𝗨𝘀𝘁𝗮𝗵𝗺𝗶𝗹𝗶𝘃𝘂 𝘄𝗮 𝗧𝗮𝗯𝗶𝗮𝗻𝗰𝗵𝗶 𝘆𝗮 𝗣𝘄𝗮𝗻𝗶 𝗞𝘂𝗽𝗶𝘁𝗶𝗮 𝗨𝗰𝗵𝗶𝗺𝗯𝗮𝗷𝗶 𝘄𝗮 𝗗𝗮𝘁𝗮 𝘄𝗮 𝗞𝘂𝗷𝗶𝗲𝗻𝗱𝗲𝘀𝗵𝗮
Ufuatiliaji wa pwani unakabiliwa na tatizo kubwa. Vifaa vya kuhisi (sensors) vya gharama nafuu vinazalisha gigabaiti za data, lakini vifaa vidogo vinavyotumia nishati ya jua haviwezi kuzichakata.
Nilijifunza hili kwa njia ngumu katika Ghuba ya Mexico. Vifaa vyangu vya kuhisi vya Raspberry Pi vilikuwa vimezidiwa na data. Vilikuwa na RAM ya 256KB pekee. Mashine ya kujifunza (machine learning) ya kawaida inahitaji data iliyotiwa lebo, lakini huwezi kuweka lebo kwa mkono kila mawimbi au ongezeko la dhoruba katika bahari yenye vurugu.
Nilipata suluhisho kwa kutumia uchimbaji wa mifumo ya muda wa kujifunza (self-supervised temporal pattern mining).
Badala ya lebo za kibinadamu, data hutoa ishara yake yenyewe. Nilivumbua mbinu iitwayo Temporal Jigsaw. Modeli hujifunza kwa kuunda upya mpangilio sahihi wa vipande vya data vilivyochanganywa. Hii inaruhusu mfumo kuelewa awamu za mawimbi na ukali wa dhoruba bila msaada wowote wa kibinadamu.
Ili kufanya hili lifanye kazi kwenye vifaa vya kiwango cha milliwatt, nilitumia mbinu ya knowledge distillation.
Nilifundisha modeli kubwa ya mwalimu (teacher model) na kisha nikapunguza akili yake katika modeli ndogo ya mwanafunzi (student model). Matokeo yalikuwa wazi: • Modeli ya mwanafunzi ilitumia vigezo (parameters) 8KB pekee. • Ilibaki na usahihi wa 87% wa mwalimu. • Ilifanya kazi kwa nishati ya 3.2mW pekee.
Niliweka vituo (nodes) hivi katika Delta ya Mto Mississippi. Mfumo ulifanya kazi. Ugundua uhusiano kati ya shinikizo la barometa na mmomonyoko ambao binadamu walichukua miaka kuupata. Hata iligundua "mitetemo ya kabla ya dhoruba" wakati wa Kimbunga cha Ida, ikichochea uchukuaji sampuli wa masafa ya juu wakati ule uliokuwa muhimu zaidi.
Unaweza kujenga zana za tabianchi zinazostahimili hata ukiwa na nguvu na kumbukumbu ndogo. Siri ni kuhamisha akili kutoka kwenye wingu (cloud) moja kwa moja kwenye edge.
Jumuiya ya hiari ya kujifunza: https://t.me/GyaanSetuAi