此文章由英特尔 AI 与 PyTorch 基金会合作撰写。
2017 年，联合国全球契约强调数字技术，特别是开源技术，对于实现可持续发展目标 (SDGs) 至关重要，预计到 2030 年可为科技行业带来 2.1 万亿美元的增长。可持续发展目标是“2030 年可持续发展议程”的一部分，旨在解决各部门的全球繁荣问题。
Linux 基金会的可持续发展倡议将项目与可持续发展目标对齐。通过评估项目影响，可以更好地分配资源以进行改进。英特尔也是这项倡议的贡献者，最近展示了三个使用 PyTorch 和英特尔 AI 解决与联合国可持续发展目标相关问题的案例。
可持续发展目标 15：陆地生物
- 使用骨骼可能性图来精确定位恐龙骨骼，这为迁移学习应对野火预测等当代挑战铺平了道路。
- 将迁移学习应用于野火预测，并使用 Stable Diffusion 生成数据。
可持续发展目标 9：产业、创新和基础设施
- 通过地下模型识别关键矿物、石油和天然气。
以下是这些研讨会的主要亮点。请阅读下方摘要，并务必观看完整的研讨会视频并访问 GitHub 存储库。
第一场：恐龙骨床地图简介
Bob Chesebrough 最近主持了一个 PyTorch 研讨会，演示了如何为恐龙国家纪念碑创建恐龙骨床地图。他分享了他的发现影像，并解释了他利用地质数据精确定位可能富含骨骼区域的 AI 驱动方法。
参与者学习了如何设置 JupyterLab，访问训练部分，并启动 BASH shell。Bob 的分类模型应用于航空图像，有助于生成热图以识别潜在骨骼位置，并通过现场数据进行细化。“Jurassic”GitHub 存储库引导参与者完成了目录设置和模型优化步骤。
Rahul Unnikrishnan Nair 演示了 PyTorch 的使用，重点关注性能提升。研讨会涵盖了建模的最佳实践，例如数据转换、类别分布、Dropout 层和高效训练方法。检查了训练和评分程序，重点关注模型的准确性以及向其他区域的可移植性。热图创建涉及将图像切割成瓷砖，同时考虑上下文以进行准确的环境识别。
在此观看完整研讨会视频，并访问GitHub 存储库以获取代码示例，并使用Intel ® Extension for PyTorch进行代码实验。使用 PyTorch 试一试，探索最适合你的方法。祝你恐龙骨骼搜寻愉快！
第二场：利用 OpenFWI 将地震数据转化为地下模型：使用 PyTorch 训练 AI 模型
地震勘探对于矿物和油气勘探中的地下成像至关重要。全波形反演（FWI）重建了地下声波速度，类似于地球的超声波。
英特尔 AI 软件工程经理 Ben Consolvo 演示了如何在英特尔高性能处理器上使用 PyTorch 直接从地震数据训练 AI 模型。FWI 虽然准确，但计算密集型且依赖于精确的初始模型。AI 模型提供了一种替代方法，可以直接从数据中学习，而无需精确初始化。Ben 解释了 AI 模型的挑战，强调了对多样化数据集的需求以及使用 CPU 进行微调的潜在用途。他还讨论了 FWI 令人惊讶的医疗应用。
在此观看完整视频，并前往论文了解更多详情。GitHub 存储库是OpenFWI。
第三场：利用 PyTorch 协助野火预测
森林火灾对生态系统、野生动物和社区构成重大威胁。机器学习提供了一种有前景的方法来提高预测准确性。在此次地球日网络研讨会上，Bob Chesebrough 和 Rahul Unnikrishnan Nair 演示了使用 MODIS 数据集进行图像分析的技术，该技术用于预测早期森林火灾的可能性。通过使用 Intel® Extension for PyTorch 对 ResNet18 模型进行微调，使用航拍照片调整了预训练模型，并利用地理空间和颜色数据进行火灾风险评估。
强调了数据集分析的时间和地理过滤要求，展示了来自加利福尼亚州天堂镇等受火灾影响地区的图像，模型对不同硬件配置的适应性得到了强调，同时还利用 Stable Diffusion 在没有真实数据集时进行数据合成。演示者鼓励观众参与 PyTorch 实验以进行早期火灾检测，并通过提出挑战来利用这些工具完成关键的预测任务。邀请您加入他们，共同努力加强野火预防和保护工作。
在此观看完整视频，并前往论文了解更多详情。GitHub 存储库是ForestFirePrediction。
关于英特尔演讲者
Bob Chesebrough，高级解决方案架构师
Bob Chesebrough 在财富 100 强公司和国家实验室从事软件开发/AI 解决方案工程领域拥有三十多年的行业经验。他还是一名业余爱好者，在野外寻找恐龙骨骼方面已累计超过 800 英里和 1000 小时。他和他的儿子在新墨西哥州发现了侏罗纪时期已知唯一的鳄鱼类动物的重要化石，他们还在博物馆中发现并记录了 2000 多个骨骼产地，并描述了新墨西哥州一个新的大规模骨床。
Rahul Unnikrishnan Nair，应用 AI 架构师兼 Intel® Liftoff 工程主管
Rahul Nair 在英特尔® Liftoff 创业公司计划中担任现任职务，他将自己在应用 AI 和工程方面的丰富经验用于指导早期 AI 创业公司。他致力于帮助这些创业公司将创新理念转化为成熟的、可上市的产品，并非常注重以用例为导向的实践工程和优化。
Ben Consolvo，AI 软件工程经理
Ben Consolvo 是英特尔的 AI 解决方案工程经理。他一直在围绕英特尔的 AI 技术与英特尔的硬件产品构建团队和计划。他拥有数据科学背景和热情，尤其是在深度学习 (DL) 和计算机视觉方面。他已将自己的 DL 技能应用于网络安全行业，以自动识别网络钓鱼网站，以及石油和天然气行业，以识别用于地球物理成像的地下特征。
Kelli Belcher，AI 解决方案工程师
Kelli Belcher 是英特尔的 AI 解决方案工程师，在金融服务、医疗保健和科技行业拥有超过 5 年的经验。在她目前的职位上，Kelli 帮助利用英特尔的开放 AI 软件工具组合构建机器学习解决方案。Kelli 拥有 Python、R、SQL 和 Tableau 的经验，并拥有德克萨斯大学数据分析硕士学位。