ระบบ AI แบบ self-supervised ที่ผ่านการทดสอบในฟาร์มแซลมอนในนอร์เวย์ สามารถตรวจพบสัญญาณของโรคได้ล่วงหน้า 3 ถึง 5 วันก่อนที่อาการจะปรากฏ สามารถทำนายการลดลงของระดับออกซิเจนได้แม่นยำถึง 94% ล่วงหน้าสูงสุด 6 ชั่วโมง และช่วยลดการสูญเสียอาหารลงได้ 23% ความสำเร็จครั้งสำคัญนี้แสดงให้เห็นว่าอุตสาหกรรมการเพาะเลี้ยงสัตว์น้ำสามารถรับการแจ้งเตือนล่วงหน้าได้ โดยไม่ต้องพึ่งพาชุดข้อมูลขนาดใหญ่ที่ต้องใช้มนุษย์มาคอยติดป้ายกำกับ (hand-labeled) ซึ่งเป็นอุปสรรคต่อการพัฒนาระบบอัตโนมัติที่ผ่านมา

ทำไมการเพาะเลี้ยงสัตว์น้ำจึงต้องการแนวทางใหม่

ฟาร์มเลี้ยงปลาตั้งอยู่ในสภาพแวดล้อมที่มีการเปลี่ยนแปลงอยู่ตลอดเวลา ทั้งกระแสน้ำตามฤดูกาล การแกว่งของอุณหภูมิ และการเปลี่ยนแปลงทางเคมีที่เกิดขึ้นอย่างกะทันหัน ทำให้ข้อมูลจากเซนเซอร์มีสัญญาณรบกวน (noisy) และไม่สมบูรณ์ พฤติกรรมของปลาเองก็มีความหลากหลาย ตั้งแต่การเคลื่อนไหวที่เกิดขึ้นเพียงไม่กี่นาทีไปจนถึงวงจรการเติบโตที่ยาวนานหลายเดือน เมื่อโรคระบาดเกิดขึ้น มันจะแพร่กระจายอย่างรวดเร็วและสามารถทำลายผลผลิตทั้งฤดูกาลได้ การรวบรวมตัวอย่างที่มีการติดป้ายกำกับ (labeled) ให้เพียงพอสำหรับทุกความผิดปกติจึงเป็นเรื่องที่เป็นไปไม่ได้ในทางปฏิบัติ เนื่องจากการระบาดนั้นเกิดขึ้นไม่บ่อย และการต้องคอยระบุข้อมูล (tagging) ทุกการเคลื่อนไหวของครีบหรือทุกค่าการอ่านจากน้ำจะมีต้นทุนที่สูงกว่ากำไรของฟาร์มเสียอีก

โซลูชันแบบ self-supervised

ระบบใหม่นี้ใช้สถาปัตยกรรมแบบสองขั้นตอนที่ช่วยให้ข้อมูลสามารถเรียนรู้ได้ด้วยตัวเอง

ขั้นตอนที่ 1 – Temporal encoder
กระบวนการเรียนรู้แบบ contrastive learning จะสร้างคู่ "positive" จากการสังเกตการณ์ที่เกิดขึ้นในช่วงเวลาใกล้เคียงกัน และสร้างคู่ "negative" จากข้อมูลที่อยู่ห่างกัน การดึงข้อมูลที่เป็น positive ให้เข้าใกล้กันในรูปแบบการแสดงแทนภายใน (internal representation) ในขณะที่ผลักข้อมูลที่เป็น negative ออกจากกัน ช่วยให้ encoder สามารถสกัดรูปแบบที่เกิดขึ้นซ้ำๆ ได้โดยไม่ต้องใช้ป้ายกำกับจากมนุษย์

