اگه براتون جالبه بدونین ماهواره‌هایی که دور زمین می‌چرخن و دائم عکس و اطلاعات جمع می‌کنن، چه جوری تصمیم می‌گیرن دقیقاً از کجا و چی عکس بگیرن، این مقاله درست همون چیزیه که دنبالشین! بیاین راحت و خودمونی با هم حرف بزنیم.
خب، ماهواره‌های پایش زمین یا همون Earth observing satellites یه ابزار خفن از نظر علمی‌ان، چون اطلاعات زیادی درباره‌ی سیاره‌ی ما بهمون می‌دن. اما خب، این ماهواره‌ها خودشون هم مشکلات خودشونو دارن. مثلاً:
- نمی‌تونن هر وقت بخوان از مدارشون خارج بشن یا آزادانه حرکت کنن.
- دوربین (سنسور) هاشون یه محدوده‌ی دید خاصی داره.
- چرخوندن و کار کردن با دوربین‌هاشون حسابی انرژی بر و منابع‌گیر هست.
پس چالش اینه که ماهواره‌ها باید خیلی حساب شده و بهینه انتخاب کنن که چی رو قراره اندازه بگیرن یا از کجا عکس بگیرن تا مهم‌ترین و باحال‌ترین اطلاعات نصیب دانشمندا بشه.
اینجاست که یه ایده‌ی خفن به اسم «هدف‌گیری پویا» یا Dynamic Targeting وارد میشه. هدف‌گیری پویا یعنی ماهواره با کمک یه سری ابزار و اطلاعات از قبل (مثلاً یه ابزار کوچیک که جلو جلو اطلاعات می‌ده)، بتونه زودتر تصمیم بگیره و خیلی هوشمند وسایلش رو برای عکس گرفتن روی جاهای خاصی ببره. اینطوری، دیگه فقط به روش کلاسیک و رندوم نمیرن عکس بگیرن، بلکه واقعاً دنبال بهترین سوژه‌هان.
حالا توی این تحقیق دو نوع روش باحال برای این کار پیشنهاد شده که هر دو جزو یادگیری ماشینی هستن (Machine Learning یعنی آموزش دادن کامپیوتر با داده ها، تا خودش تصمیم بگیره):
- یادگیری تقویتی یا Reinforcement Learning: تو این روش، به ماهواره یاد می‌دن با هر تصمیم درست یا غلط یه جور امتیاز بگیره و با آزمون و خطا یاد بگیره چه حرکتی بهتره.
- یادگیری تقلیدی یا Imitation Learning: این یکی شبیه اینه که ماهواره از رفتار بهترین آدمای خبره (یا برنامه‌ها) یاد بگیره و همون کار رو تکرار کنه.
اینا جفتشون میان از یه مدل برنامه‌ریزی پویا استفاده می‌کنن (Dynamic Programming یعنی یه جور حل مسئله که مرحله به مرحله بهترین انتخاب رو انجام می‌ده) تا بدونن درست‌ترین نقطه‌ها واسه نمونه گیری کجان.
نتیجه‌ی جالبشون چی بوده؟
- یادگیری تقلیدی وسط همه‌ی روش‌های کلاسیک، حدود ۱۰٪ بهتر جواب داده.
- یادگیری تقویتی هم حدود ۱۳.۷٪ نسبت به بهترین روش قبلی بهتر عمل کرده!
یه نکته‌ی خفن اینه که هردوی این روش‌های یادگیری، حتی اگه با داده‌ی کم هم آموزش بشن، باز هم خیلی خوب جواب می‌دن. خلاصه یعنی نیاز نیست کلی داده جمع کنی از اول تا این مدل‌ها کار کنن.
در کل، این تحقیق نشون داده که با کمی هوش مصنوعی و یادگیری، ماهواره‌ها می‌تونن عینا همون منابع محدودی که دارن رو خیلی بهینه‌تر استفاده کنن و دانشمندها رو سورپرایز کنن با اطلاعات داغ و درجه یک از زمین! پس دفعه بعد که عکس جالبی از ماهواره دیدی، یادت باشه شاید همین هوش مصنوعی‌ها انتخابش کرده باشن!
منبع: +
