Google Earth AI, présenté précédemment avec une suite de modèles de fondation géospatiaux, a fait évoluer son agent de raisonnement géospatial vers un système expérimental nettement plus performant. L'agent est conçu pour raisonner en plusieurs étapes sur des données à l'échelle planétaire et pour entraîner de manière autonome des modèles prédictifs personnalisés.
Google partage trois mises à jour. Un nouveau rapport technique présente des évaluations systématiques sur quatre benchmarks, dont deux nouveaux, Geo KTools et Geo Expert Queries, publiés afin que les chercheurs puissent tester leurs propres agents géospatiaux. Les résultats quantifient la valeur des outils spécialisés et de la planification d'Earth AI par rapport aux LLM standard. Des tests avec des partenaires réels ont également débuté auprès d'un petit groupe d'organisations à impact social et commerciales, dont le Bureau régional pour l'Afrique de l'Organisation mondiale de la santé (OMS), People in Need, Give Directly, le Milken Institute et WPP, qui utilisent l'agent pour enquêter sur les épidémies, préparer les interventions en cas de catastrophe et évaluer les projets d'énergie propre.
Google élargit également l'accès anticipé. Les utilisateurs peuvent essayer une mise à jour expérimentale de recherche approfondie pour Ask Google Earth, et les développeurs peuvent utiliser une API agent à agent avec des recettes d'intégration pour Gemini. L'agent relie Gemini aux modèles de fondation d'Earth AI, notamment Weather Next, Flood Forecasting et le Population Dynamics Foundation Model (PDFM), ainsi qu'à Google Maps Platform, Google Earth Engine et Data Commons. Ses capacités sont organisées en compétences modulaires, et il établit un plan étape par étape avant d'exécuter des opérations complexes. Chaque réponse présente ce plan et les sources de données utilisées, afin que les experts puissent vérifier les hypothèses.
Les organisations peuvent aussi apporter leurs propres données sous forme de fichiers CSV, de limites GeoJSON ou de tables cloud, et les combiner aux modèles mondiaux d'Earth AI. L'agent alimente en outre le Planetary Prediction Engine, qui prend des données de résultats locaux, comme les taux régionaux de maladies, les rendements agricoles ou les coupures de réseau électrique, et sélectionne automatiquement les signaux démographiques et environnementaux pertinents pour produire des prévisions.
Source: Google AI Blog · Résumé par HeadlinesBriefing