ขั้นตอนที่ 2 – Embodied decision agent
รูปแบบที่เรียนรู้ได้จะถูกส่งต่อไปยัง agent ซึ่งทำหน้าที่ตัดสินใจว่าจะปรับระดับออกซิเจน เปลี่ยนตารางการให้อาหาร หรือแจ้งเตือนเมื่อใด ผลลัพธ์จากการกระทำแต่ละครั้งจะถูกส่งกลับไปยัง encoder เพื่อปรับปรุงคลังรูปแบบ (pattern library) ให้ดียิ่งขึ้นในลักษณะลูปที่ต่อเนื่อง

การเอาชนะอุปสรรคทางเทคนิค 3 ประการ

  1. ข้อมูลที่ขาดหายไป (Missing data) – เซนเซอร์บนกระชังลอยน้ำมักจะขาดการติดต่อ เทคนิค masked temporal encoding จะสอนให้โมเดลรู้จักข้ามช่องว่างของข้อมูล เพื่อป้องกันไม่ให้เครือข่ายยึดติดกับสัญญาณที่ผิดพลาด
  2. ช่วงเวลาที่แตกต่างกัน (Varying timescales) – multi-scale encoder จะประมวลผลเฟรมวิดีโอที่รวดเร็วควบคู่ไปกับการอ่านค่าทางเคมีที่เปลี่ยนแปลงอย่างช้าๆ ทำให้สามารถตรวจจับทั้งการพุ่งสูงขึ้นในระยะสั้นและแนวโน้มในระยะยาวได้
  3. การลืมความรู้เดิม (Forgetting old knowledge) – เมื่อฤดูกาลใหม่นำมาซึ่งสภาวะที่เปลี่ยนไป เทคนิค elastic weight consolidation จะช่วยรักษารูปแบบที่เคยเรียนรู้ไว้ก่อนหน้า ในขณะที่ยังอนุญาตให้โมเดลปรับตัวได้ เพื่อหลีกเลี่ยงปัญหาการลืมความรู้เดิมอย่างรุนแรง (catastrophic forgetting)

ความหมายของตัวเลขเหล่านี้สำหรับเกษตรกร

  • การตรวจพบโรคล่วงหน้า: การตรวจพบความเจ็บป่วยล่วงหน้า 3 ถึง 5 วัน ช่วยให้ผู้ดูแลมีเวลาในการแยกกระชังที่ได้รับผลกระทบ ดำเนินการรักษา และยับยั้งการแพร่ระบาด
  • การจัดการออกซิเจน: การพยากรณ์การลดลงของออกซิเจนด้วยความแม่นยำ 94% ช่วยให้ฟาร์มสามารถเติมอากาศในน้ำล่วงหน้า เพื่อหลีกเลี่ยงการตายของปลาที่เกิดจากความเครียด
  • ประสิทธิภาพการให้อาหาร: การเรียนรู้วงจรความอยากอาหารช่วยลดการสูญเสียอาหารลงได้เกือบหนึ่งในสี่ ซึ่งช่วยลดต้นทุนค่าอาหารและลดการไหลบ่าของสารอาหารลงสู่สิ่งแวดล้อม

บทสรุป

AI แบบ self-supervised เปลี่ยนข้อมูลจากเซนเซอร์ที่มีสัญญาณรบกวนและไม่สมบูรณ์ให้กลายเป็นข้อมูลเชิงลึกที่นำไปใช้งานได้จริง โดยให้ทั้งการแจ้งเตือนโรคล่วงหน้า การพยากรณ์ออกซิเจนที่แม่นยำ และการประหยัดอาหารอย่างเห็นได้ชัด ทั้งหมดนี้โดยไม่ต้องใช้แรงงานที่มีต้นทุนสูงในการติดป้ายกำกับข้อมูลทุกจุด สำหรับอุตสาหกรรมที่ต้องรักษาสมดุลระหว่างกำไรที่น้อยนิดกับการดูแลสิ่งแวดล้อม ความสามารถนี้อาจเข้ามาเปลี่ยนโฉมวิธีการดำเนินงานของฟาร์มเลี้ยงปลาไปอย่างสิ้นเชิง