ഒരു നോർവീജിയൻ സാൽമൺ ഫാമിൽ പരീക്ഷിച്ച സെൽഫ്-സൂപ്പർവൈസ്ഡ് (self-supervised) AI സംവിധാനം, രോഗലക്ഷണങ്ങൾ പ്രകടമാകുന്നതിന് മൂന്ന് മുതൽ അഞ്ച് ദിവസം മുമ്പ് തന്നെ അവ തിരിച്ചറിഞ്ഞു. കൂടാതെ, ഓക്സിജൻ അളവിലുണ്ടാകുന്ന കുറവ് ആറ് മണിക്കൂർ മുമ്പ് തന്നെ 94% കൃത്യതയോടെ പ്രവചിക്കാനും തീറ്റ പാഴാകുന്നത് 23% കുറയ്ക്കാനും ഇതിന് സാധിച്ചു. ഓട്ടോമേഷൻ തടസ്സപ്പെടുത്തുന്ന വൻതോതിലുള്ള ഹാൻഡ്-ലേബൽഡ് (hand-labeled) ഡാറ്റാസെറ്റുകൾ ഇല്ലാതെ തന്നെ അക്വാകൾച്ചർ മേഖലയിൽ മുൻകൂട്ടി മുന്നറിയിപ്പുകൾ നൽകാൻ കഴിയുമെന്ന് ഈ മുന്നേറ്റം തെളിയിക്കുന്നു.
അക്വാകൾച്ചറിന് എന്തുകൊണ്ട് ഒരു പുതിയ സമീപനം ആവശ്യമാണ്
മത്സ്യകൃഷി കേന്ദ്രങ്ങൾ നിരന്തരം മാറിക്കൊണ്ടിരിക്കുന്ന സാഹചര്യങ്ങളിലാണ് പ്രവർത്തിക്കുന്നത്. കാലികമായ വേലിയേറ്റങ്ങൾ, താപനിലയിലെ വ്യതിയാനങ്ങൾ, പെട്ടെന്നുണ്ടാകുന്ന രാസമാറ്റങ്ങൾ എന്നിവ സെൻസർ ഡാറ്റയിൽ അപാകതകളും അപൂർണ്ണതകളും ഉണ്ടാക്കുന്നു. മത്സ്യങ്ങളുടെ സ്വഭാവം മിനിറ്റുകൾ നീണ്ടുനിൽക്കുന്ന ചലനങ്ങൾ മുതൽ മാസങ്ങൾ നീണ്ടുനിൽക്കുന്ന വളർച്ചാ ചക്രം വരെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. രോഗങ്ങൾ പടരുമ്പോൾ അവ വളരെ വേഗത്തിൽ വ്യാപിക്കുകയും ഒരു സീസണിലെ വിളവെടുപ്പ് മുഴുവൻ നശിപ്പിക്കുകയും ചെയ്തേക്കാം. ഓരോ അസ്വാഭാവികതയുടെയും കൃത്യമായ ലേബൽ ചെയ്ത ഉദാഹരണങ്ങൾ ശേഖരിക്കുക എന്നത് പ്രായോഗികമല്ല; രോഗബാധകൾ അപൂർവ്വമാണ്, കൂടാതെ ഓരോ ചിറകടിയിലോ ജലനിരപ്പിലോ ഉള്ള മാറ്റങ്ങൾ പോലും രേഖപ്പെടുത്തുന്നത് ഫാമിലെ ലാഭത്തേക്കാൾ വലിയ ചിലവുള്ള കാര്യമാണ്.
സെൽഫ്-സൂപ്പർവൈസ്ഡ് പരിഹാരം
ഡാറ്റയ്ക്ക് സ്വയം പഠിക്കാൻ അനുവദിക്കുന്ന ഒരു ടു-സ്റ്റേജ് (two-stage) ആർക്കിടെക്ചറാണ് ഈ പുതിയ സംവിധാനം ഉപയോഗിക്കുന്നത്.
