𝗖𝗼𝗮𝘀𝘁𝗮𝗹 𝗖𝗹𝗶𝗺𝗮𝘁𝗲 𝗥𝗲𝘀𝗶𝗹𝗶𝗲𝗻𝗰𝗲 𝗧𝗵𝗿𝗼𝘂𝗴𝗵 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗠𝗶𝗻𝗶𝗻𝗴
ಕರಾವಳಿ ಮೇಲ್ವಿಚಾರಣೆಯು ಒಂದು ದೊಡ್ಡ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಕಡಿಮೆ ವೆಚ್ಚದ ಸೆನ್ಸರ್ಗಳು ಗಿಗಾಬೈಟ್ಗಳಷ್ಟು ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ, ಆದರೆ ಸಣ್ಣದಾದ, ಸೌರಶಕ್ತಿಯಿಂದ ಚಾಲಿತವಾಗುವ ಸಾಧನಗಳು ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.
ಮೆಕ್ಸಿಕೊ ಕೊಲ್ಲಿಯಲ್ಲಿ ನಾನು ಇದನ್ನು ಕಷ್ಟಪಟ್ಟು ಕಲಿತೆ. ನನ್ನ Raspberry Pi ಸೆನ್ಸರ್ಗಳು ಡೇಟಾದಲ್ಲಿ ಮುಳುಗಿದ್ದವು. ಅವುಗಳಲ್ಲಿ ಕೇವಲ 256KB RAM ಇತ್ತು. ಸಾಂಪ್ರದಾಯಿಕ ಮಷೀನ್ ಲರ್ನಿಂಗ್ಗೆ ಲೇಬಲ್ ಮಾಡಿದ ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ, ಆದರೆ ಅಸ್ತವ್ಯಸ್ತವಾದ ಸಮುದ್ರದಲ್ಲಿ ಪ್ರತಿಯೊಂದು ಉಬ್ಬರವಿಳಿತ ಅಥವಾ ಚಂಡಮಾರುತದ ಅಲೆಗಳನ್ನು ನೀವು ಮ್ಯಾನುಯಲ್ ಆಗಿ ಲೇಬಲ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ.
ನಾನು self-supervised temporal pattern mining ಬಳಸಿ ಒಂದು ಪರಿಹಾರವನ್ನು ಕಂಡುಕೊಂಡೆ.
ಮಾನವನ ಲೇಬಲ್ಗಳ ಬದಲಿಗೆ, ಡೇಟಾ ತನ್ನದೇ ಆದ ಸಿಗ್ನಲ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾನು Temporal Jigsaw ಎಂಬ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ. ಇದು ಚದುರಿಸಿದ ಡೇಟಾ ವಿಭಾಗಗಳ ಸರಿಯಾದ ಕ್ರಮವನ್ನು ಮರುನಿರ್ಮಿಸುವ ಮೂಲಕ ಕಲಿಯುತ್ತದೆ. ಇದು ಯಾವುದೇ ಮಾನವ ಸಹಾಯವಿಲ್ಲದೆ ಉಬ್ಬರವಿಳಿತದ ಹಂತಗಳು ಮತ್ತು ಚಂಡಮಾರುತದ ತೀವ್ರತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವ್ಯವಸ್ಥೆಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಇದನ್ನು ಮಿಲಿವ್ಯಾಟ್ ಮಟ್ಟದ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡಲು, ನಾನು knowledge distillation ಅನ್ನು ಬಳಸಿದೆ.
ನಾನು ಒಂದು ದೊಡ್ಡ teacher model ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಿದೆ ಮತ್ತು ನಂತರ ಅದರ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಒಂದು ಸಣ್ಣ student model ಆಗಿ ಸಂಕುಚಿತಗೊಳಿಸಿದೆ. ಇದರ ಫಲಿತಾಂಶಗಳು ಸ್ಪಷ್ಟವಾಗಿದ್ದವು: • ಸ್ಟೂಡೆಂಟ್ ಮಾಡೆಲ್ ಕೇವಲ 8KB ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಬಳಸಿತು. • ಇದು ಟೀಚರ್ ಮಾಡೆಲ್ನ 87% ನಿಖರತೆಯನ್ನು ಕಾಯ್ದುಕೊಂಡಿತು. • ಇದು ಕೇವಲ 3.2mW ವಿದ್ಯುತ್ ಶಕ್ತಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು.
ನಾನು ಈ ನೋಡ್ಗಳನ್ನು ಮಿಸ್ಸಿಸ್ಸಿಪ್ಪಿ ನದಿ ಡೆಲ್ಟಾದಾದ್ಯಂತ ನಿಯೋಜಿಸಿದೆ. ವ್ಯವಸ್ಥೆಯು ಯಶಸ್ವಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು. ಮಾನವರು ಕಂಡುಹಿಡಿಯಲು ವರ್ಷोंಗಟ್ಟಲೆ ಬೇಕಾಗುವ ಬ್ಯಾರೋಮೆಟ್ರಿಕ್ ಒತ್ತಡ ಮತ್ತು ಸವೆತದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಇದು ಪತ್ತೆಹಚ್ಚಿತು. ಇದು ಹರಿಕೇನ್ ಐಡಾ ಸಮಯದಲ್ಲಿ "pre-storm tremors" ಅನ್ನು ಸಹ ಪತ್ತೆಹಚ್ಚಿತು, ಇದು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಸಮಯದಲ್ಲಿ ಹೆಚ್ಚಿನ ತầnತೆಯ ಸ್ಯಾಂಪಲಿಂಗ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಿತು.
ಸೀಮಿತ ವಿದ್ಯುತ್ ಮತ್ತು ಮೆಮೊರಿಯಿದ್ದರೂ ಸಹ ನೀವು ಸ್ಥಿತಿಸ್ಥಾಪಕ ಹವಾಮಾನ ಸಾಧನಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು. ಕ್ಲೌಡ್ನಿಂದ ನೇರವಾಗಿ ಎಡ್ಜ್ಗೆ (edge) ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ವರ್ಗಾಯಿಸುವುದೇ ಇದರ ಕೀಲಿಮ。
ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi