此文由 Intel AI 与 PyTorch 基金会合作贡献。
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年将为科技行业带来2.1万亿美元的潜在增长。可持续发展目标是“2030年可持续发展议程”的一部分，旨在解决全球各领域的繁荣问题。
Linux 基金会的可持续发展倡议使项目与可持续发展目标保持一致。通过评估项目影响，可以更好地分配资源进行改进。Intel 也是这项倡议的贡献者之一，最近展示了三个使用 PyTorch 和 Intel AI 解决联合国可持续发展目标相关问题的用例。
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，这为迁移学习解决野火预测等当代挑战铺平了道路。
- 利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。
以下是本次研讨会的重点内容。请阅读下文获取摘要，并务必观看完整的研讨会视频和访问 GitHub 仓库。
第一场：恐龙骨骼层地图介绍
Bob Chesebrough 最近主持了一场 PyTorch 研讨会，演示如何为恐龙国家纪念碑创建恐龙骨骼层地图。他分享了他的发现录像，并解释了他的 AI 驱动方法，即利用地质数据精确定位可能富含骨骼的区域。
与会者学习了如何设置 JupyterLab、访问训练部分以及启动 BASH Shell。Bob 的分类模型应用于航空图像，有助于生成热力图以识别潜在骨骼位置，并通过现场数据进行精炼。GitHub 仓库“Jurassic”指导参与者完成目录设置和模型优化步骤。
Rahul Unnikrishnan Nair 演示了 PyTorch 的使用，重点在于性能提升。研讨会涵盖了建模的最佳实践，例如数据转换、类别分布、Dropout 层和高效的训练方法。审查了训练和评分流程，重点关注模型的准确性以及向其他区域的可迁移性。热力图创建涉及将图像切割成瓦片，并考虑上下文以进行准确的环境识别。
在此观看完整的研讨会视频，并访问 GitHub 仓库以获取代码示例，使用 Intel® Extension for PyTorch 来尝试代码。使用 PyTorch 试试看，探索最适合你的方法。祝你恐龙骨骼狩猎愉快！
第二场：使用 OpenFWI 从地震数据到地下模型：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。
Ben Consolvo，Intel 的 AI 软件工程经理，展示了如何使用 PyTorch 在 Intel 高性能处理器上直接从地震数据训练 AI 模型。FWI 虽然准确，但计算密集，并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，无需精确初始化。Ben 解释了 AI 模型面临的挑战，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 令人惊讶的医学应用。
在此观看完整视频，并前往论文了解更多详情。GitHub 仓库是 OpenFWI。
第三场：使用 PyTorch 助力野火预测
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途的方法来提高预测准确性。在这个地球日网络研讨会中，Bob Chesebrough 和 Rahul Unnikrishnan Nair 使用 MODIS 数据集展示了图像分析技术，该数据集用于预测早期森林火灾概率。通过使用 Intel® Extension for PyTorch 微调 ResNet18 模型，使用航空照片调整预训练模型，利用地理空间和颜色数据进行火灾风险评估。
强调数据集分析对时间和地理过滤的要求，展示了来自加州 Paradise 等受火灾影响地区的图像，同时强调了模型对不同硬件配置的适应性，以及在没有真实数据集时利用 Stable Diffusion 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，并提出利用这些工具执行关键预测任务的挑战。加入他们，共同努力增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 仓库是 ForestFirePrediction。
关于 Intel 讲者
Bob Chesebrough，高级解决方案架构师
Bob Chesebrough 在软件开发/AI 解决方案工程领域拥有超过三十年的行业经验，曾为财富 100 强公司和国家实验室工作。他也是一位爱好者，在野外寻找恐龙骨骼的记录超过 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唯一已知的鳄形类动物的重要化石，他们还在博物馆中发现并记录了 2000 多个骨骼地点，并在新墨西哥州描述了一个新的大型骨骼层。
Rahul Unnikrishnan Nair，应用 AI 架构师兼 Intel® Liftoff 工程负责人
在 Intel® Liftoff 初创企业项目担任现职期间，Rahul Nair 利用其在应用 AI 和工程领域的丰富经验指导早期 AI 初创企业。他致力于帮助这些初创企业将他们的创新想法转化为成熟的、可投放市场的产品，并着重强调用例驱动的实践工程和优化。
Ben Consolvo，AI 软件工程经理
Ben Consolvo 是 Intel 的 AI 解决方案工程经理。他一直在围绕 Intel 的 AI 技术与 Intel 的硬件产品构建团队和项目。他在数据科学，特别是深度学习（DL）和计算机视觉领域拥有背景和热情。他已将其 DL 技能应用于网络安全行业以自动识别网络钓鱼网站，并应用于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 Intel 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。在目前的职位上，Kelli 帮助使用 Intel 的开源 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。
