Odporność klimatyczna obszarów przybrzeżnych dzięki autonomicznemu wydobywaniu wzorców
Monitorowanie obszarów przybrzeżnych mierzy się z ogromnym problemem. Tanie czujniki generują gigabajty danych, ale miniaturowe urządzenia zasilane energią słoneczną nie są w stanie ich przetworzyć.
Przekonałem się o tym na własnej skórze w Zatoce Meksykańskiej. Moje czujniki oparte na Raspberry Pi tonęły w danych. Miały tylko 256 KB pamięci RAM. Tradycyjne uczenie maszynowe wymaga etykietowanych danych, ale nie da się ręcznie opisać każdego przypływu czy wezbrania sztormowego w chaotycznym oceanie.
Znalazłem rozwiązanie wykorzystujące samonadzorowane wydobywanie wzorców czasowych (self-supervised temporal pattern mining).
Zamiast ludzkich etykiet, dane dostarczają własny sygnał. Opracowałem metodę o nazwie Temporal Jigsaw. Model uczy się poprzez rekonstrukcję poprawnej kolejności przemieszanych segmentów danych. Pozwala to systemowi zrozumieć fazy przypływów i intensywność sztormów bez żadnej pomocy człowieka.
Aby umożliwić działanie na sprzęcie o poborze mocy rzędu miliwatów, zastosowałem destylację wiedzy (knowledge distillation).
Wytrenowałem duży model nauczyciela (teacher model), a następnie skompresowałem jego inteligencję do małego modelu ucznia (student model). Wyniki były jednoznaczne: • Model uczeń wykorzystywał tylko 8 KB parametrów. • Zachował 87% dokładności modelu nauczyciela. • Działał przy poborze mocy zaledwie 3,2 mW.
Rozmieściłem te węzły w delcie rzeki Mississippi. System zadziałał. Odkrył związek między ciśnieniem barometrycznym a erozją, którego znalezienie ludziom zajęło lata. Wykrył nawet „przedsztormowe drżenia” podczas huraganu Ida, uruchamiając próbkowanie o wysokiej częstotliwości dokładnie wtedy, gdy było to najważniejsze.
Można budować odporne narzędzia klimatyczne nawet przy ograniczonym zasilaniu i pamięci. Kluczem jest przeniesienie inteligencji z chmury bezpośrednio na krawędź (edge).
Optional learning community: https://t.me/GyaanSetuAi