Otonom Madencilik Yoluyla Kıyı İklim Direnci
Kıyı izleme çalışmaları devasa bir sorunla karşı karşıya. Düşük maliyetli sensörler gigabaytlarca veri üretiyor ancak küçük, güneş enerjili cihazlar bu veriyi işleyemiyor.
Bunu Meksika Körfezi'nde acı bir tecrübeyle öğrendim. Raspberry Pi sensörlerim veri içinde boğuluyordu. Sadece 256KB RAM'leri vardı. Geleneksel makine öğrenmesi etiketlenmiş veri gerektirir, ancak kaotik bir okyanustaki her gelgit olayını veya fırtına kabarmasını manuel olarak etiketleyemezsiniz.
Kendi kendini denetleyen zamansal örüntü madenciliği (self-supervised temporal pattern mining) kullanarak bir çözüm buldum.
İnsan etiketleri yerine, veri kendi sinyalini sağlıyor. Temporal Jigsaw adını verdiğim bir yöntem geliştirdim. Model, karıştırılmış veri segmentlerinin doğru sırasını yeniden inşa ederek öğreniyor. Bu, sistemin herhangi bir insan yardımı olmadan gelgit evrelerini ve fırtına yoğunluğunu anlamasını sağlıyor.
Bunun milivat seviyesindeki donanımlarda çalışmasını sağlamak için bilgi damıtma (knowledge distillation) yöntemini kullandım.
Büyük bir öğretmen (teacher) model eğittim ve ardından onun zekasını küçük bir öğrenci (student) modele sıkıştırdım. Sonuçlar netti: • Öğrenci model sadece 8KB parametre kullandı. • Öğretmen modelin doğruluğunun %87'sini korudu. • Sadece 3,2mW güçle çalıştı.
Bu düğümleri Mississippi Nehri Deltası boyunca konuşlandırdım. Sistem çalıştı. İnsanların bulmasının yıllarını aldığı barometrik basınç ile erozyon arasındaki bağlantıyı keşfetti. Hatta Kasırga Ida sırasında "fırtına öncesi sarsıntıları" tespit ederek, tam da en kritik olduğu anda yüksek frekanslı örneklemeyi tetikledi.
Sınırlı güç ve bellek ile bile dirençli iklim araçları inşa edebilirsiniz. İşin sırrı, zekayı buluttan doğrudan uç birime (edge) taşımaktır.
İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi