Google Earth AI, das zuvor zusammen mit einer Reihe geospatialer Foundation-Modelle vorgestellt wurde, hat seinen Geospatial-Reasoning-Agenten zu einem deutlich leistungsfähigeren experimentellen System weiterentwickelt. Der Agent ist für mehrstufiges Schlussfolgern über Daten im Planetenmaßstab sowie für das autonome Trainieren maßgeschneiderter Prognosemodelle konzipiert.
Google teilt drei Neuerungen mit. Ein neuer technischer Bericht präsentiert systematische Auswertungen anhand von vier Benchmarks, darunter zwei neue, Geo KTools und Geo Expert Queries, die veröffentlicht werden, damit Forschende ihre eigenen geospatialen Agenten testen können. Die Ergebnisse quantifizieren den Mehrwert der spezialisierten Werkzeuge und der Planung von Earth AI gegenüber Standard-LLMs. Außerdem hat das Testen mit realen Partnern begonnen, mit einer kleinen Gruppe von Organisationen aus dem sozialen und kommerziellen Bereich, darunter das Regionalbüro der Weltgesundheitsorganisation (WHO) für Afrika, People in Need, Give Directly, das Milken Institute und WPP. Sie nutzen den Agenten für Untersuchungen von Krankheitsausbrüchen, Katastrophenvorsorge und die Bewertung von Projekten für saubere Energie.
Google erweitert zudem den frühen Zugang. Nutzer können ein experimentelles Update für Deep Research in Ask Google Earth ausprobieren, und Entwickler können eine Agent-to-Agent-API mit Integrationsrezepten für Gemini verwenden. Der Agent verbindet Gemini mit den Foundation-Modellen von Earth AI, darunter Weather Next, Flood Forecasting und das Population Dynamics Foundation Model (PDFM), sowie mit Google Maps Platform, Google Earth Engine und Data Commons. Seine Fähigkeiten sind als modulare Skills gebündelt, und vor komplexen Operationen erstellt er einen schrittweisen Plan. Jede Antwort zeigt diesen Plan und die verwendeten Datenquellen, damit Fachleute die Annahmen überprüfen können.
Organisationen können außerdem eigene Daten als CSV-Dateien, GeoJSON-Grenzen oder Cloud-Tabellen einbringen und mit den globalen Modellen von Earth AI verknüpfen. Der Agent treibt zudem die Planetary Prediction Engine an, die lokale Ergebnisdaten wie regionale Krankheitsraten, Ernteerträge oder Stromausfälle entgegennimmt und automatisch die relevanten Bevölkerungs- und Umweltsignale auswählt, um Prognosen zu erstellen.
Quelle: Google AI Blog · Zusammengefasst von HeadlinesBriefing