𝗖𝗼𝗮𝘀𝘁𝗮𝗹 𝗖𝗹𝗶𝗺𝗮𝘁𝗲 𝗥𝗲𝘀𝗶𝗹𝗶𝗲𝗻𝗰𝗲 𝗧𝗵𝗿𝗼𝘂𝗴𝗵 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗠𝗶𝗻𝗶𝗻𝗴
తీర ప్రాంత పర్యవేక్షణ ఒక భారీ సమస్యను ఎదుర్కొంటోంది. తక్కువ ఖర్చుతో కూడిన సెన్సార్లు గిగాబైట్ల డేటాను ఉత్పత్తి చేస్తాయి, కానీ చిన్నవిగా ఉండే, సౌరశక్తితో నడిచే పరికరాలు దానిని ప్రాసెస్ చేయలేవు.
మెక్సికో గల్ఫ్ (Gulf of Mexico) లో నేను దీనిని కష్టతరమైన మార్గంలో నేర్చుకున్నాను. నా Raspberry Pi సెన్సార్లు డేటాలో మునిగిపోతున్నాయి. వాటిలో కేవలం 256KB RAM మాత్రమే ఉంది. సాంప్రదాయ మెషిన్ లెర్నింగ్కు లేబుల్ చేయబడిన డేటా అవసరం, కానీ అస్తవ్యస్తమైన సముద్రంలో ప్రతి పోటు లేదా తుఫాను ఉధృతిని మీరు మాన్యువల్గా లేబుల్ చేయలేరు.
నేను self-supervised temporal pattern mining ఉపయోగించి ఒక పరిష్కారాన్ని కనుగొన్నాను.
మానవ లేబుల్లకు బదులుగా, డేటా స్వయంగా తన సిగ్నల్ను అందిస్తుంది. నేను Temporal Jigsaw అనే పద్ధతిని అభివృద్ధి చేశాను. డేటా విభాగాలను (data segments) తారుమారు చేసిన తర్వాత, వాటిని సరైన క్రమంలో తిరిగి నిర్మించడం ద్వారా ఈ మోడల్ నేర్చుకుంటుంది. ఇది ఎటువంటి మానవ సహాయం లేకుండానే పోటు దశలను మరియు తుఫాను తీవ్రతను అర్థం చేసుకోవడానికి వ్యవస్థకు సహాయపడుతుంది.
దీనిని milliwatt-level హార్డ్వేర్పై పనిచేసేలా చేయడానికి, నేను knowledge distillation ఉపయోగించాను.
నేను ఒక పెద్ద టీచర్ మోడల్ను శిక్షణ ఇచ్చి, ఆపై దాని తెలివితేటలను ఒక చిన్న స్టూడెంట్ మోడల్లోకి కుదించాను. ఫలితాలు స్పష్టంగా ఉన్నాయి: • స్టూడెంట్ మోడల్ కేవలం 8KB పారామీటర్లను మాత్రమే ఉపయోగించింది. • ఇది టీచర్ మోడల్ యొక్క 87% ఖచ్చితత్వాన్ని నిలుపుకుంది. • ఇది కేవలం 3.2mW విద్యుత్ శక్తితో పనిచేసింది.
నేను ఈ నోడ్స్ను మిసిసిపీ నది డెల్టా (Mississippi River Delta) అంతటా విస్తరించాను. ఈ వ్యవస్థ విజయవంతంగా పనిచేసింది. మానవులు కనుగొనడానికి సంవత్సరాలు పట్టిన బారోమెట్రిక్ పీడనం (barometric pressure) మరియు కోత (erosion) మధ్య ఉన్న సంబంధాన్ని ఇది కనుగొంది. ఇది హరికేన్ ఐడా (Hurricane Ida) సమయంలో "pre-storm tremors" ను కూడా గుర్తించి, అత్యంత కీలకమైన సమయంలో హై-ఫ్రీక్వెన్సీ శాంప్లింగ్ను ప్రారంభించింది.
పరిమిత శక్తి మరియు మెమరీ ఉన్నప్పటికీ మీరు స్థితిస్థాపక వాతావరణ సాధనాలను నిర్మించవచ్చు. క్లౌడ్ నుండి నేరుగా ఎడ్జ్ (edge) కి ఇంటెలిజెన్స్ను తరలించడమే దీనికి కీలకం.
ఐచ్ఛిక అభ్యాస సమూహం: https://t.me/GyaanSetuAi