Sebuah sistem AI pembelajaran kendiri yang diuji di ladang salmon Norway telah mengesan tanda-tanda penyakit tiga hingga lima hari sebelum gejala muncul, meramalkan penurunan oksigen dengan ketepatan 94% sehingga enam jam lebih awal, dan mengurangkan pembaziran makanan sebanyak 23%. Kejayaan ini menunjukkan bahawa akuakultur boleh menerima amaran awal tanpa memerlukan set data berlabel manual yang besar yang selama ini membantutkan automasi.

Mengapa akuakultur memerlukan pendekatan baharu

Ladang ikan terletak dalam persekitaran yang sentiasa berubah. Pasang surut bermusim, turun naik suhu, dan perubahan kimia yang mendadak menjadikan aliran data sensor bising dan tidak lengkap. Tingkah laku ikan itu sendiri merangkumi lonjakan selama seminit hingga kitaran pertumbuhan selama berbulan-bulan. Apabila penyakit menyerang, ia merebak dengan cepat dan boleh memusnahkan hasil tuaian musim tersebut. Mengumpul contoh berlabel yang mencukupi bagi setiap keabnormalan adalah tidak praktikal; wabak adalah jarang berlaku, dan melabel setiap pergerakan sirip atau bacaan air akan menelan kos yang lebih tinggi daripada margin keuntungan ladang.

Penyelesaian pembelajaran kendiri

Sistem baharu ini menggunakan seni bina dua peringkat yang membolehkan data mengajar dirinya sendiri.

Peringkat 1 – Pengekod temporal
Rutin pembelajaran kontras (contrastive learning) membentuk pasangan "positif" daripada pemerhatian yang berlaku dalam masa yang berdekatan dan pasangan "negatif" daripada pemerhatian yang jauh jarak masanya. Dengan menarik pasangan positif bersama dalam representasi dalamannya sambil menolak pasangan negatif menjauh, pengekod tersebut mengekstrak corak berulang tanpa label yang disediakan oleh manusia.

Peringkat 2 – Ejen keputusan berwujud (Embodied decision agent)
Corak yang dipelajari membekalkan data kepada ejen yang memutuskan bila perlu melaraskan tahap oksigen, mengubah jadual pemberian makanan, atau mengeluarkan amaran. Hasil setiap tindakan akan dikembalikan kepada pengekod, memperhalusi perpustakaan corak dalam satu gelung berterusan.

Mengatasi tiga rintangan teknikal

  1. Data hilang – Sensor pada sangkar terapung sering hilang hubungan. Teknik pengekodan temporal bertopeng (masked temporal encoding) mengajar model untuk mengabaikan jurang, sekali gus menghalang rangkaian daripada berpaut pada isyarat palsu.
  2. Skala masa yang berbeza – Pengekod pelbagai skala (multi-scale encoder) memproses bingkai video yang pantas bersama-sama dengan bacaan kimia yang berubah perlahan, menangkap lonjakan jangka pendek dan trend jangka panjang.
  3. Melupakan pengetahuan lama – Apabila musim baharu membawa keadaan baharu, penyatuan berat elastik (elastic weight consolidation) mengekalkan corak yang dipelajari sebelum ini sambil membolehkan model menyesuaikan diri, bagi mengelakkan catastrophic forgetting (lupa katastrofik).

Makna angka tersebut kepada penternak

  • Pengesanan penyakit awal: Mengesan penyakit tiga hingga lima hari lebih awal memberi ruang kepada pengendali untuk mengasingkan sangkar yang terjejas, menjalankan rawatan, dan menghentikan penyebaran.
  • Pengurusan oksigen: Meramalkan penyusutan dengan ketepatan 94% membolehkan ladang melakukan pengudaraan air secara pencegahan, bagi mengelakkan kematian akibat tekanan.
  • Kecekapan makanan: Pembelajaran kitaran selera makan mengurangkan pembaziran hampir satu perempat, sekali gus merendahkan kos makanan dan mengurangkan larian air ke persekitaran.

Kesimpulan

AI pembelajaran kendiri menukarkan aliran sensor yang bising dan tidak lengkap kepada cerapan yang boleh diambil tindakan, memberikan amaran penyakit awal, ramalan oksigen yang tepat, dan penjimatan makanan yang ketara—semuanya tanpa kos buruh yang tinggi untuk melabel setiap titik data. Bagi industri yang mengimbangi margin keuntungan yang kecil dengan tanggungjawab alam sekitar, keupayaan tersebut mampu membentuk semula cara operasi ladang ikan.