நார்வேஜிய சால்மன் பண்ணையில் சோதிக்கப்பட்ட ஒரு சுய-கற்பித்தல் AI (self-supervised AI) அமைப்பு, நோய் அறிகுறிகள் தோன்றுவதற்கு மூன்று முதல் ஐந்து நாட்களுக்கு முன்பே அவற்றைக் கண்டறிந்தது; ஆக்சிஜன் குறைவை ஆறு மணிநேரத்திற்கு முன்பே 94% துல்லியத்துடன் கணித்தது மற்றும் தீவன வீணாவதை 23% குறைத்தது. இந்த முன்னேற்றம், தானியங்கி முறையைத் தடுத்து நிறுத்தியுள்ள மிகப்பெரிய, மனிதர்களால் லேபிளிடப்பட்ட தரவுத்தொகுப்புகள் (hand-labeled datasets) இல்லாமலேயே, நீர்வாழ் உயிரின வளர்ப்பில் (aquaculture) முன்கூட்டிய எச்சரிக்கைகளைப் பெற முடியும் என்பதைக் காட்டுகிறது.

நீர்வாழ் உயிரின வளர்ப்பிற்கு ஏன் ஒரு புதிய அணுகுமுறை தேவை?

மீன் பண்ணைகள் தொடர்ந்து மாறிக்கொண்டே இருக்கும் சூழலில் அமைந்துள்ளன. பருவகால அலைகள், வெப்பநிலை மாற்றங்கள் மற்றும் திடீர் இரசாயன மாற்றங்கள் ஆகியவை சென்சார் தரவுகளை (sensor streams) குழப்பமானதாகவும் முழுமையற்றதாகவும் மாற்றுகின்றன. மீன்களின் நடத்தை என்பது ஒரு நிமிடத் துடிப்புகள் முதல் மாத கால வளர்ச்சிச் சுழற்சிகள் வரை மாறுபடும். நோய் தாக்கினால், அது வேகமாகப் பரவி ஒரு பருவத்தின் அறுவடையையே அழித்துவிடும். ஒவ்வொரு அசாதாரணத்திற்கும் போதுமான லேபிளிடப்பட்ட உதாரணங்களைச் சேகரிப்பது நடைமுறைக்குச் சாத்தியமற்றது; நோய் பரவல் என்பது அரிதானது, மேலும் ஒவ்வொரு துடுப்பு அசைவு அல்லது நீர் அளவையும் குறிப்பீடு செய்வது பண்ணையின் லாப வரம்பை விட அதிக செலவை ஏற்படுத்தும்.

சுய-கற்பித்தல் தீர்வு

இந்த புதிய அமைப்பு, தரவுகளே தங்களைத் தாங்களே கற்பிக்க அனுமதிக்கும் இருநிலை கட்டமைப்பைப் (two-stage architecture) பயன்படுத்துகிறது.

நிலை 1 – காலவரிசை என்கோடர் (Temporal encoder)
ஒரு ஒப்பீட்டு கற்றல் (contrastive learning) முறை, கால அளவில் நெருக்கமாக நிகழும் அவதானிப்புகளில் இருந்து "நேர்மறை" (positive) இணைகளையும், தொலைவில் நிகழும் அவதானிப்புகளில் இருந்து "எதிர்மறை" (negative) இணைகளையும் உருவாக்குகிறது. நேர்மறையானவற்றை அதன் உள் பிரதிநிதித்துவத்தில் ஒன்றிணைத்து, எதிர்மறையானவற்றைத் தள்ளிவிடுவதன் மூலம், மனிதத் தரவுகள் இல்லாமலேயே என்கோடர் மீண்டும் மீண்டும் நிகழும் வடிவங்களைச் பிரித்தெடுக்கிறது.

நிலை 2 – செயல்பாட்டு முடிவெடுக்கும் ஏஜென்ட் (Embodied decision agent)
கற்றறிந்த வடிவங்கள் ஒரு ஏஜென்ட்டிற்குத் தரவுகளை வழங்குகின்றன; இது ஆக்சிஜன் அளவை எப்போது சரிசெய்வது, தீவன அட்டவணையை எப்போது மாற்றுவது அல்லது எச்சரிக்கைகளை எப்போது எழுப்புவது என்பதைத் தீர்மானிக்கிறது. ஒவ்வொரு நடவடிக்கையின் முடிவும் மீண்டும் என்கோடருக்குத் தரவாக அனுப்பப்பட்டு, ஒரு தொடர்ச்சியான சுழற்சியில் வடிவங்களின் தொகுப்பை மேம்படுத்துகிறது.

