شهد مجال استشعار البيانات البعيدة (Remote Sensing) في الآونة الأخيرة تطوراً مهماً بفضل دمج نماذج الذكاء الاصطناعي الأساسية (Foundation Models) في أنظمة العمل. وتتضمن هذه النماذج تحويلات بصرية أحادية (Unimodal Vision Encoders) وهياكل متعددة الوسائط (Multimodal Architectures) تُستخدم في مهام متنوعة مثل تصنيف الصور، واكتشاف التغيرات، والإجابة على الأسئلة البصرية.

ومع ذلك، يبقى اختيار النموذج الأمثل لاستشعار البيانات البعيدة أمراً معقداً، إذ تعاني الوثائق الحالية من تشتت وعدم اتساق في التنسيق، بالإضافة إلى قيود معقدة في التنفيذ. للتغلب على هذه التحديات، تم إطلاق قاعدة بيانات RS-FMD، التي تعتبر أول مرجع مُنظم يضم أكثر من 160 نموذجاً مختلفاً تم تدريبه على بيانات متنوعة تعكس دقة مكانية، طيفية وزمنية متعددة، مع اعتبار أساليب تعلم مختلفة.

كخطوة متقدمة، تم تقديم REMSA، الوكيل الذكي القادر على اختيار النموذج الأمثل تلقائياً استناداً إلى استفسارات باللغة الطبيعية. يقوم REMSA بدمج استرجاع بيانات نماذج الذكاء الاصطناعي الأساسية مع سير عمل موجه بناءً على المهمة المطلوبة. من خلال تفسير مدخلات المستخدم، وتوضيح القيود المفقودة، وتصنيف النماذج عبر التعلم في السياق، يُقدم النظام تبريرات شفافة للمخرجات.

تدعم هذه المنظومة مجموعة متنوعة من المهام ونماذج البيانات، ما يتيح اختياراً شخصياً قابلاً للتكرار وفعّالًا. لتقييم فعالية REMSA، تم بناء معيار يتكون من 100 سيناريو استفسار تمت مراجعتها من قبل خبراء. تم تقييم كل استفسار عبر 4 أنظمة و3 نماذج LLM، وجرى تقييم النماذج الثلاثة المُختارة من قبل خبراء المجال بشكل يدوي. ونتيجةً لذلك، تم إنتاج 3000 تكوين مُقيّم من قبل الخبراء وفق بروتوكول تقييم موجه للخبراء. أثبت REMSA تضاربه مع معايير عدة، مما يبرز فائدته العملية في تطبيقات اتخاذ القرار الفعلية، ويعمل بالكامل على بيانات وصفية مفتوحة المصدر لنماذج RSFMs، دون الوصول إلى بيانات خاصة أو حساسة.

ختاماً، يقود REMSA الطريق نحو مستقبل أكثر تفاعلاً وذكاءً في استشعار البيانات البعيدة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.