لا يقتصر تدريب نماذج التعلم الآلي على الأرض، بل كما يبدو ستصل إلى الفضاء الخارجي، لتعمل على متن الأقمار الاصطناعية.
للمرة الأولى، يعمل باحثون في جامعة أكسفورد البريطانية على تدريب نموذج للتعلم الآلي مباشرة في الفضاء، ما يعكس القدرة على إحداث ثورة في المراقبة الفضائية في الوقت الحقيقي، التي تمتد من قدرة التدخل في حالات الكوارث إلى مبادرات الحفاظ على الغابات.
وفي حديث خاص لـ«الشرق الأوسط»، يقول طالب الدكتوراه فيت روزيكا، من قسم علوم الكمبيوتر في جامعة أكسفورد، إن أهمية ذلك تكمن في القدرة على تكييف ما يعرفه نموذج التعلم الآلي مع شيء جديد، خاصة في بيئات قاسية قد تؤثر على أجهزة الاستشعار، كما في الفضاء الخارجي.
ما الجديد؟
تاريخياً، ترتبط مهمة الأقمار الاصطناعية في المقام الأول بجمع بيانات تتطلب بعد ذلك نقلها إلى الأرض لإجراء أي معالجة تحليلية مطلوبة. تحتاج هذه العملية بطبيعتها لفترات زمنية كبيرة، قد تمتد أحياناً لساعات حتى أيام. ويشكل هذا التأخر قيوداً على جمع المعلومات والحصول على النتائج المرجوة، خاصة عندما تكون الاستجابات السريعة والمرنة حاسمة، كما الحال في أعقاب الكوارث الطبيعية المفاجئة.
ولتجاوز هذه القيود، يشرع فريق جامعة أكسفورد إلى تمكين الأقمار الاصطناعية من اتخاذ القرارات السريعة في الوقت الحقيقي مباشرة وفي الفضاء.
قام الباحثون بتدريب نموذج بسيط للكشف عن التغييرات في غطاء السحب من الصور الجوية مباشرة على متن القمر الاصطناعي، على عكس التدريب على الأرض. استند النموذج إلى نهج يُسمى «التعلم القليل النماذج»، الذي يتيح للنموذج تعلم أهم الميزات التي يجب البحث عنها عندما يكون لديه فقط عدد قليل من العينات للتدريب منها. الميزة الرئيسية هي أن البيانات يمكن ضغطها إلى تمثيلات أصغر، ما يجعل النموذج أسرع وأكثر كفاءة.
نموذج «RaVAEn»
يجسد هذا النموذج الكفاءة في تكنولوجيا الفضاء حيث يعمل عن طريق تحويل بيانات الصور ذات الحجم الكبير أولاً إلى تنسيق متجه مضغوط يتكون من 128 رقماً.
وتم التأكيد على براعته من خلال قدراته السريعة.
أثناء مرحلته التجريبية، تدرب النموذج بسرعة كبيرة على مجموعة بيانات واسعة النطاق تضم أكثر من 1300 صورة خلال ثانية ونصف ثانية فقط حيث أثبتت الاختبارات اللاحقة فاعليتها. وعند تقديم بيانات جديدة، تمكن «RaVAEn» من تحديد أنماط السحابة على مناطق واسعة، بحجم 450 ملعب كرة قدم تقريباً، في جزء من الثانية فقط.
درّب الباحثون نموذجاً بسيطاً للكشف عن التغييرات في غطاء السحب من الصور الجوية مباشرة على متن القمر الاصطناعي، على عكس التدريب على الأرض.
استند النموذج إلى نهج يُسمى التعلم القليل النماذج، الذي يتيح له تعلم أهم الميزات التي يجب البحث عنها عندما يكون لديه فقط عدد قليل من العينات للتدريب منها. الميزة الرئيسية هي أن البيانات يمكن ضغطها إلى تمثيلات أصغر، ما يجعل النموذج أسرع وأكثر كفاءة.
ووفقاً للباحثين، الذين يأملون أن يبصر مشروعهم النور مستقبلاً، يمكن تكييف النموذج بسهولة للقيام بمهام مختلفة، واستخدام أشكال أخرى من البيانات، بهدف تطوير نماذج أكثر تقدماً، يمكن أن تميز تلقائياً بين التغييرات المهمة (مثل الفيضانات، والحرائق، وإزالة الغابات) والتغييرات الطبيعية (مثل التغييرات الطبيعية في لون الأوراق عبر الفصول).
