𝗖𝗼𝗮𝘀𝘁𝗮𝗹 𝗖𝗹𝗶𝗺𝗮𝘁𝗲 𝗥𝗲𝘀𝗶𝗹𝗶𝗲𝗻𝗰𝗲 𝗧𝗵𝗿𝗼𝘂𝗴𝗵 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗠𝗶𝗻𝗶𝗻𝗴
ساحلی نگرانی کو ایک بڑے مسئلے کا سامنا ہے۔ کم قیمت سینسرز گگی بائٹس (gigabytes) ڈیٹا پیدا کرتے ہیں، لیکن چھوٹے، شمسی توانائی سے چلنے والے آلات اسے پروسیس کرنے کی صلاحیت نہیں رکھتے۔
میں نے یہ سبق گلف آف میکسیکو میں ایک مشکل تجربے سے سیکھا۔ میرے Raspberry Pi سینسرز ڈیٹا میں ڈوب رہے تھے۔ ان میں صرف 256KB RAM تھی۔ روایتی مشین لرننگ کے لیے لیبل شدہ ڈیٹا (labeled data) کی ضرورت ہوتی ہے، لیکن آپ ایک پر آشوب سمندر میں ہر لہر یا طوفانی لہر کو دستی طور پر لیبل نہیں کر سکتے۔
میں نے self-supervised temporal pattern mining کے ذریعے ایک حل تلاش کیا۔
انسانی لیبلز کے بجائے، ڈیٹا خود اپنا سگنل فراہم کرتا ہے۔ میں نے Temporal Jigsaw نامی ایک طریقہ کار تیار کیا۔ ماڈل ڈیٹا کے بکھرے ہوئے حصوں کی درست ترتیب کو دوبارہ ترتیب دے کر سیکھتا ہے۔ یہ سسٹم کو انسانی مدد کے بغیر لہروں کے مراحل اور طوفان کی شدت کو سمجھنے کے قابل بناتا ہے۔
اسے ملی واٹ لیول کے ہارڈ ویئر پر چلانے کے لیے، میں نے knowledge distillation کا استعمال کیا۔
میں نے ایک بڑا teacher model تربیت یافتہ کیا اور پھر اس کی ذہانت کو ایک چھوٹے student model میں کمپریس کر دیا۔ نتائج واضح تھے: • student model نے صرف 8KB پیرامیٹرز استعمال کیے۔ • اس نے teacher کی 87% درستگی برقرار رکھی۔ • یہ صرف 3.2mW بجلی پر چلا۔
میں نے ان نوڈز کو Mississippi River Delta میں نصب کیا۔ سسٹم نے کام کیا۔ اس نے barometric pressure اور erosion کے درمیان ایک ایسا تعلق دریافت کیا جسے تلاش کرنے میں انسانوں کو سال لگ گئے۔ اس نے Hurricane Ida کے دوران "pre-storm tremors" کا بھی پتہ لگایا، جس سے عین اس وقت high-frequency sampling شروع ہو گئی جب اس کی سب سے زیادہ ضرورت تھی۔
آپ محدود بجلی اور میموری کے ساتھ بھی لچکدار موسمیاتی ٹولز بنا سکتے ہیں۔ اصل بات ذہانت کو cloud سے براہ راست edge پر منتقل کرنا ہے۔
اختیاری لرننگ کمیونٹی: https://t.me/GyaanSetuAi