מערכת בינה מלאכותית המבוססת על למידה ذات-הנחיה (self-supervised) שנבדקה בחוות סלמון נורווגית זיהתה סימנים למחלה שלושה עד חמישה ימים לפני הופעת התסמינים, חזתה ירידות ברמת החמצן בדיוק של 94% עד שש שעות מראש, וצמצמה את בזבוז המזון ב-23%. הפריצת דרך מראה כי בתחום החקלאות הימית ניתן לקבל התרעות מוקדמות ללא צורך במאגרי נתונים עצומים המתויגים ידנית, אשר עיכבו את תהליכי האוטומציה עד כה.
למה חקלאות ימית זקוקה לגישה חדשה
חוות דגים פועלות בסביבות משתנות ללא הרף. גאות ועקורים עונתיים, תנודות טמפרטורה ושינויים כימיים פתאומיים הופכים את זרמי החיישנים לרעשניים וחסרים. התנהגות הדגים עצמה נעה בין פרצי פעילות של דקות בודדות לבין מחזורי צמיחה של חודשים ארוכים. כאשר מחלה פורצת, היא מתפשטת במהירות ויכולה להשמיד את יבול העונה כולה. איסוף מספיק דוגמאות מתויגות של כל חריגה הוא בלתי מעשי; התפרצויות הן אירועים נדירים, ותיוג של כל תנועת סנפיר או קריאת מים יעלה יותר משולי הרווח של החווה.
הפתרון של הלמידה העצמית
המערכת החדשה משתמשת בארכיטקטורה דו-שלבית המאפשרת לנתונים ללמד את עצמם.
שלב 1 – מקודד זמני (Temporal encoder)
תהליך של למידה ניגודית (contrastive learning) יוצר זוגות "חיוביים" מתוך תצפיות המתרחשות בקרבה בזמן, וזוגות "שליליים" מתוך תצפיות המרוחקות זו מזו. על ידי קירוב הזוגות החיוביים בייצוג הפנימי שלה תוך דחיקת הזוגות השליליים הרחק זה מזה, המקודד מחלץ דפוסים חוזרים ללא צורך בתיוג אנושי.
שלב 2 – סוכן החלטה מגלם (Embodied decision agent)
הדפוסים שנלמדו מזינים סוכן שמחליט מתי להתאים את רמות החמצן, לשנות את לוחות הזמנים להאכלה או להעלים התרעות. התוצאה של כל פעולה חוזרת אל המקודד, ובכך היא מזקקת את ספריית הדפוסים בלולאה רציפה.
התגברות על שלושה מכשולים טכניים
- נתונים חסרים – חיישנים בכלוב צף מאבדים לעיתים קרובות קשר. טכניקת קידוד זמני מוסתרת (masked temporal encoding) מלמדת את המודל להתעלם מרווחים בנתונים, ובכך מונעת מהרשת להיצמד לאותות שגויים.
- לוחות זמנים משתנים – מקודד רב-קנה-מידה (multi-scale encoder) מעבד פריימים מהירים של וידאו לצד קריאות כימיות המשתנות לאט, ובכך לוכד קפיצות לטווח קצר ומגמות לטווח ארוך.
- שכחה של ידע ישן – ככל שעונות חדשות מביאות תנאים חדשים, שיטת elastic weight consolidation שומרת על דפוסים שנלמדו בעבר תוך מתן אפשרות למודל להסתגל, ובכך מונעת "שכחה קטסטרופלית" (catastrophic forgetting).
המשמעות של המספרים עבור המגדלים
- זיהוי מוקדם של מחלות: זיהוי מחלה שלושה עד חמישה ימים מראש מעניק למפעילים חלון זמן לבידוד כלובים נגועים, יישום טיפולים ועצירת ההתפשטות.
- ניהול חמצן: חיזוי התרוקנות החמצן בדיוק של 94% מאפשר לחווה לאוורר את המים באופן מונע, ובכך להימנע מתמותה כתוצאה ממתח.
- יעילות האכלה: למידת מחזורי התיאבון הפחיתה את הבזבוז בכמעט רבע, מה שהוריד את עלויות ההאכלה וצמצם את הזליגה לסביבה.
שורה תחתונה
בינה מלאכותית המבוססת על למידה ذات-הנחיה הופכת זרמי חיישנים רועשים וחסרים לתובנות מעשיות, ומספקת התרעות מוקדמות למחלות, תחזיות חמצן מדויקות וחיסכון ניכר במזון – וכל זאת ללא העבודה היקרה של תיוג כל נקודת נתונים. עבור תעשייה המאזנת בין שולי רווח דקים לבין אחריות סביבתית, ליכולת זו עשוי להיות תפקיד מכריע בעיצוב אופן הפעולה של חוות דגים.