Anaximander: esecuzione interattiva di modelli di deep learning geospaziale su qualsiasi backend di calcolo

Abstract degli autori

Per chi lavora nel telerilevamento, applicare modelli di deep learning alle immagini satellitari dall’interno dei sistemi informativi geografici (GIS) resta un processo laborioso. I modelli arrivano in formati incompatibili e sono destinati ad ambienti di calcolo diversi, dalle workstation locali ai servizi cloud serverless. Di conseguenza, ogni valutazione richiede codice personalizzato per la distribuzione del modello, la suddivisione in tile e la georeferenziazione prima che anche una sola previsione compaia sulla mappa dell’analista. Questo ostacolo scoraggia il confronto sistematico in un ambito in cui la scelta del modello incide direttamente su risultati operativi come la delimitazione dei campi, il monitoraggio delle colture e la risposta ai disastri. Presentiamo Anaximander, un sistema open source che riunisce in un’unica interfaccia interattiva la scelta della fonte del modello e quella della sede di calcolo. Il backend del sistema è un server di inferenza che carica modelli da diverse fonti di uso comune e li esegue su qualsiasi backend di calcolo accessibile. Il server gestisce le sessioni e la cache dei modelli e trasmette i risultati man mano, tile per tile. Al backend si affianca un plugin per QGIS che gestisce la suddivisione in tile, la ricomposizione dei risultati, la georeferenziazione e la visualizzazione in tempo reale dello stato di ciascun tile. Un’ulteriore modalità dell’interfaccia utente inserisce le legende dei layer come prompt nei modelli visione-linguaggio. Dimostriamo il sistema con un confronto fianco a fianco, senza scrivere codice, fra tre modelli eterogenei impegnati nella delimitazione di campi agricoli: gpt-image-1 tramite un’API cloud, Segment Anything Model 3 (SAM3) su una GPU remota e DelineateAnything su una CPU locale. Il backend di inferenza e il protocollo sono open source e disponibili all’indirizzo https://github.com/microsoft/nxmndr.