Makine öğrenimi modelleri yalnızca Dünya'da eğitilmekle kalmıyor, aynı zamanda uydularda çalışmak üzere uzaya da ulaşacak gibi görünüyor.
Oxford Üniversitesi'ndeki araştırmacılar ilk kez bir makine öğrenimi modelini doğrudan uzayda eğiterek, afet müdahale kapasitesinden orman koruma girişimlerine kadar gerçek zamanlı uzay tabanlı izlemede devrim yaratma potansiyelini ortaya koydu.
Oxford Üniversitesi Bilgisayar Bilimleri Bölümü'nden Doktora Öğrencisi Vit Ruzicka, Şarku’l Avsat'a verdiği özel röportajda özellikle sensörleri etkileyebilecek zorlu ortamlarda, makine öğrenimi modelinin, bildiklerini yeni bir şeye uyarlama becerisini ortaya koyduğunu belirtti.
Yeni ne var?
Tarihsel olarak, uyduların görevi öncelikle veri toplamakla ilişkilendirilir ve bu verilerin daha sonra gerekli analitik işlemler için Dünya'ya iletilmesi gerekir. Bu süreç, doğası gereği, bazen saatlerden günlere kadar uzayabilen geniş zaman dilimleri gerektirir. Bu gecikme, özellikle de ani doğal afetlerin ardından olduğu gibi hızlı ve esnek müdahalelerin çok önemli olduğu durumlarda, bilgi toplama ve istenen sonuçları elde etme konusunda sınırlamalar getirmektedir.
Oxford Üniversitesi ekibi, bu sınırlamaların üstesinden gelmek için uyduların uzayda doğrudan, hızlı ve gerçek zamanlı kararlar almasını sağlamak üzere çalışıyor.
Araştırmacılar, bulut örtüsündeki değişiklikleri havadan çekilen görüntülerden tespit etmek için basit bir modeli Dünya'da eğitmek yerine doğrudan uydu üzerinde eğittiler. Model, seyrek örnekli öğrenme adı verilen bir yaklaşıma dayanıyordu; bu yaklaşım, modelin eğitmek için yalnızca birkaç örneğe sahip olduğunda aranacak en önemli özellikleri öğrenmesine olanak tanıyor. Ana avantajı, verilerin daha küçük temsillere sıkıştırılarak modelin daha hızlı ve verimli hale getirilebilmesi olarak öne çıkıyor.
(Fotoğraf) Makine öğrenimi modeli yalnızca Dünya'da eğitilmekle kalmayacak, aynı zamanda uydularda çalışmak üzere uzaya da ulaşacak (Oxford Üniversitesi)
"RaVAEn" modeli
Bu model, ilk olarak büyük görüntü verilerini sıkıştırılmış 128 basamaklı bir vektör formatına dönüştürerek çalıştığı için uzay teknolojisi verimliliğini temsil ediyor.
Hüneri hız kabiliyeti ile vurgulandı
Beta aşamasında, model bin 300'den fazla görüntüden oluşan büyük ölçekli bir veri kümesi üzerinde sadece bir buçuk saniyede o kadar hızlı eğitildi ki, sonraki testler etkinliğini kanıtladı. Yeni veriler sağlandığında, RaVAEn yaklaşık 450 futbol sahası büyüklüğündeki geniş alanlardaki bulut desenlerini saniyenin çok küçük bir bölümünde tanımlayabildi.
Araştırmacılar, bulut örtüsündeki değişiklikleri havadan çekilen görüntülerden tespit etmek için basit bir modeli Dünya'da eğitmek yerine doğrudan uydu üzerinde eğittiler.
Model, seyrek örneklemli öğrenme adı verilen ve eğitilecek yalnızca birkaç örnek varken aranacak en önemli özellikleri öğrenmesini sağlayan bir yaklaşıma dayanıyordu. Ana avantajı, verilerin daha küçük temsillere sıkıştırılarak modelin daha hızlı ve verimli hale gelmesi olarak öne çıkıyor.
Projelerinin gelecekte gün ışığına çıkmasını ümit eden araştırmacılara göre model, önemli değişikliklerle (seller, yangınlar ve ormansızlaşma gibi) doğal değişiklikleri (seller, yangınlar ve ormansızlaşma gibi) otomatik olarak ayırt edebilen daha gelişmiş modeller geliştirmek amacıyla farklı görevleri yerine getirmek ve diğer veri türlerini kullanmak için kolayca uyarlanabilir.
