Дослідники вперше успішно навчили модель ШІ у відкритому космосі
Вперше дослідники натренували модель машинного навчання на штучному супутнику Землі. В майбутньому це дозволить аналізувати інформацію безпосередньо на космічних апаратах.
Препринт відповідного дослідження опублікований на arXiv.
Дані супутників дистанційного зондування є фундаментальними для багатьох ключових видів діяльності, включаючи аерофотознімання, прогнозування погоди та моніторинг вирубки лісів. Наразі більшість апаратів можуть лише збирати дані, оскільки вони не обладнані для прийняття рішень чи виявлення змін.
Замість цього дані передаються на Землю, де їх обробляють та вивчають. Зазвичай ці процеси займають кілька годин або навіть днів, що обмежує виявлення та реагування на певні події.
Тренування першої моделі машинного навчання на супутнику
Підписуйтеся на наші соцмережі
Щоб подолати ці обмеження, група дослідників з Оксфордського університету взялася за підготовку першої програми машинного навчання у відкритому космосі. Команда створила просту модель, яка виявляє зміни в хмарному покриві за аерофотознімками безпосередньо на борту супутника.
Модель базувалася на підході, який дозволяє їй вивчити найважливіші ознаки лише з кількох зразків. Ключова перевага полягає в тому, що дані можуть бути стиснуті в менші представлення. Це робить модель швидшою та ефективнішою.
Модель під назвою RaVAEn спочатку стискає великі файли зображень у вектори по 128 чисел. На етапі навчання вона вчиться зберігати в цьому векторі лише інформативні значення, тобто ті, що стосуються змін, які вона намагається виявити — в цьому випадку, наявність чи відсутність хмари.
Частину моделі, яка стискає щойно побачені зображення, навчали на Землі. Другу половину, що ідентифікує хмари на знімках, тренували безпосередньо на супутнику.
Результати роботи алгоритму, створеного у відкритому космосі
Зазвичай розробка моделі машинного навчання вимагала б декількох раундів навчання та потужні кластери пов'язаних між собою комп'ютерів. На відміну від цього, крихітний алгоритм завершив етап навчання з використанням понад 1300 зображень приблизно за півтори секунди.
Коли дослідники протестували роботу моделі на нових даних, вона автоматично визначила наявність хмар приблизно за десяту частку секунди. Це включало кодування та аналіз сцени, еквівалентної площі приблизно 4,8х4,8 кв. км.
За словами дослідників, модель може бути легко адаптована для виконання інших завдань, наприклад розпізнавання повеней, пожеж, вирубок лісів та природних змін.
Запропонована система також може використана в сузір'ях неоднорідних супутників.
