Прибережна кліматична стійкість завдяки автономному майнінгу закономірностей
Моніторинг прибережних зон стикається з величезною проблемою. Бюджетні сенсори генерують гігабайти даних, але крихітні пристрої на сонячних батареях не здатні їх обробляти.
Я переконався в цьому на власному досвіді в Мексиканській затоці. Мої сенсори на базі Raspberry Pi буквально тонули в даних. Вони мали лише 256 КБ оперативної пам'яті. Традиційне машинне навчання потребує розмічених даних, але неможливо вручну розмічати кожен приплив чи штормовий нагін у хаотичному океані.
Я знайшов рішення за допомогою самокерованого майнінгу часових закономірностей.
Замість людських міток дані самі створюють сигнал. Я розробив метод під назвою Temporal Jigsaw. Модель навчається, реконструюючи правильний порядок перемішаних сегментів даних. Це дозволяє системі розуміти фази припливів та інтенсивність шторму без будь-якої допомоги людини.
Щоб це працювало на обладнанні з міліватним рівнем споживання, я використав дистиляцію знань.
Я навчив велику модель-вчителя, а потім стиснув її інтелект у крихітну модель-учня. Результати були очевидними: • Модель-учень використовувала лише 8 КБ параметрів. • Вона зберегла 87% точності вчителя. • Вона працювала на потужності лише 3,2 мВт.
Я розгорнув ці вузли по всій дельті річки Міссісіпі. Система спрацювала. Вона виявила зв'язок між барометричним тиском та ерозією, на пошук якого у людей пішли б роки. Вона навіть зафіксувала «передштормові тремтіння» під час урагану «Айда», запустивши високочастотне вибіркове зчитування саме тоді, коли це було найважливіше.
Ви можете створювати стійкі кліматичні інструменти навіть за обмеженої потужності та пам'яті. Ключ до успіху — перенесення інтелекту з хмари безпосередньо на периферію.
Додаткова спільнота для навчання: https://t.me/GyaanSetuAi