Устойчивость прибрежного климата за счет автономного интеллектуального анализа
Мониторинг прибрежных зон сталкивается с огромной проблемой. Недорогие датчики генерируют гигабайты данных, но крошечные устройства на солнечных батареях не способны их обрабатывать.
Я узнал об этом на собственном горьком опыте в Мексиканском заливе. Мои датчики на базе Raspberry Pi буквально тонули в данных. У них было всего 256 КБ оперативной памяти. Традиционное машинное обучение требует размеченных данных, но невозможно вручную разметить каждый прилив или штормовой нагон в хаотичном океане.
Я нашел решение с помощью самообучаемого (self-supervised) интеллектуального анализа временных паттернов.
Вместо человеческой разметки данные сами создают сигнал. Я разработал метод под названием Temporal Jigsaw. Модель обучается, восстанавливая правильный порядок перемешанных сегментов данных. Это позволяет системе понимать фазы приливов и интенсивность шторма без какой-либо помощи человека.
Чтобы это работало на оборудовании с потреблением в милливатты, я использовал дистилляцию знаний (knowledge distillation).
Я обучил большую модель-учителя, а затем сжал её интеллект в крошечную модель-ученика. Результаты были очевидны: • Модель-ученик использовала всего 8 КБ параметров. • Она сохранила 87% точности учителя. • Она работала при мощности всего 3,2 мВт.
Я развернул эти узлы в дельте реки Миссисипи. Система сработала. Она обнаружила связь между барометрическим давлением и эрозией, на поиск которой у людей ушли бы годы. Она даже зафиксировала «предштормовые колебания» во время урагана Ида, запустив высокочастотную выборку данных именно тогда, когда это было важнее всего.
Вы можете создавать устойчивые инструменты для мониторинга климата даже при ограниченном питании и памяти. Ключ к успеху — перенос интеллекта из облака непосредственно на периферию (edge).
Дополнительное обучающее сообщество: https://t.me/GyaanSetuAi