یک سیستم هوش مصنوعی خود-نظارتی که در یک مزرعه سالمون در نروژ آزمایش شده است، نشانههای بیماری را سه تا پنج روز پیش از ظهور علائم شناسایی کرد، کاهش اکسیژن را با دقت ۹۴٪ تا شش ساعت قبل پیشبینی نمود و هدررفت خوراک را ۲۳٪ کاهش داد. این پیشرفت نشان میدهد که آبزیپروری میتواند بدون نیاز به مجموعهدادههای عظیم و برچسبگذاریشده دستی که مانع اتوماسیون شدهاند، هشدارهای زودهنگام دریافت کند.
چرا آبزیپروری به رویکردی جدید نیاز دارد
مزارع پرورش ماهی در محیطهایی قرار دارند که دائماً در حال تغییر هستند. جزر و مدهای فصلی، نوسانات دما و تغییرات شیمیایی ناگهانی باعث میشود جریانهای دادههای حسگر، پراشدار و ناقص باشند. رفتار خود ماهی نیز از فورانهای کوتاهمدت چند دقیقهای تا چرخههای رشد چند ماهه متغیر است. زمانی که بیماری شیوع میکند، به سرعت پخش میشود و میتواند محصول یک فصل را از بین ببرد. جمعآوری نمونههای برچسبگذاریشده کافی از هرگونه ناهنجاری غیرعملی است؛ شیوع بیماریها نادر است و برچسبگذاری هر حرکت باله یا هر خوانش آب، هزینهای بیش از حاشیه سود مزرعه خواهد داشت.
راهکار خود-نظارتی
سیستم جدید از یک معماری دو مرحلهای استفاده میکند که به دادهها اجازه میدهد خودشان را آموزش دهند.
مرحله ۱ – رمزگذار زمانی (Temporal encoder)
یک روال یادگیری مقابلهای (contrastive learning)، جفتهای «مثبت» را از مشاهداتی که در زمان نزدیک به هم رخ میدهند و جفتهای «منفی» را از مشاهداتی که فاصله زمانی زیادی دارند، تشکیل میدهد. رمزگذار با نزدیک کردن موارد مثبت در بازنمایی داخلی خود و دور کردن موارد منفی، الگوهای تکرار شونده را بدون نیاز به برچسبهای انسانی استخراج میکند.
مرحله ۲ – عامل تصمیمگیرنده تجسمیافته (Embodied decision agent)
الگوهای آموختهشده به عاملی تغذیه میشوند که تصمیم میگیرد چه زمانی سطوح اکسیژن را تنظیم کند، برنامه خوراک را تغییر دهد یا هشدار صادر کند. نتیجه هر اقدام به رمزگذار بازخورد میدهد و کتابخانه الگوها را در یک حلقه مداوم اصلاح میکند.
غلبه بر سه مانع فنی
- دادههای مفقود – حسگرها در قفسهای شناور اغلب تماس خود را از دست میدهند. یک تکنیک رمزگذاری زمانی ماسکشده (masked temporal encoding) به مدل میآموزد که شکافها را نادیده بگیرد و از چسبیدن شبکه به سیگنالهای کاذب جلوگیری میکند.
- مقیاسهای زمانی متفاوت – یک رمزگذار چندمقیاسی (multi-scale encoder)، فریمهای سریع ویدئویی را در کنار خوانشهای شیمیایی با تغییرات کند پردازش میکند و جهشهای کوتاهمدت و روندهای بلندمدت را ثبت مینماید.
- فراموشی دانش قبلی – با ورود شرایط جدید در فصلهای تازه، روش تثبیت وزن الاستیک (elastic weight consolidation) الگوهای قبلاً آموختهشده را حفظ میکند و در عین حال به مدل اجازه میدهد تا با شرایط جدید سازگار شود و از فراموشی فاجعهبار (catastrophic forgetting) جلوگیری میکند.
معنای این اعداد برای پرورشدهندگان
- تشخیص زودهنگام بیماری: شناسایی بیماری سه تا پنج روز زودتر، به اپراتورها فرصتی میدهد تا قفسهای آلوده را جدا کنند، درمانها را اعمال کنند و از گسترش آن جلوگیری کنند.
- مدیریت اکسیژن: پیشبینی کاهش اکسیژن با دقت ۹۴٪ به مزارع اجازه میدهد تا پیشدستانه آب را هوادهی کنند و از مرگومیر ناشی از استرس جلوگیری کنند.
- بهرهوری خوراک: یادگیری چرخههای اشتها، هدررفت را تقریباً تا یکچهارم کاهش داد که باعث کاهش هزینههای خوراک و کاهش روانآبهای محیطی شد.
جمعبندی
هوش مصنوعی خود-نظارتی، جریانهای پراشدار و ناقص حسگرها را به بینشهای کاربردی تبدیل میکند و هشدارهای زودهنگام بیماری، پیشبینیهای دقیق اکسیژن و صرفهجویی قابلتوجه در خوراک را فراهم میآورد؛ همگی بدون نیاز به نیروی کار پرهزینه برای برچسبگذاری هر نقطه داده. برای صنعتی که حاشیه سود کم را در برابر مسئولیتپذیری زیستمحیطی متعادل میکند، این قابلیت میتواند نحوه فعالیت مزارع پرورش ماهی را بازتعریف کند.