Google презентує архітектуру Planetary Prediction Engine для автономних геопросторових AI-конвеєрів

Архітектура декуплованого агентного конвеєра

Planetary Prediction Engine (PPE) від Google Research автоматизує геопросторові робочі процеси машинного навчання, оркеструючи великі мовні моделі (LLM) на трьох ізольованих етапах. Замість серіалізації табличних датасетів у контекст моделі, система передає непрозорі дескриптори даних (opaque handles) між етапами виконання. Цей архітектурний підхід усуває вузькі місця контекстного вікна LLM під час роботи з великими геопросторовими датасетами з Google Earth Engine та Data Commons.

Автоматизований Feature Gating та захист від витоку даних

Для збереження статистичної коректності під час автономного пошуку даних PPE впроваджує автоматизований Feature Gate на другому етапі. Кандидати у коваріати проходять скрінінг за чотирма критеріями проти витоку: відсіювання математичних субкомпонентів, спільних опитувальних даних, каузальних наслідків та майбутніх часових даних. Для оптимізації моделей на третьому етапі Overfitting Guard Protocol оцінює ризики датасету та запускає цикли самокорекції для регресійних моделей, градієнтного бустингу (GBDT) та багатошарових перцептронів.

Результати бенчмарків у різних доменах

PPE демонструє суттєве підвищення точності порівняно з експертними пайплайнами:

• Охорона здоров'я США: Середній R² склав 76.8% для 21 індикатора CDC проти 60.0% у мануальному пайплайні. Прогнозування індексу SVI зросло до R² 66.2% проти 58.6%.
• Продовольча безпека в Нігерії: Точність деталізації з ADM1 до ADM2 подвоїлася з R² 31.5% до 66.1%.
• Епідеміологічне прогнозування: Досягнуто Recall@10 на рівні 83.3% під час спалаху Еболи в ДР Конго проти баєсівського бейзлайну (~73%).