மூன்று தொழில்நுட்பத் தடைகளைத் தாண்டுதல்

  1. விடுபட்ட தரவுகள் (Missing data) – மிதக்கும் கூண்டுகளில் உள்ள சென்சார்கள் பெரும்பாலும் தொடர்பை இழக்கின்றன. ஒரு மஸ்க்டு டெம்போரல் என்கோடிங் (masked temporal encoding) நுட்பம், இடைவெளிகளைப் புறக்கணிக்க மாடலுக்குக் கற்பிக்கிறது, இது தவறான சிக்னல்களைக் கொண்டு நெட்வொர்க் தவறாகச் செயல்படுவதைத் தடுக்கிறது.
  2. மாறுபட்ட கால அளவுகள் (Varying timescales) – ஒரு மல்டி-ஸ்கேல் என்கோடர் (multi-scale encoder), வேகமான வீடியோ பிரேம்களையும் மெதுவாக மாறும் இரசாயன அளவீடுகளையும் ஒரே நேரத்தில் செயலாக்கி, குறுகிய கால ஏற்றங்களையும் நீண்ட காலப் போக்குகளையும் கண்டறிகிறது.
  3. பழைய அறிவை மறத்தல் (Forgetting old knowledge) – புதிய பருவங்கள் புதிய சூழல்களைக் கொண்டு வரும்போது, எலாஸ்டிக் வெயிட் கன்சோலிடேஷன் (elastic weight consolidation) ஏற்கனவே கற்ற வடிவங்களைப் பாதுகாப்பதோடு, மாடல் புதிய சூழலுக்கு ஏற்பத் தன்னை மாற்றிக்கொள்ளவும் அனுமதிக்கிறது, இதன் மூலம் பேரழிவு மறதியை (catastrophic forgetting) தவிர்க்கிறது.

இந்த எண்கள் விவசாயிகளுக்கு எதைக் குறிக்கின்றன?

  • நோயை முன்கூட்டியே கண்டறிதல்: நோயை மூன்று முதல் ஐந்து நாட்களுக்கு முன்பே கண்டறிவது, பாதிப்புக்குள்ளான தொட்டிகளைத் தனிமைப்படுத்தவும், சிகிச்சைகளை அளிக்கவும் மற்றும் பரவலைத் தடுக்கவும் இயக்குநர்களுக்கு நேரத்தை வழங்குகிறது.
  • ஆக்சிஜன் மேலாண்மை: ஆக்சிஜன் குறைவை 94% துல்லியத்துடன் கணிப்பது, பண்ணைகள் முன்கூட்டியே தண்ணீருக்கு காற்றோட்டம் அளிக்க உதவுகிறது, இதனால் மன அழுத்தத்தால் ஏற்படும் இறப்புகளைத் தவிர்க்கலாம்.
  • தீவனத் திறன்: பசியின் சுழற்சிகளைக் (appetite cycles) கற்றுக் கொள்வதன் மூலம் தீவன வீணாதல் கால் பகுதிக்கும் குறைவாகக் குறைக்கப்பட்டது, இது தீவனச் செலவைக் குறைப்பதோடு சுற்றுச்சூழல் கழிவு நீர் வெளியேற்றத்தையும் (environmental runoff) குறைக்கிறது.

முக்கியக் கருத்து

சுய-கற்பித்தல் AI, குழப்பமான மற்றும் முழுமையற்ற சென்சார் தரவுகளைச் செயல்படுத்தக்கூடிய நுண்ணறிவுகளாக மாற்றுகிறது; இது நோய்க்கான முன்கூட்டிய எச்சரிக்கைகள், துல்லியமான ஆக்சிஜன் கணிப்புகள் மற்றும் குறிப்பிடத்தக்க தீவனச் சேமிப்பு ஆகியவற்றை வழங்குகிறது—இவை அனைத்தும் ஒவ்வொரு தரவுப் புள்ளியையும் லேபிளிடுவதற்கான அதிகப்படியான செலவு மிகுந்த உழைப்பு இல்லாமலேயே சாத்தியமாகிறது. குறைந்த லாப வரம்புகளையும் சுற்றுச்சூழல் பாதுகாப்பையும் சமநிலைப்படுத்த வேண்டிய ஒரு தொழில்துறைக்கு, இந்தத் திறன் மீன் பண்ணைகள் இயங்கும் முறையை மறுவடிவமைக்கக்கூடும்.