സ്റ്റേജ് 1 – ടെമ്പറൽ എൻകോഡർ (Temporal encoder)
സമയക്രമത്തിൽ അടുത്തടുത്തായി സംഭവിക്കുന്ന നിരീക്ഷണങ്ങളിൽ നിന്ന് "പോസിറ്റീവ്" ജോഡികളും, ദൂരെയുള്ളവയിൽ നിന്ന് "നെഗറ്റീവ്" ജോഡികളും ഒരു കോൺട്രാസ്റ്റിവ് ലേണിംഗ് (contrastive learning) രീതിയിലൂടെ രൂപപ്പെടുത്തുന്നു. പോസിറ്റീവ് ജോഡികളെ അതിന്റെ ആന്തരിക രൂപീകരണത്തിൽ അടുപ്പിക്കുകയും നെഗറ്റീവ് ജോഡികളെ അകറ്റുകയും ചെയ്യുന്നതിലൂടെ, മനുഷ്യർ നൽകുന്ന ലേബലുകൾ ഇല്ലാതെ തന്നെ ആവർത്തിച്ചു വരുന്ന പാറ്റേണുകൾ എൻകോഡർ തിരിച്ചറിയുന്നു.
സ്റ്റേജ് 2 – എംബോഡീഡ് ഡിസിഷൻ ഏജന്റ് (Embodied decision agent)
പഠിച്ചെടുത്ത പാറ്റേണുകൾ ഒരു ഏജന്റിലേക്ക് നൽകുന്നു. ഓക്സിജൻ അളവ് ക്രമീകരിക്കേണ്ടത് എപ്പോൾ, തീറ്റ നൽകുന്ന സമയം മാറ്റേണ്ടത് എപ്പോൾ, അല്ലെങ്കിൽ മുന്നറിയിപ്പുകൾ നൽകേണ്ടത് എപ്പോൾ എന്നിവ ഈ ഏജന്റ് തീരുമാനിക്കുന്നു. ഓരോ പ്രവർത്തനത്തിന്റെയും ഫലം വീണ്ടും എൻകോഡറിലേക്ക് തന്നെ തിരികെ ലഭിക്കുന്നതിലൂടെ, ഒരു തുടർച്ചയായ പ്രക്രിയയിലൂടെ പാറ്റേൺ ലൈബ്രറി കൂടുതൽ മെച്ചപ്പെടുന്നു.
മൂന്ന് സാങ്കേതിക തടസ്സങ്ങളെ മറികടക്കുന്നു
- വിട്ടുപോയ ഡാറ്റ (Missing data) – ഒഴുകിനടക്കുന്ന കൂടുകളിൽ (floating cages) ഘടിപ്പിച്ചിട്ടുള്ള സെൻസറുകൾ പലപ്പോഴും ബന്ധം നഷ്ടപ്പെടാറുണ്ട്. ഒരു മാസ്ക്ഡ് ടെമ്പറൽ എൻകോഡിംഗ് (masked temporal encoding) സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നതിലൂടെ, ഡാറ്റയിലെ വിടവുകളെ അവഗണിക്കാനും തെറ്റായ സിഗ്നലുകളെ അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കുന്നത് തടയാനും മോഡലിനെ പഠിപ്പിക്കുന്നു.
- വ്യത്യസ്ത സമയപരിധികൾ (Varying timescales) – ഒരു മൾട്ടി-സ്കെയിൽ എൻകോഡർ വേഗത്തിലുള്ള വീഡിയോ ഫ്രെയിമുകളെയും സാവധാനം മാറുന്ന രാസമാറ്റങ്ങളെയും ഒരേപോലെ വിശകലനം ചെയ്യുന്നു. ഇത് ഹ്രസ്വകാലത്തെ വ്യതിയാനങ്ങളും ദീർഘകാലത്തെ പ്രവണതകളും കൃത്യമായി മനസ്സിലാക്കാൻ സഹായിക്കുന്നു.
