𝗖𝗼𝗮𝘀𝘁𝗮𝗹 𝗖𝗹𝗶𝗺𝗮𝘁𝗲 𝗥𝗲𝘀𝗶𝗹𝗶𝗲𝗻𝗰𝗲 𝗧𝗵𝗿𝗼𝘂𝗴𝗵 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗠𝗶𝗻𝗶𝗻𝗴
દરિયાકાંઠાના નિરીક્ષણ (Coastal monitoring) સામે એક મોટી સમસ્યા છે. ઓછા ખર્ચના સેન્સર્સ ગીગાબાઇટ્સમાં ડેટા ઉત્પન્ન કરે છે, પરંતુ નાના, સૌર-શક્તિથી ચાલતા ઉપકરણો તેને પ્રોસેસ કરી શકતા નથી.
મેં મેક્સિકોના અખાતમાં આ અનુભવ ખૂબ જ મુશ્કેલીથી મેળવ્યો હતો. મારા Raspberry Pi સેન્સર્સ ડેટામાં ડૂબી રહ્યા હતા. તેમની પાસે માત્ર 256KB RAM હતી. પરંપરાગત મશીન લર્નિંગ માટે લેબલ કરેલા ડેટાની જરૂર હોય છે, પરંતુ તમે અસ્તવ્યસ્ત સમુદ્રમાં દરેક ભરતી અથવા તોફાની મોજાને (storm surge) મેન્યુઅલી લેબલ કરી શકતા નથી.
મેં સેલ્ફ-સુપરવાઇઝ્ડ ટેમ્પોરલ પેટર્ન માઇનિંગ (self-supervised temporal pattern mining) નો ઉપયોગ કરીને એક ઉકેલ શોધ્યો.
માનવીય લેબલ્સને બદલે, ડેટા પોતે જ પોતાનો સિગ્નલ આપે છે. મેં Temporal Jigsaw નામની એક પદ્ધતિ વિકસાવી છે. આ મોડેલ ડેટાના વિખરાયેલા ભાગોના સાચા ક્રમને ફરીથી બનાવીને (reconstructing) શીખે છે. આનાથી સિસ્ટમ માનવીય મદદ વગર ભરતીના તબક્કાઓ અને તોફાનની તીવ્રતાને સમજી શકે છે.
આને મિલીવોટ-સ્તરના હાર્ડવેર પર ચલાવવા માટે, મેં નોલેજ ડિસ્ટિલેશન (knowledge distillation) નો ઉપયોગ કર્યો.
મેં એક મોટું teacher model તાલીમબદ્ધ કર્યું અને પછી તેની બુદ્ધિને એક નાના student model માં સંકુચિત કરી. પરિણામો સ્પષ્ટ હતા: • student model માત્ર 8KB પેરામીટર્સનો ઉપયોગ કરતું હતું. • તેણે teacher મોડેલની 87% ચોકસાઈ જાળવી રાખી. • તે માત્ર 3.2mW પાવર પર ચાલતું હતું.
મેં મિસિસિપી રિવર ડેલ્ટામાં આ નોડ્સ તૈનાત કર્યા. સિસ્ટમ સફળ રહી. તેણે બેરોમેટ્રિક દબાણ અને ધોવાણ (erosion) વચ્ચે એવો સંબંધ શોધ્યો જેને શોધવામાં માણસોને વર્ષો લાગ્યા હતા. તેણે હરિકેન આઈડા દરમિયાન "pre-storm tremors" (તોફાન પહેલાના ધ્રુજારી) પણ શોધી કાઢ્યા, જેના કારણે જ્યારે સૌથી વધુ જરૂર હતી ત્યારે જ હાઈ-ફ્રીક્વન્સી સેમ્પલિંગ શરૂ થઈ ગયું.
તમે મર્યાદિત પાવર અને મેમરી હોવા છતાં સ્થિતિસ્થાપક ક્લાયમેટ ટૂલ્સ બનાવી શકો છો. મુખ્ય બાબત એ છે કે બુદ્ધિ (intelligence) ને ક્લાઉડમાંથી સીધી એજ (edge) પર લઈ જવી.
વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi