Google Research представила планетарный движок прогнозирования (PPE) — экспериментальную систему, которая автоматизирует полный цикл геопространственного моделирования. Разработка входит в инициативу Google Earth ИИ и нацелена на решение задач в области общественного здравоохранения, продовольственной безопасности, экологических рисков и социально-экономического прогнозирования.
Геопространственное моделирование traditionally требует значительных ручных усилий: специализированные команды тратят недели на сбор данных, инженерную обработку признаков и пространственную валидацию. Существующие AutoML и LLM-агенты автоматизируют стандартные пайплайны машинного обучения, но работают с предварительно подготовленными табличными данными и не обладают специализированными возможностями для геопространственных задач. PPE решает эту проблему, выполняя весь процесс автономно — от поиска данных до обучения моделей — по запросу на естественном языке.
| Задача | Метрика | PPE | Базовый уровень |
|---|---|---|---|
| Здоровье (CDC) | Средний R² | 76.8% | 60.0% |
| Риски FEMA | Средний R² | 64.9% | 60.0% |
| Социальная уязвимость | Средний R² | 66.2% | 58.6% |
Система состоит из трех модульных этапов, каждый из которых управляется LLM. На первом этапе PPE переводит запрос в строгие географические ограничения и проводит поиск сигналов, используя репозитории Data Commons и Google Earth Engine. Если нужных данных нет, система выполняет поиск в открытых источниках в реальном времени. На втором этапе собранные ковариаты объединяются с эмбеддингами предобученных геопространственных моделей, включая Population Dynamics Foundation Models (PDFM) и AlphaEarth. Здесь же применяется «Feature Gate» — механизм, который проверяет каждую переменную на утечку данных по четырем критериям. Третий этап включает автоматический поиск по семействам моделей, таким как регуляризованные линейные модели, градиентный бустинг и многослойные перцептроны, с защитой от переобучения.
Тестирование PPE проводилось на разнообразных задачах: пространственная регрессия для 21 индикатора здоровья CDC, прогнозирование национальных рисков FEMA и индекса социальной уязвимости. В среднем система достигла R² 76,8% против 60,0% у ручного пайплайна. Для FEMA показатели составили 64,9% против 60,0%, для индекса социальной уязвимости — 66,2% против 58,6%. Также система показала улучшения в задачах суперразрешения для оценки продовольственной безопасности в Нигерии, где данные ограничены.
Ключевое преимущество PPE — скорость. Построение сложных моделей, которое раньше занимало недели, теперь выполняется за минуты. Это критически важно в гуманитарных кризисах, когда требуется быстрая оценка ситуации. Однако система остается экспериментальной, и ее применимость в реальных операционных сценариях еще предстоит проверить. Тем не менее, PPE демонстрирует, как LLM-агенты могут выйти за рамки табличных данных и работать со сложными пространственными данными, открывая новые возможности для автоматизации аналитики планетарного масштаба.
