Khả năng thích ứng với biến đổi khí hậu ven biển thông qua khai thác dữ liệu tự trị
Việc giám sát vùng ven biển đang đối mặt với một vấn đề lớn. Các cảm biến giá rẻ tạo ra hàng gigabyte dữ liệu, nhưng các thiết bị nhỏ gọn chạy bằng năng lượng mặt trời lại không thể xử lý hết lượng dữ liệu đó.
Tôi đã học được bài học này một cách đầy khó khăn tại Vịnh Mexico. Các cảm biến Raspberry Pi của tôi bị "ngập" trong dữ liệu. Chúng chỉ có 256KB RAM. Học máy truyền thống đòi hỏi dữ liệu được dán nhãn, nhưng bạn không thể dán nhãn thủ công cho mọi con thủy triều hay đợt sóng dâng do bão trong một đại dương đầy biến động.
Tôi đã tìm ra giải pháp bằng cách sử dụng khai thác mẫu thời gian tự giám sát (self-supervised temporal pattern mining).
Thay vì dựa vào các nhãn do con người tạo ra, bản thân dữ liệu sẽ cung cấp tín hiệu của chính nó. Tôi đã phát triển một phương pháp gọi là Temporal Jigsaw. Mô hình học bằng cách tái cấu trúc thứ tự chính xác của các phân đoạn dữ liệu đã bị xáo trộn. Điều này cho phép hệ thống hiểu được các pha thủy triều và cường độ bão mà không cần bất kỳ sự trợ giúp nào từ con người.
Để phương pháp này hoạt động được trên các phần cứng ở mức miliwatt, tôi đã sử dụng kỹ thuật chưng cất tri thức (knowledge distillation).
Tôi đã huấn luyện một mô hình giáo viên (teacher model) lớn, sau đó nén trí tuệ của nó vào một mô hình học sinh (student model) siêu nhỏ. Kết quả thu được rất rõ ràng: • Mô hình học sinh chỉ sử dụng 8KB tham số. • Nó giữ được 87% độ chính xác của mô hình giáo viên. • Nó chỉ tiêu thụ 3,2mW điện năng.
Tôi đã triển khai các nút cảm biến này khắp vùng Đồng bằng sông Mississippi. Hệ thống đã hoạt động hiệu quả. Nó đã phát hiện ra mối liên hệ giữa áp suất khí quyển và sự xói mòn mà con người phải mất nhiều năm mới tìm ra. Nó thậm chí còn phát hiện được các "rung chấn trước bão" trong cơn bão Ida, kích hoạt chế độ lấy mẫu tần suất cao ngay tại thời điểm quan trọng nhất.
Bạn có thể xây dựng các công cụ thích ứng với khí hậu ngay cả khi nguồn điện và bộ nhớ bị hạn chế. Chìa khóa chính là đưa trí tuệ từ đám mây trực tiếp xuống thiết bị đầu cuối (edge).
Cộng đồng học tập tùy chọn: https://t.me/GyaanSetuAi