Alisina NawabiMaanmodel: IBM en NASA maken een multimodaal AI-model en een machine-learningklare dataset openbaar voor onderzoek naar ijs, kraters en vulkanische sporen, meldt IBM.
Voor een Nederlands bedrijf zit de zakelijke betekenis niet in de maan, maar in de architectuur. De modelgewichten staan onder de Apache-2.0-licentie en SomBench is onder CC BY 4.0 beschikbaar. Daardoor ontstaat een route om een model aan te passen of zelf te draaien zonder elke toepassing aan een gesloten AI-API te koppelen. De rekening verschuift dan naar hosting, rekenkracht, datarechten en beheer.
Eén model voor meerdere soorten maan-data
NASA en IBM trainen het model op ongeveer 2 miljoen beeldtegels uit de Lunar Reconnaissance Orbiter, aangevuld met gegevens van onder meer GRAIL, Lunar Prospector en JAXA’s SELENE/Kaguya. De gegevens omvatten 11 modaliteiten op twee ruimtelijke schalen: ongeveer 1 meter en 100 meter per pixel. NASA stelt het model op Hugging Face en de volledige code op GitHub beschikbaar.
Die combinatie is het nieuws. Onderzoekers krijgen geen losse kaart of één taakmodel, maar een herbruikbare representatie die kan worden aangepast voor onder meer kraterdetectie, het in kaart brengen van jonge vulkanische kenmerken en het schatten van mogelijke ijslocaties bij de polen. SomBench brengt daarvoor meer dan 30 ruimtelijk uitgelijnde lagen uit negen instrumenten en vier missies samen.
De open dataset is tegelijk fors. De WAC-track bevat 963.609 tegels en ongeveer 38 terabyte aan data; de NAC-track bevat 1.000.113 tegels en ongeveer 1,4 terabyte. Voor een organisatie die een vergelijkbare basis wil hergebruiken, betekent publiek beschikbaar dus niet dat opslag, dataverplaatsing en rekenkracht verwaarloosbaar zijn.
De hergebruikroute is ook bewust licht gehouden. Bij het fine-tunen bleven 90 procent van de basisgewichten bevroren en gebruikten de onderzoekers LoRA-adapters. Dat maakt van één gedeelde basis geen eindproduct, maar wel een vertrekpunt waarop meerdere specifieke taken kunnen voortbouwen zonder telkens vanaf nul te trainen.
De cijfers achter de release
IBM en NASA rapporteren dat het model bij het schatten van mogelijke ijsgebieden de fout met maximaal 22 procent verlaagt tegenover SwinV2-B. Bij kraterdetectie op ongeveer 100 meter per pixel presteert het bijna 19 procent beter met de helft van de trainingsdata. Voor vulkanische kenmerken ligt de gerapporteerde verbetering op 3 procent; op meterschaal is de nauwkeurigheid vergelijkbaar met sterke bestaande modellen. De volledige benchmarkcijfers en de gebruikte vergelijkingen staan in de technische toelichting.
Open betekent hier ook eigen beheer
De release is geen kant-en-klaar product voor operationele beslissingen. De modelkaart zegt expliciet dat het model niet is gevalideerd voor bijvoorbeeld landingsplaatscertificering of gevarenvrijgave, en dat de ijsuitvoer een modelmatige kanskaart is, geen gemeten ijsvoorraad. Voor zakelijk gebruik blijft dus dezelfde grens gelden: een open model verlaagt de afhankelijkheid van een gesloten leverancier, maar neemt testen, beveiliging, monitoring, updates en licentiecontrole niet over.
De verschuiving is daarmee groter dan één maanrelease. Grote, versnipperde datasets kunnen voortaan het vertrekpunt zijn voor een gedeelde en aanpasbare modelbasis in plaats van voor een nieuwe gesloten API per vraagstuk. Openheid wordt pas bruikbaar wanneer ook de datarechten, infrastructuur en verantwoordelijkheid rond die basis helder zijn.
Veelgestelde vragen
Van open model naar eigen systeem
Ik help je van meedenken en ontwerp tot realiseren en automatiseren, met self-hosted waar dat kan. Zo wordt een open model een beheersbare oplossing voor je eigen data en proces, niet alleen een download.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
