स्वायत्त मायनिंगद्वारे किनारपट्टीवरील हवामान लवचिकता
किनारपट्टीच्या देखरेखीमध्ये (Coastal monitoring) एक मोठी समस्या आहे. कमी खर्चाचे सेन्सर्स गिगाबाइट्समध्ये डेटा तयार करतात, परंतु लहान, सौर ऊर्जेवर चालणारी उपकरणे त्यावर प्रक्रिया करू शकत नाहीत.
मेक्सिकोच्या आखाड्यात (Gulf of Mexico) मला याचा कठीण अनुभव आला. माझे Raspberry Pi सेन्सर्स डेटाच्या ओघात बुडत होते. त्यांच्याकडे फक्त 256KB RAM होती. पारंपारिक मशीन लर्निंगसाठी 'लेबल केलेल्या' (labeled) डेटाची आवश्यकता असते, परंतु अथांग महासागरातील प्रत्येक भरती किंवा वादळाच्या लाटेला तुम्ही मॅन्युअली लेबल करू शकत नाही.
मला 'सेल्फ-सुपरवाइज्ड टेम्पोरल पॅटर्न मायनिंग' (self-supervised temporal pattern mining) वापरून एक उपाय सापडला.
मानवी लेबल्सऐवजी, डेटा स्वतःचा सिग्नल प्रदान करतो. मी 'टेम्पोरल जिगसॉ' (Temporal Jigsaw) नावाचा एक मार्ग विकसित केला. हा मॉडेल विस्कळीत केलेल्या डेटा सेगमेंटचा योग्य क्रम पुन्हा तयार करून शिकतो. यामुळे मानवी मदतीशिवाय प्रणालीला भरतीचे टप्पे आणि वादळाची तीव्रता समजण्यास मदत होते.
हे मिलिव्हॅट-पातळीच्या हार्डवेअरवर चालवण्यासाठी, मी 'नॉलेज डिस्टिलेशन' (knowledge distillation) चा वापर केला.
मी एक मोठा 'टीचर मॉडेल' (teacher model) प्रशिक्षित केला आणि नंतर त्याची बुद्धिमत्ता एका लहान 'स्टुडंट मॉडेल'मध्ये (student model) कॉम्प्रेस केली. याचे परिणाम स्पष्ट होते: • स्टुडंट मॉडेलने केवळ 8KB पॅरामीटर्स वापरले. • त्याने टीचर मॉडेलची 87% अचूकता कायम ठेवली. • ते केवळ 3.2mW ऊर्जेवर चालले.
मी हे नोड्स मिसिसिपी रिव्हर डेल्टावर (Mississippi River Delta) तैनात केले. ही प्रणाली यशस्वी ठरली. मानवांना शोधण्यासाठी वर्षे लागलेला बॅरोमेट्रिक प्रेशर (barometric pressure) आणि जमिनीची धूप (erosion) यांमधील संबंध या प्रणालीने शोधून काढला. इतकेच नाही तर, हरिकेन आयडा (Hurricane Ida) दरम्यान तिने "वादळापूर्वीचे थरथराट" (pre-storm tremors) देखील शोधले आणि जेव्हा त्याची सर्वात जास्त गरज होती, तेव्हा हाय-फ्रिक्वेन्सी सॅम्पलिंग सुरू केले.
मर्यादित ऊर्जा आणि मेमरी असूनही तुम्ही हवामानाशी संबंधित लवचिक साधने तयार करू शकता. क्लाउडकडून थेट 'एज' (edge) पर्यंत बुद्धिमत्ता (intelligence) नेणे हीच त्याची गुरुकिल्ली आहे.
पर्यायी लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi