تاب‌آوری اقلیمی ساحلی از طریق استخراج خودگردان

پایش ساحلی با مشکل بزرگی روبروست. حسگرهای ارزان‌قیمت گیگابایت‌ها داده تولید می‌کنند، اما دستگاه‌های کوچک و خورشیدی قادر به پردازش آن‌ها نیستند.

من این موضوع را به سختی در خلیج مکزیک آموختم. حسگرهای Raspberry Pi من در انبوهی از داده‌ها غرق شده بودند. آن‌ها تنها ۲۵۶ کیلوبایت رم داشتند. یادگیری ماشین سنتی به داده‌های برچسب‌گذاری شده نیاز دارد، اما نمی‌توان هر جزر و مد یا موج طوفانی را در یک اقیانوس پرآشوب به صورت دستی برچسب‌گذاری کرد.

من راه حلی با استفاده از استخراج الگوهای زمانی خودنظارتی (self-supervised temporal pattern mining) پیدا کردم.

به جای برچسب‌های انسانی، خودِ داده‌ها سیگنال لازم را فراهم می‌کنند. من روشی به نام Temporal Jigsaw توسعه دادم. مدل با بازسازی ترتیب صحیح بخش‌های جابه‌جا شده‌ی داده‌ها، یاد می‌گیرد. این امر به سیستم اجازه می‌دهد تا فازهای جزر و مد و شدت طوفان را بدون هیچ کمک انسانی درک کند.

برای اینکه این روش روی سخت‌افزارهای در سطح میلی‌وات کار کند، از تقطیر دانش (knowledge distillation) استفاده کردم.

من یک مدل معلم (teacher model) بزرگ را آموزش دادم و سپس هوشمندی آن را در یک مدل شاگرد (student model) بسیار کوچک فشرده کردم. نتایج واضح بود: • مدل شاگرد تنها از ۸ کیلوبایت پارامتر استفاده کرد. • ۸۷٪ از دقت مدل معلم را حفظ کرد. • تنها با ۳.۲ میلی‌وات توان کار کرد.

من این گره‌ها را در سراسر دلتای رودخانه میسیسیپی مستقر کردم. سیستم کار کرد. این سیستم پیوندی میان فشار بارومتریک و فرسایش کشف کرد که انسان‌ها سال‌ها برای یافتن آن زمان نیاز داشتند. این سیستم حتی در طول طوفان آیدا، «لرزش‌های پیش از طوفان» را شناسایی کرد و دقیقاً در زمانی که بیشترین اهمیت را داشت، نمونه‌برداری با فرکانس بالا را آغاز نمود.

شما می‌توانید حتی با توان و حافظه محدود، ابزارهای اقلیمی تاب‌آور بسازید. کلید کار، انتقال هوشمندی از ابر (cloud) مستقیماً به لبه (edge) است.

Source: https://dev.to/rikinptl/self-supervised-temporal-pattern-mining-for-coastal-climate-resilience-planning-for-low-power-ggd

Optional learning community: https://t.me/GyaanSetuAi