الصمود المناخي الساحلي عبر التعدين الذاتي
تواجه المراقبة الساحلية مشكلة هائلة. تُنتج المستشعرات منخفضة التكلفة جيجابايت من البيانات، لكن الأجهزة الصغيرة التي تعمل بالطاقة الشمسية لا تستطيع معالجتها.
لقد تعلمت هذا بالطريقة الصعبة في خليج المكسيك. كانت مستشعرات Raspberry Pi الخاصة بي تغرق في البيانات، حيث لم تكن تمتلك سوى 256 كيلوبايت من ذاكرة الوصول العشوائي (RAM). يتطلب التعلم الآلي التقليدي بيانات مُصنفة، ولكن لا يمكنك تصنيف كل مد وجزر أو مد عاصفة في محيط فوضوي يدويًا.
وجدت حلاً باستخدام التعدين الذاتي للأنماط الزمنية.
بدلاً من التصنيفات البشرية، توفر البيانات إشارتها الخاصة. لقد طورت طريقة تسمى Temporal Jigsaw. يتعلم النموذج من خلال إعادة بناء الترتيب الصحيح لقطع البيانات المبعثرة. يتيح ذلك للنظام فهم مراحل المد والجزر وشدة العواصف دون أي مساعدة بشرية.
ولجعل هذا يعمل على أجهزة بمستوى ميلي واط، استخدمت تقنية تقطير المعرفة (knowledge distillation).
قمت بتدريب نموذج معلم (teacher model) كبير، ثم ضغطت ذكاءه في نموذج طالب (student model) صغير. كانت النتائج واضحة: • استخدم النموذج الطالب 8 كيلوبايت فقط من المعلمات (parameters). • حافظ على 87% من دقة النموذج المعلم. • عمل باستهلاك طاقة قدره 3.2 ميلي واط فقط.
قمت بنشر هذه العقد عبر دلتا نهر المسيسيبي. وقد نجح النظام؛ حيث اكتشف علاقة بين الضغط الجوي والتآكل استغرق البشر سنوات لاكتشافها. بل إنه اكتشف "هزات ما قبل العاصفة" أثناء إعصار إيدا، مما أدى إلى تفعيل أخذ العينات عالي التردد في الوقت الذي كان فيه الأمر في غاية الأهمية.
يمكنك بناء أدوات مناخية مرنة حتى مع محدودية الطاقة والذاكرة. المفتاح هو نقل الذكاء من السحابة مباشرة إلى الحافة (the edge).
مجتمع تعليمي اختياري: https://t.me/GyaanSetuAi