నార్వేజియన్ సాల్మన్ ఫామ్లో పరీక్షించబడిన ఒక సెల్ఫ్-సూపర్వైజ్డ్ (self-supervised) AI వ్యవస్థ, లక్షణాలు కనిపించడానికి మూడు నుండి ఐదు రోజుల ముందే వ్యాధి సంకేతాలను గుర్తించింది, ఆక్సిజన్ తగ్గుదలను ఆరు గంటల ముందుగానే 94% ఖచ్చితత్వంతో అంచనా వేసింది మరియు మేత వృధాను 23% తగ్గించింది. ఆటోమేషన్ను అడ్డుకుంటున్న భారీ, మాన్యువల్గా లేబుల్ చేయబడిన డేటాసెట్లు లేకుండానే ఆక్వాకల్చర్ రంగం ముందస్తు హెచ్చరికలను పొందవచ్చని ఈ విప్లవాత్మక మార్పు నిరూపిస్తోంది.
ఆక్వాకల్చర్కు కొత్త విధానం ఎందుకు అవసరం
చేపల ఫామ్లు నిరంతరం మారుతున్న వాతావరణ పరిస్థితుల్లో ఉంటాయి. సీజనల్ పోటుపాట్లు, ఉష్ణోగ్రత హెచ్చుతగ్గులు మరియు అకస్మాత్తుగా జరిగే రసాయన మార్పులు సెన్సార్ డేటాను అసంపూర్తిగా మరియు అస్పష్టంగా మారుస్తాయి. చేపల ప్రవర్తన కూడా నిమిషాల వ్యవధిలో ఉండే వేగవంతమైన కదలికల నుండి నెలల కాలపరిమితి గల పెరుగుదల చక్రాల వరకు మారుతూ ఉంటుంది. వ్యాధి సోకినప్పుడు, అది వేగంగా వ్యాపిస్తుంది మరియు ఒక సీజన్ పంటను పూర్తిగా నాశనం చేయగలదు. ప్రతి అసాధారణతకు తగిన లేబుల్ చేయబడిన ఉదాహరణలను సేకరించడం అసాధ్యం; వ్యాధులు అరుదుగా వస్తాయి, మరియు ప్రతి చేప కదలికను లేదా నీటి రీడింగ్ను ట్యాగ్ చేయడం వల్ల ఫామ్ యొక్క లాభాల కంటే ఎక్కువ ఖర్చు అవుతుంది.
సెల్ఫ్-సూపర్వైజ్డ్ పరిష్కారం
ఈ కొత్త వ్యవస్థ డేటా స్వయంగా నేర్చుకునేలా చేసే రెండు దశల ఆర్కిటెక్చర్ను ఉపయోగిస్తుంది.
దశ 1 – టెంపోరల్ ఎన్కోడర్ (Temporal encoder)
ఒక కాంట్రాస్టివ్ లెర్నింగ్ (contrastive learning) విధానం సమయపరంగా దగ్గరగా ఉన్న పరిశీలనల నుండి "పాజిటివ్" జతలను మరియు దూరంగా ఉన్న వాటి నుండి "నెగటివ్" జతలను రూపొందిస్తుంది. అంతర్గత ప్రాతినిధ్యంలో పాజిటివ్లను దగ్గరకు లాగుతూ, నెగటివ్లను దూరంగా నెట్టడం ద్వారా, ఎన్కోడర్ మానవ లేబుల్స్ అవసరం లేకుండానే పునరావృతమయ్యే నమూనాలను (patterns) సంగ్రహిస్తుంది.
దశ 2 – ఎంబోడీడ్ డెసిషన్ ఏజెంట్ (Embodied decision agent)
నేర్చుకున్న నమూనాలు ఒక ఏజెంట్కు సమాచారాన్ని అందిస్తాయి, ఆ ఏజెంట్ ఆక్సిజన్ స్థాయిలను ఎప్పుడు సర్దుబాటు చేయాలి, మేత షెడ్యూల్ను ఎప్పుడు మార్చాలి లేదా హెచ్చరికలు ఎప్పుడు జారీ చేయాలి అనే విషయాలను నిర్ణయిస్తుంది. ప్రతి చర్య యొక్క ఫలితం తిరిగి ఎన్కోడర్కు చేరుతుంది, తద్వారా నిరంతర లూప్లో నమూనాల లైబ్రరీ మరింత మెరుగుపడుతుంది.
