伴随着“新基建”的浪潮推动科研数智化发展，深度学习等人工智能技术的引入成为了近年来研究者密切关注的热点。高质量的遥感影像在灾害监测、气象、军事等诸多方面都有广阔的应用前景，AI 技术在图像匹配方面有着比较好的特征提取和表达能力，便于从海量异构的遥感数据中获取丰富准确的属性信息，挖掘目标区域的演变规律。
然而，AI 技术的深入应用在协助研究者解决更加复杂的场景问题的同时，也给传统基础设施与工作流带来了挑战，在此简单介绍以下三个方面。
(资料图片仅供参考)
1. 基础设施与计算资源
遥感图像分辨率的提升、网络深度的增加毋庸置疑会带来性能的提升，但与之相伴的是庞大的模型、巨量的参数和缓慢的算法效率，本地台式机的运算能力很难满足日益上升的需求，需要投入大量的硬件成本。同时，算法模型在训练时需要频繁地调试参数，并将不同结果进行可视化以提高调优效率，也对内存和性能提出了更大的要求。
2. 数据与工作流管理
遥感数据处理向云发展的趋势除了改变传统数据本地下载、处理、分析的模式外，也给研究者新的工作流搭建带来了挑战。遥感大数据具有丰富的数据源，云环境下除了需要完成对数据的分析外，对于多源数据的接入、存储及高效管理也存在着切实需求。另外，传统工作流在平台间的迁移也将对模型的管理、研究项目任务的管理造成影响。
3. 数据、模型的开放应用
传统遥感研究面临的数据共享不足已成为制约其发展的重要瓶颈，不同行业的遥感用户经常会受到信息共享不畅的问题困扰，尽管政策上支持跨领域融合，但国内始终缺乏一个相对比较开放的环境。此外，开发的算法以源代码的形式进行分享应用会给不同领域研究者之间的协同造成一定困难，模型在本地共享，环境之间兼容性低，算法集成难度大，不具备良好的可移植性和可复用性。
尽管存在着多方面瓶颈，近几年，随着技术的不断革新及 AI 产业的生态发展，我们还是可以观察到不少研究机构在合适平台的支持下，找到了遥感大数据与 AI 新技术融合应用的可行性方案。
中国自然资源航空物探遥感中心作为航空物探遥感的科技领军单位，希望打破目前遥感数据、模型算法、计算资源三者分离的局面，通过云端部署，完成对大规模数据的处理和分析，同时也希望能提高研究成果的转化效率，促进“政产学研用”的协同创新。
ModelWhale 为其进行了平台级工具的私有化部署，与航遥中心共同打造了高可用、高并发的集成化开发部署平台。
随着 AI 技术的大规模应用，航遥中心从过去使用 ENVI-IDL 编程进而引入了 GPU 加速，尽管提高了效率，但单机单卡和单机多卡仍是很快就满载无法使用。而目前研究者针对数据密集型和计算密集型问题普遍采用的方案是 GPU 集群，在进行尝试后，航遥中心发现这与其现实需求还是存在一定偏差。航遥中心内部拥有相对充足的算力资源，既希望每个研究者都能有自己的实践环境，又希望针对一些大型复杂计算问题，可以把所有计算资源集中集合起来，因此，实际的需求是一个能帮助其整合、调度存储与计算资源的平台。
对此，ModelWhale 基于研究中心现有的基础设施优化结构，将已有的、零散的本地计算硬件接入云端，利用平台的云原生架构进行了安全、灵活、可控的集约化运维和细粒度分割调配。
本地算力资源接入后，当需要处理大规模计算任务时，ModelWhale 可将多机多卡的 GPU 组成集群算力以供使用。GPU 集群基于 Horovod 的并行计算，可以达到成倍计算效率，适用于遥感影像多层次并行处理，这也同时为航遥中心在如灾害监测等具有时效性项目上进行应用提供了保障。
而在日常研究中，接入平台的算力可以根据核数与内存大小进行拆分，分配至不同研究员和项目小组。平台在项目运行时会帮助研究员自动调度匹配的机器实例，并自动加载好所需的软件环境、数据及文件。使用过程中，研究者可随时查看算力、内存、磁盘的使用情况，发现资源不够就可以通过主动发起申请获得，这一自动化流程极大地释放了航遥中心内部运维的压力。
最后，当项目关闭，平台将自动释放运算资源，同时将项目文件持久化存储，确保提升计算资源利用率的同时也能尽可能降低算力成本。借助 ModelWhale 强大的资源调度能力与完善的资源管理机制，航遥中心突破其底层架构限制，实现了对本地算力资源的能耗最小化、效率最大化应用。
