𝗞𝗲𝘁𝗮𝗵𝗮𝗻𝗮𝗻 𝗜𝗸𝗹𝗶𝗺 𝗣𝗲𝘀𝗶𝘀𝗶𝗿 𝗣𝗮𝗻𝘁𝗮𝗶 𝗠𝗲𝗹𝗮𝗹𝘂𝗶 𝗣𝗲𝗿𝗹𝗼𝗺𝗯𝗼𝗻𝗴𝗮𝗻 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗶
Pemantauan pesisir pantai menghadapi masalah besar. Sensor kos rendah menghasilkan gigabait data, tetapi peranti kecil berkuasa solar tidak mampu memprosesnya.
Saya mempelajari perkara ini melalui pengalaman pahit di Teluk Mexico. Sensor Raspberry Pi saya dibanjiri dengan data. Ia hanya mempunyai RAM sebanyak 256KB. Pembelajaran mesin tradisional memerlukan data berlabel, tetapi anda tidak boleh melabel setiap pasang surut atau lonjakan ribut secara manual di lautan yang huru-hara.
Saya menemui penyelesaian menggunakan perlombongan corak temporal kendiri.
Daripada menggunakan label manusia, data itu sendiri menyediakan isyaratnya. Saya membangunkan kaedah yang dipanggil Temporal Jigsaw. Model tersebut belajar dengan membina semula urutan segmen data yang telah dikacau. Ini membolehkan sistem memahami fasa pasang surut dan intensiti ribut tanpa bantuan manusia.
Untuk membolehkan ini berfungsi pada perkakasan tahap miliwatt, saya menggunakan penyulingan pengetahuan.
Saya melatih model guru yang besar dan kemudian memampatkan kecerdasannya ke dalam model pelajar yang kecil. Keputusannya adalah jelas: • Model pelajar hanya menggunakan 8KB parameter. • Ia mengekalkan 87% ketepatan model guru. • Ia beroperasi dengan hanya 3.2mW kuasa.
Saya memasang nod-nod ini di seluruh Delta Sungai Mississippi. Sistem tersebut berjaya. Ia menemui kaitan antara tekanan barometrik dan hakisan yang mengambil masa bertahun-tahun untuk ditemui oleh manusia. Ia juga mengesan "getaran pra-ribut" semasa Hurikan Ida, yang mencetuskan pensampelan frekuensi tinggi tepat pada waktu yang paling kritikal.
Anda boleh membina alatan iklim yang berdaya tahan walaupun dengan kuasa dan memori yang terhad. Kuncinya adalah memindahkan kecerdasan dari awan terus ke pinggir.
Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi