𝗖𝗼𝗮𝘀𝘁𝗮𝗹 𝗖𝗹𝗶𝗺𝗮𝘁𝗲 𝗥𝗲𝘀𝗶𝗹𝗶𝗲𝗻𝗰𝗲 𝗧𝗵𝗿𝗼𝘂𝗴𝗵 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗠𝗶𝗻𝗶𝗻𝗴
तटीय निगरानी एक बड़ी समस्या का सामना कर रही है। कम लागत वाले सेंसर गीगाबाइट डेटा उत्पन्न करते हैं, लेकिन छोटे, सौर-संचालित उपकरण इसे प्रोसेस नहीं कर सकते।
मैंने मेक्सिको की खाड़ी (Gulf of Mexico) में इसे कठिन अनुभव से सीखा। मेरे Raspberry Pi सेंसर डेटा में डूब रहे थे। उनमें केवल 256KB RAM थी। पारंपरिक मशीन लर्निंग के लिए लेबल किए गए डेटा की आवश्यकता होती है, लेकिन आप एक अशांत महासागर में हर ज्वार या तूफान के उछाल (storm surge) को मैन्युअल रूप से लेबल नहीं कर सकते।
मुझे सेल्फ-सुपरवाइज्ड टेम्पोरल पैटर्न माइनिंग (self-supervised temporal pattern mining) का उपयोग करके एक समाधान मिला।
मानवीय लेबल के बजाय, डेटा स्वयं अपना संकेत प्रदान करता है। मैंने 'Temporal Jigsaw' नामक एक विधि विकसित की। मॉडल बिखरे हुए डेटा सेगमेंट के सही क्रम को पुनर्गठित करके सीखता है। यह सिस्टम को बिना किसी मानवीय सहायता के ज्वार के चरणों और तूफान की तीव्रता को समझने की अनुमति देता है।
इसे मिलीवाट-स्तर (milliwatt-level) के हार्डवेयर पर चलाने के लिए, मैंने नॉलेज डिस्टिलेशन (knowledge distillation) का उपयोग किया।
मैंने एक बड़े टीचर मॉडल को प्रशिक्षित किया और फिर उसकी बुद्धिमत्ता को एक छोटे स्टूडेंट मॉडल में संकुचित कर दिया। परिणाम स्पष्ट थे: • स्टूडेंट मॉडल ने केवल 8KB पैरामीटर्स का उपयोग किया। • इसने टीचर मॉडल की 87% सटीकता बनाए रखी। • यह केवल 3.2mW बिजली पर चला।
मैंने मिसिसिपी नदी डेल्टा (Mississippi River Delta) में इन नोड्स को तैनात किया। सिस्टम ने काम किया। इसने वायुमंडलीय दबाव (barometric pressure) और कटाव (erosion) के बीच एक ऐसा संबंध खोज निकाला जिसे खोजने में मनुष्यों को वर्षों लग जाते। इसने तूफान 'इडा' (Hurricane Ida) के दौरान "तूफान-पूर्व झटकों" (pre-storm tremors) का भी पता लगाया, जिससे ठीक उसी समय हाई-फ्रीक्वेंसी सैंपलिंग शुरू हो गई जब इसकी सबसे अधिक आवश्यकता थी।
आप सीमित शक्ति और मेमोरी के साथ भी लचीले जलवायु उपकरण बना सकते हैं। इसकी कुंजी बुद्धिमत्ता को क्लाउड से सीधे एज (edge) पर ले जाना है।
Optional learning community: https://t.me/GyaanSetuAi