O Google Earth AI, apresentado anteriormente com um conjunto de modelos de fundação geoespaciais, evoluiu seu agente de raciocínio geoespacial para um sistema experimental muito mais capaz. O agente foi criado para raciocinar em múltiplas etapas sobre dados em escala planetária e para treinar de forma autônoma modelos preditivos personalizados.
O Google compartilha três atualizações. Um novo relatório técnico apresenta avaliações sistemáticas em quatro benchmarks, incluindo dois novos, Geo KTools e Geo Expert Queries, que estão sendo disponibilizados para que pesquisadores possam testar seus próprios agentes geoespaciais. Os resultados quantificam o valor das ferramentas especializadas e do planejamento do Earth AI em comparação com LLMs prontos para uso. Testes com parceiros do mundo real também começaram, com um pequeno grupo de organizações de impacto social e comerciais, incluindo o Escritório Regional para a África da Organização Mundial da Saúde (OMS), People in Need, Give Directly, o Milken Institute e a WPP, que estão usando o agente para investigações de surtos de doenças, preparação para desastres e triagem de energia limpa.
O Google também está ampliando o acesso antecipado. Os usuários podem experimentar uma atualização experimental de pesquisa aprofundada para o Ask Google Earth, e os desenvolvedores podem usar uma API de agente para agente com receitas de integração para o Gemini. O agente conecta o Gemini aos modelos de fundação do Earth AI, incluindo Weather Next, Flood Forecasting e o Population Dynamics Foundation Model (PDFM), além do Google Maps Platform, Google Earth Engine e Data Commons. Suas capacidades são empacotadas como habilidades modulares, e ele elabora um plano passo a passo antes de executar operações complexas. Cada resposta mostra esse plano e as fontes de dados utilizadas, para que especialistas possam verificar as premissas.
As organizações também podem trazer seus próprios dados como arquivos CSV, limites GeoJSON ou tabelas na nuvem e combiná-los com os modelos globais do Earth AI. O agente também alimenta o Planetary Prediction Engine, que recebe dados locais de resultados, como taxas regionais de doenças, rendimentos de safras ou quedas de energia na rede, e seleciona automaticamente os sinais populacionais e ambientais relevantes para gerar previsões.
Fonte: Google AI Blog · Resumido por HeadlinesBriefing