رصد نظام ذكاء اصطناعي ذاتي الإشراف، تم اختباره في مزرعة سلمون نرويجية، علامات المرض قبل ظهور الأعراض بثلاثة إلى خمسة أيام، وتنبأ بانخفاض مستويات الأكسجين بدقة تصل إلى 94% قبل حدوثه بمدة تصل إلى ست ساعات، كما خفّض هدر الأعلاف بنسبة 23%. ويظهر هذا الإنجاز أن تربية الأحياء المائية يمكنها الحصول على تحذيرات مبكرة دون الحاجة إلى مجموعات البيانات الضخمة المصنفة يدويًا، والتي كانت تعيق عملية الأتمتة.
لماذا تحتاج تربية الأحياء المائية إلى نهج جديد
تقع مزارع الأسماك في بيئات متغيرة باستمرار؛ حيث تجعل المد والجزر الموسمي، وتقلبات درجات الحرارة، والتغيرات الكيميائية المفاجئة تدفقات البيانات من المستشعرات مشوشة وغير مكتملة. كما يتراوح سلوك الأسماك نفسه من نوبات قصيرة تستمر لدقائق إلى دورات نمو تمتد لشهور. وعندما يضرب المرض، فإنه ينتشر بسرعة ويمكن أن يقضي على محصول الموسم بأكمله. ويعد جمع أمثلة كافية مصنفة لكل حالة غير طبيعية أمرًا غير عملي؛ فالتفشيات نادرة، وتصنيف كل حركة للزعانف أو كل قراءة للمياه سيكلف أكثر من هامش ربح المزرعة.
الحل القائم على التعلم ذاتي الإشراف
يستخدم النظام الجديد بنية مكونة من مرحلتين تتيح للبيانات تعليم نفسها بنفسها.
المرحلة 1 – المشفر الزمني (Temporal encoder)
يعمل روتين التعلم التبايني (contrastive learning) على تكوين أزواج "إيجابية" من الملاحظات التي تحدث في أوقات متقاربة، وأزواج "سلبية" من الملاحظات المتباعدة زمنياً. ومن خلال تقريب الأزواج الإيجابية في تمثيله الداخلي ودفع الأزواج السلبية بعيدًا، يستخلص المشفر الأنماط المتكررة دون الحاجة إلى تسميات يوفرها البشر.
المرحلة 2 – وكيل اتخاذ القرار المتجسد (Embodied decision agent)
تغذي الأنماط المتعلمة وكيلًا يتخذ القرار بشأن موعد تعديل مستويات الأكسجين، أو تغيير جداول التغذية، أو إطلاق التنبيهات. وتعود نتيجة كل إجراء لتغذي المشفر مرة أخرى، مما يؤدي إلى صقل مكتبة الأنماط في حلقة مستمرة.
التغلب على ثلاث عقبات تقنية
- البيانات المفقودة – غالبًا ما تفقد المستشعرات الموجودة في الأقفاص العائمة الاتصال. وتعمل تقنية الترميز الزمني المقنع (masked temporal encoding) على تعليم النموذج تجاهل الفجوات، مما يمنع الشبكة من الارتباط بإشارات خاطئة.
- تفاوت المقاييس الزمنية – يقوم مشفر متعدد المقاييس بمعالجة إطارات الفيديو السريعة جنبًا إلى جنب مع القراءات الكيميائية بطيئة التغير، مما يسمح بالتقاط الطفرات قصيرة المدى والاتجاهات طويلة المدى.
- نسيان المعرفة القديمة – مع جلب المواسم الجديدة لظروف جديدة، يعمل دمج الأوزان المرن (elastic weight consolidation) على الحفاظ على الأنماط التي تم تعلمها مسبقًا مع السماح للنموذج بالتكيف، مما يتجنب "النسيان الكارثي".
ماذا تعني هذه الأرقام للمزارعين
- الكشف المبكر عن الأمراض: يمنح رصد المرض قبل ثلاثة إلى خمسة أيام المشغلين نافذة زمنية لعزل الأحواض المصابة، وتطبيق العلاجات، ووقف الانتشار.
- إدارة الأكسجين: يتيح التنبؤ بنقص الأكسجين بدقة 94% للمزارع تهوية المياه بشكل استباقي، مما يتجنب النفوق الناجم عن الإجهاد.
- كفاءة التغذية: أدى تعلم دورات الشهية إلى تقليل الهدر بنسبة الربع تقريبًا، مما خفض تكاليف الأعلاف وقلل من التسرب البيئي.
الخلاصة
يحول الذكاء الاصطناعي ذاتي الإشراف تدفقات المستشعرات المشوشة وغير المكتملة إلى رؤى قابلة للتنفيذ، حيث يوفر تحذيرات مبكرة من الأمراض، وتوقعات دقيقة للأكسجين، وتوفيرًا ملحوظًا في الأعلاف — كل ذلك دون العمالة المكلفة لتصنيف كل نقطة بيانات. وبالنسبة لصناعة توازن بين هوامش الربح الضئيلة والمسؤولية البيئية، فإن هذه القدرة قد تعيد تشكيل طريقة عمل مزارع الأسماك.