మూడు సాంకేతిక అడ్డంకులను అధిగమించడం
- డేటా లోపించడం (Missing data) – తేలియాడే పంజరాలపై ఉండే సెన్సార్లు తరచుగా సంప్రదింపులను కోల్పోతాయి. మాస్క్డ్ టెంపోరల్ ఎన్కోడింగ్ (masked temporal encoding) సాంకేతికత ఈ ఖాళీలను విస్మరించడం నేర్పిస్తుంది, తద్వారా నెట్వర్క్ తప్పుడు సంకేతాలను పట్టుకోకుండా నిరోధిస్తుంది.
- మారుతున్న కాలపరిమితులు (Varying timescales) – మల్టీ-స్కేల్ ఎన్కోడర్ వేగంగా మారే వీడియో ఫ్రేమ్లతో పాటు నెమ్మదిగా మారే రసాయన రీడింగ్లను విశ్లేషిస్తుంది, తద్వారా స్వల్పకాలిక మార్పులను మరియు దీర్ఘకాలిక పోకడలను గుర్తిస్తుంది.
- పాత జ్ఞానాన్ని మర్చిపోవడం (Forgetting old knowledge) – కొత్త సీజన్లు కొత్త పరిస్థితులను తీసుకువచ్చినప్పుడు, ఎలాస్టిక్ వెయిట్ కన్సాలిడేషన్ (elastic weight consolidation) పాత నమూనాలను భద్రపరుస్తూనే, మోడల్ కొత్త వాటికి అనుగుణంగా మారేలా చేస్తుంది, దీనివల్ల 'కటాస్ట్రోఫిక్ ఫర్గెట్టింగ్' (catastrophic forgetting) జరగదు.
ఈ గణాంకాలు రైతులకు ఏం చెబుతున్నాయి
- వ్యాధిని ముందుగానే గుర్తించడం: వ్యాధిని మూడు నుండి ఐదు రోజుల ముందే గుర్తించడం వల్ల, ప్రభావితమైన ప్రాంతాలను వేరు చేయడానికి, చికిత్సలు అందించడానికి మరియు వ్యాప్తిని అరికట్టడానికి ఆపరేటర్లకు సమయం దొరుకుతుంది.
- ఆక్సిజన్ నిర్వహణ: 94% ఖచ్చితత్వంతో ఆక్సిజన్ తగ్గుదలను అంచనా వేయడం వల్ల, ఫామ్లు ముందుగానే నీటిలో గాలిని నింపడం (aerate) ద్వారా ఒత్తిడి వల్ల కలిగే మరణాలను నివారించవచ్చు.
- మేత సామర్థ్యం: చేపల ఆకలి చక్రాలను నేర్చుకోవడం వల్ల మేత వృధా దాదాపు పావు వంతు తగ్గింది, దీనివల్ల మేత ఖర్చులు తగ్గడమే కాకుండా పర్యావరణ కాలుష్యం కూడా తగ్గుతుంది.
ముగింపు
సెల్ఫ్-సూపర్వైజ్డ్ AI అస్పష్టమైన, అసంపూర్తిగా ఉన్న సెన్సార్ డేటాను ఉపయోగకరమైన సమాచారంగా మారుస్తుంది. ఇది ప్రతి డేటా పాయింట్ను లేబుల్ చేసే ఖరీదైన శ్రమ లేకుండానే, వ్యాధికి ముందస్తు హెచ్చరికలు, ఖచ్చితమైన ఆక్సిజన్ అంచనాలు మరియు గణనీయమైన మేత పొదుపును అందిస్తుంది. తక్కువ లాభాల మధ్య పర్యావరణ పరిరక్షణను సమతుల్యం చేయాల్సిన ఈ పరిశ్రమకు, ఈ సామర్థ్యం చేపల ఫామ్ల నిర్వహణ విధానాన్ని పూర్తిగా మార్చివేయగలదు.