Все об искусственном интеллекте
Исследователи успешно обучили модель машинного обучения — разновидность ИИ (искусственного интеллекта) — на борту спутника. Впервые это было сделано в космосе.
Для тех, кто торопится:
- Исследователи успешно обучили модель машинного обучения на борту спутника;
- Это был первый раз, когда ученым удалось сделать это в космосе;
- Это усовершенствование может улучшить мониторинг в реальном времени и принятие решений в различных контекстах;
- Среди них от управления стихийными бедствиями до борьбы с вырубкой лесов.
Это усовершенствование может улучшить мониторинг в режиме реального времени и принятие решений в различных контекстах — от управления стихийными бедствиями до борьбы с вырубкой лесов.
Читать далее:
Проект был подытожен в публикации на сервере arXiv и представлен на IGARSS (Международная конференция по наукам о Земле и дистанционному зондированию) в июле 2023 года.
данные о спутниках
(Изображение: ЕКА)
Сбор данных с помощью спутников дистанционного зондирования необходим для нескольких важных видов деятельности. Среди них: аэрофотосъемка, прогноз погоды и мониторинг вырубки лесов.
Однако в настоящее время большинство спутников только пассивно собирают данные, не имея возможности принимать решения или обнаруживать изменения.
Таким образом, данные необходимо передать на Землю для обработки, что обычно занимает несколько часов или даже дней. Это ограничивает возможности быстрого выявления и реагирования на возникающие события, такие как стихийные бедствия.
Обучение ИИ в космосе
Ионный спутник SCV004, на котором обучался ИИ (Изображение: Оксфордский университет)
Чтобы преодолеть эти ограничения, группа исследователей решила обучить первую программу машинного обучения в космосе. Руководил работой аспирант Вит Ружичка с факультета компьютерных наук Оксфордского университета.
В 2022 году им удалось убедить миссию «Лихие сквозь звезды» принять их проектные предложения для осуществления на борту ION спутника SCV004, запущенного в январе 2022 года. 2022 году на спутник был отправлен код программы, который уже находился в орбита.
Исследователи обучили простую модель обнаруживать изменения в облачном покрове по аэрофотоснимкам непосредственно внутри спутника, а не обучали ее на Земле.
Модель была основана на подходе, называемом «обучение за несколько выстрелов». Это позволяет модели изучить наиболее важные функции, которые нужно искать, с помощью нескольких образцов для обучения.
(Очень) гибкий процесс
Изображение: IM Imagery/Shutterstock)
Ключевым преимуществом этого подхода является то, что данные могут быть сжаты в более мелкие представления, что делает модель быстрее и эффективнее.
На этапе обучения модель RaVAEn сжимает большие файлы изображений в векторы из 128 чисел. Он учится сохранять в этом векторе только информационные значения, связанные с изменением, которое он пытается обнаружить — в данном случае, независимо от того, присутствуют ли облака или нет.
Это приводит к чрезвычайно быстрому обучению из-за использования очень маленькой модели классификации для обучения.
Первая часть модели, которая сжимает новые изображения, была обучена на Земле. Вторая часть, которая решает, есть ли на изображении облака или нет, обучалась непосредственно на спутнике.
Как правило, для разработки модели машинного обучения требуется несколько циклов обучения с использованием мощности набора взаимосвязанных компьютеров.
Однако компактная модель команды завершила этап обучения (с использованием более 1300 изображений) примерно за полторы секунды.
ИИ на практике
(Изображение: Оксфордский университет)
При тестировании на свежих данных модель смогла автоматически определить, присутствует ли облако, примерно за десятую долю секунды. Это включало кодирование и анализ сцены, эквивалентной почти 450 футбольным полям.
По словам исследователей, модель можно легко адаптировать для выполнения различных задач и использования других форм данных.
С этим достижением они планируют разработать более продвинутые модели, которые могут автоматически различать интересующие изменения. Например: наводнения, пожары, вырубка лесов и естественные изменения (например, изменение цвета листьев в зависимости от времени года).
Кроме того, они нацелены на разработку моделей для более сложных данных, включая гиперспектральные спутниковые снимки.
Это могло бы позволить, например, обнаруживать утечки метана и имело бы важные последствия для борьбы с изменением климата.
По информации Оксфордского университета
Вы смотрели новые видео на YouTube цифрового взгляда? Подписывайтесь на канал!