35、地球人工智能中的来源追溯：概念、优势与未来展望

地球人工智能中的来源追溯：概念、优势与未来展望

1. 上传工作流至 Geoweaver

在 Geoweaver 系统中上传工作流文件，可按以下步骤操作：
1. 找到浮动栏，将 Geoweaver ZIP 文件拖放到指定区域，然后点击“Start”。
2. 上传完成后，如果工作流文件有效，系统会弹出提示：“The upload workflow is valid. Do you want to proceed to save it into the database?”
3. 点击“OK”，工作流将自动加载到工作区，方便后续复用。

相关平台都有各自的网站，上面提供详细教程和示例工作流，包括地球与环境科学领域的案例。感兴趣的读者可访问对应网站（链接见相关图 5 - 7 的说明），学习并实践不同的来源追溯或元数据记录技术方法。

2. 来源追溯与可重复性

在地球人工智能领域，来源追溯与可重复性密切相关。要提高人工智能/机器学习（AI/ML）的可重复性，关键在于记录所有核心要素，如超参数、模型架构、代码提交、数据集以及训练过程中的所有元数据。

然而，实际中有诸多因素会导致可重复性危机，如数据变化、软件环境或版本差异等。因此，AI 从业者应从项目初期就优先记录最重要的元素，为其他研究者必要时复现工作提供便利。采用标准化的可重复性格式，能确保效率和准确性，不仅有助于结果复现，还能保证透明度和可信度。

来源追溯在 AI/ML 系统中的重要性可总结如下表：
|重要性|说明|
| ---- | ---- |
|可重复性|记录核心要素，便于他人复现工作|
|透明度|让数