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，旨在解决各行业的全球繁荣问题。
Linux 基金会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，最近与 PyTorch 和英特尔 AI 合作，提出了三个用例来解决与联合国可持续发展目标相关的问题。
可持续发展目标 15：陆地生命
- 使用骨骼可能性图来精确定位恐龙骨骼，这为迁移学习解决了诸如野火预测等当代挑战铺平了道路。
- 采用迁移学习进行野火预测并使用 Stable Diffusion 生成数据。
可持续发展目标 9：工业、创新、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。
第一节：恐龙骨骼层图简介
Bob Chesebrough 最近主持了一场 PyTorch 研讨会，演示了如何为恐龙国家纪念碑创建恐龙骨骼层图。他分享了他的发现片段，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。
与会者学习了如何设置 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，促进了热图生成以识别潜在的骨骼位置，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，重点关注性能增强。研讨会涵盖了建模最佳实践，例如数据转换、类别分布、dropout 层和高效训练方法。检查了训练和评分过程，重点关注模型准确性和向其他区域的可移植性。热图创建涉及将图像切割成图块，考虑到上下文以进行准确的环境识别。
点击此处观看完整研讨会视频，并访问GitHub 存储库以访问代码示例并使用Intel® Extension for PyTorch进行代码实验。使用 PyTorch 尝试并探索最适合您的内容。祝您恐龙骨骼寻宝愉快！
第二节：利用 OpenFWI 将地震数据转换为地下模型：使用 PyTorch 训练 AI 模型
地震勘探对于矿产和油气勘探中的地下成像至关重要。全波形反演 (FWI) 重建地下声波速度，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，但计算量大且依赖于精确的初始模型。AI 模型提供了一种替代方法，直接从数据中学习，无需精确的初始化。Ben 解释了 AI 模型的挑战，强调了多样化数据集的需求以及使用 CPU 进行微调的潜力。他还讨论了 FWI 令人惊讶的医疗应用。
点击此处观看完整视频，并前往论文了解更多详情。GitHub 存储库是OpenFWI。
第三节：使用 PyTorch 辅助野火预测
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。在这次地球日网络研讨会中，Bob Chesebrough 和 Rahul Unnikrishnan Nair 演示了使用 MODIS 数据集进行的图像分析技术，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，使用航空照片调整了预训练模型，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，展示了来自天堂镇（加利福尼亚州）等受火灾影响区域的图像，突出了模型对不同硬件配置的适应性，以及在真实数据集不可用时使用 Stable Diffusion 进行数据合成。演讲者鼓励听众参与 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进行关键预测任务。加入他们，共同努力加强野火预防和保护工作。
点击此处观看完整视频，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拥有三十多年的软件开发/人工智能解决方案工程行业经验。他也是一名业余爱好者，在野外寻找恐龙骨骼方面已累计超过 800 英里和 1000 小时。他与儿子们在新墨西哥州发现了一种重要的化石，是目前已知唯一来自侏罗纪的鳄类动物化石，他们还在博物馆中发现并记录了 2000 多处骨骼地点，并描述了新墨西哥州一处新的大规模骨骼层。
Rahul Unnikrishnan Nair，应用 AI 架构师兼 Intel® Liftoff 工程主管
在其目前在 Intel® Liftoff for Startups 项目中的职位上，Rahul Nair 凭借其在应用 AI 和工程方面的丰富经验，指导早期 AI 初创公司。他致力于帮助这些初创公司将创新理念转化为功能齐全、可投放市场的产品，并高度重视用例驱动的实际工程和优化。
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项目。他拥有数据科学背景和热情，尤其是在深度学习 (DL) 和计算机视觉领域。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，以及应用于石油和天然气行业，以识别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。在她目前的工作中，Kelli 帮助使用英特尔的开放 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。