00f3menos clim\u00e1ticos a corto plazo como incendios forestales o inundaciones. Cuando cada d\u00eda cuenta, los investigadores necesitan contar con los datos m\u00e1s recientes para hacer predicciones o evaluar el riesgo utilizando modelos de IA.   <\/p>\n\n\n\n

Para abordar este reto, los investigadores de IBM combinaron sus conocimientos t\u00e9cnicos en preparaci\u00f3n de datos y construcci\u00f3n de modelos fundacionales con los datos de observaci\u00f3n de la Tierra de la ESA y su experiencia en la evaluaci\u00f3n de modelos para desarrollar un nuevo modelo fundacional de IA multimodal para la observaci\u00f3n de la Tierra. Se entren\u00f3 utilizando la infraestructura y los conocimientos del Centro de Supercomputaci\u00f3n de J\u00fclich. Otros socios contribuyeron al proceso general de desarrollo del modelo mediante la realizaci\u00f3n de experimentos de escalado y la preparaci\u00f3n de aplicaciones de reducci\u00f3n de escala. <\/p>\n\n\n\n

Un esfuerzo continuo<\/p>\n\n\n\n

TerraMind es parte del proyecto de IBM que busca utilizar la tecnolog\u00eda de IA para explorar nuestro planeta. En la actualidad, gobiernos, empresas e instituciones p\u00fablicas est\u00e1n utilizando los modelos Prithvi<\/a> de IBM-NASA y los modelos geoespaciales especializados de IBM Granite<\/a> para examinar los cambios en los patrones de cat\u00e1strofes, biodiversidad y uso del suelo, as\u00ed como para detectar y predecir patrones meteorol\u00f3gicos severos. Expertos de la NASA tambi\u00e9n participaron en la validaci\u00f3n de TerraMind, como parte de la iniciativa Open Science de la NASA<\/a>. Todos los modelos geoespaciales se pueden consultar en Hugging Face y en IBM Geospatial Studio<\/a>.<\/p>\n\n\n\n

En el pr\u00f3ximo mes se a\u00f1adir\u00e1n al repositorio de IBM Granite versiones de ajuste fino de TerraMind para la respuesta ante cat\u00e1strofes y otros casos de uso de gran impacto, con el fin de que las comunidades y las empresas puedan aprovechar el poder de esta nueva generaci\u00f3n de an\u00e1lisis de observaci\u00f3n de la Tierra.<\/p>\n\n\n\n

\u00ab\u00bbCon la ciencia y la tecnolog\u00eda de observaci\u00f3n de la Tierra y la colaboraci\u00f3n internacional, estamos liberando todo el potencial de los datos espaciales para proteger nuestro planeta\u00bb\u00bb, ha declarado Nicolas Longepe, cient\u00edfico de datos de Observaci\u00f3n de la Tierra de la ESA. \u00ab\u00bbEste proyecto es un ejemplo perfecto en el que la comunidad cient\u00edfica, las grandes empresas tecnol\u00f3gicas y los expertos han colaborado para aprovechar esta tecnolog\u00eda en beneficio de las ciencias de la Tierra. La magia ocurre cuando se unen expertos en datos de observaci\u00f3n de la Tierra, expertos en aprendizaje autom\u00e1tico, cient\u00edficos de datos e ingenieros de HPC\u00bb\u00bb.<\/p>\n","protected":false},"excerpt":{"rendered":"

IBM i l’ESA llancen TerraMind, l’IA per a l’observaci\u00f3 de la Terra.<\/p>\n","protected":false},"author":1,"featured_media":19625,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":"","_members_access_role":[],"_members_access_error":""},"categories":[35],"tags":[],"class_list":["post-16356","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticies-partner"],"acf":[],"_links":{"self":[{"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/posts\/16356","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/comments?post=16356"}],"version-history":[{"count":2,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/posts\/16356\/revisions"}],"predecessor-version":[{"id":18618,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/posts\/16356\/revisions\/18618"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/media\/19625"}],"wp:attachment":[{"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/media?parent=16356"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/categories?post=16356"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/festibity.com\/es\/wp-json\/wp\/v2\/tags?post=16356"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}