- പഴയ അറിവുകൾ മറന്നുപോകുന്നത് (Forgetting old knowledge) – പുതിയ സീസണുകൾ വരുമ്പോൾ സാഹചര്യങ്ങൾ മാറുന്നു. ഇലാസ്റ്റിക് വെയ്റ്റ് കൺസോളിഡേഷൻ (elastic weight consolidation) എന്ന രീതി ഉപയോഗിക്കുന്നതിലൂടെ, പുതിയ സാഹചര്യങ്ങളോട് പൊരുത്തപ്പെടാനും എന്നാൽ നേരത്തെ പഠിച്ച പാറ്റേണുകൾ മറന്നുപോകാതിരിക്കാനും (catastrophic forgetting ഒഴിവാക്കാൻ) മോഡലിന് സാധിക്കുന്നു.
ഈ കണക്കുകൾ കർഷകർക്ക് എന്ത് അർത്ഥമാക്കുന്നു
- രോഗങ്ങൾ നേരത്തെ കണ്ടെത്തുന്നു: രോഗലക്ഷണങ്ങൾ മൂന്ന് മുതൽ അഞ്ച് ദിവസം മുമ്പ് തന്നെ തിരിച്ചറിയുന്നത്, ബാധിച്ച ഭാഗങ്ങൾ വേർതിരിക്കാനും ചികിത്സകൾ നൽകാനും രോഗം പടരുന്നത് തടയാനും കർഷകരെ സഹായിക്കുന്നു.
- ഓക്സിജൻ നിയന്ത്രണം: ഓക്സിജൻ കുറയുന്നത് 94% കൃത്യതയോടെ പ്രവചിക്കുന്നതിലൂടെ, വെള്ളത്തിൽ ഓക്സിജൻ നിറയ്ക്കുന്ന നടപടികൾ മുൻകൂട്ടി എടുക്കാനും അതുവഴി മത്സ്യങ്ങളുടെ മരണനിരക്ക് കുറയ്ക്കാനും സാധിക്കുന്നു.
- തീറ്റയുടെ കാര്യക്ഷമത: മത്സ്യങ്ങളുടെ വിശപ്പ് ക്രമങ്ങൾ (appetite cycles) പഠിച്ചെടുത്തതിലൂടെ തീറ്റ പാഴാകുന്നത് നാലിലൊന്ന് ഭാഗത്തോളം കുറച്ചു. ഇത് തീറ്റച്ചെലവ് കുറയ്ക്കാനും പരിസ്ഥിതി മലിനീകരണം തടയാനും സഹായിക്കുന്നു.
ചുരുക്കത്തിൽ
സെൽഫ്-സൂപ്പർവൈസ്ഡ് AI, അപൂർണ്ണമായ സെൻസർ ഡാറ്റയെ ഉപയോഗപ്രദമായ വിവരങ്ങളാക്കി മാറ്റുന്നു. ഓരോ ഡാറ്റാ പോയിന്റും ലേബൽ ചെയ്യുന്നതിനുള്ള വലിയ ചിലവില്ലാതെ തന്നെ രോഗങ്ങളെക്കുറിച്ചുള്ള മുന്നറിയിപ്പുകളും, കൃത്യമായ ഓക്സിജൻ പ്രവചനങ്ങളും, തീറ്റ ലാഭവും ഇത് നൽകുന്നു. കുറഞ്ഞ ലാഭവും പരിസ്ഥിതി സംരക്ഷണവും തമ്മിൽ സന്തുലിതാവസ്ഥ നിലനിർത്തേണ്ട ഒരു വ്യവസായത്തിന്, മത്സ്യകൃഷി രീതികളെ തന്നെ മാറ്റിമറിക്കാൻ ഈ സാങ്കേതികവിദ്യയ്ക്ക് സാധിക്കും.