相较于自然图像数据，遥感数据的构成更加复杂，卫星、传感器等采集设备物理参数的不一致使得遥感数据源存在多方面差异，因此遥感实验研究过程中需要更加频繁地调整参数，并且需要将数据处理的不同结果进行可视化对比。而人为关注训练任务完成情况以保证实验的延续性既繁琐又浪费时间，因此航遥中心的研究人员希望利用技术和平台使这个过程自动化进行，提高模型调优的效率。
基于 ModelWhale，针对有较高计算量的训练任务，研究人员可以采用离线托管运行 Notebook 或脚本项目文件，离线任务没有运行时长限制，自动在云端跑完，任务的发布也不会影响到研究人员继续使用电脑投入其他工作。ModelWhale 提供通知接口，研究人员可以直接从邮件或社交软件上接收训练完成的通知，而不用再时刻关注任务运行情况。
结合遥感数据特点，为了选择最有效的算法，研究人员也可以提前设置不同参数组合，同时启用多台机器完成不同参数配置下统一模型的训练，并结合 GPU 集群缩短训练时长，平台将记录模型每次训练的超参数信息，提供可视化对比报告，从更多角度对比分析模型优劣，助力研究者挑选出最合适的模型。任务运行成功后，研究人员可以保存离线运行的结果，输出结果文件，也可以随时调用训练中产出的过程文件。
ModelWhale 提供的离线训练与训练指标对比功能，构建起了高自动化、高可视化的调优流程，再结合算力资源的弹性调度，一体化缩短了遥感深度学习算法的开发周期。
对于传统工作流的重构是航遥中心亟需解决的第二大问题，规模化采用 AI 后，将工作迁移至 python 平台尽管能与深度学习高度融合，却无法对数据、算法、模型进行统一管理并形成资产积累。航遥中心有时需要每天接入几百景数据，庞大的数据量使得数据准备阶段的工作十分繁琐。另外，即使后期形成了算法模型，遥感数据分析模型的部署和运行又可能依赖于不同的软硬件环境，包括操作系统、编译器、支持库等等，按需部署具有一定难度。
针对上述问题，ModelWhale 以高集成度的开发工具，助力航遥中心搭建起高效工作流。
基于平台，航遥中心首先可以多种方式接入存放在本地、数据库、对象存储以及 NAS 空间中的各类数据并统一管理，平台标准化的协同流可支持研究团队内成员同步使用各类生产资料分析研究。其次，研究人员可根据遥感数据分析模型运行和部署的需求自定义云端镜像环境，所定制的环境皆可基于平台规范描述，只需将镜像分享给他人或帮助他人重构即可从环境层面保证算法模型的异地复现。而遥感作为一门技术，常被应用于不同领域问题的解决，因此对于开发完成的模型，平台还提供了一键自动化部署，简化模型从开发到应用的复杂度。
对于项目流程管理，ModelWhale 支持将课题拆解成多个阶段任务进行宏观管控，各个领域的研究者可在细分任务中查看进展情况，并明确每个人的职责分工。任务结果可以多种形式提交，其他成员在线同步查看，这有利于团队内部的信息同步，把控整体节奏，提高研究课题的交付效率。
最后，研究人员可以选定运行时的分析环境、数据集、算法代码版本，将生产要素整合并补充一定文字说明后，沉淀至组织内部的成果库中，便于后期随时复现。另外，团队内部的项目、数据、文件、视频皆可用文件夹与标签的形式进行整理，并沉淀至团队的知识库中，供所有人调取使用。
“新基建”的加速或许会让 AI 技术在未来成为一种基础服务，像作用于遥感数据的处理、应用一样，拓宽各领域科学研究的方式方法、改变科研工作者间的协作模式。
在此纳新求变的过程中，ModelWhale 将数字技术融于平台能力，连接数据、算力、模型等核心要素，融合协作、统筹、沉淀等离散需求，让 AI 更好地服务于科研成果的落地。
ModelWhale 同时支持 SaaS 云端使用及本地私有化部署，可满足不同组织需求。
欢迎进入ModelWhale.com 了解更多产品信息，也可扫描官网右侧二维码 联系产品顾问或致电：021-8037 0235(转8) 沟通交流。
