هوش مصنوعی چگونه به ناسا در انجام کاوش های فضایی کمک خواهد کرد

برای این کار ابتدا بر روی دادههای آموزش داده شده کار میکنیم و پس از آموزش مدل به اندازه کافی، از آن برای آزمایش بر اساس دادهها استفاده میکنیم تا بفهمیم برای مثال سیستم چه مقدار در تشخیص چهره موفق عمل میکند و چه میزان دقت سایت vector-robot دارد. از یادگیری ماشین نیز میتوان در شناسایی چهره در پردازش تصویر نیز استفاده کرد. به گفته دانشمندان ناسا، این چشم اندازی که از آینده فعالیت های فضایی وجود دارد موجب کاهش احتمالی هزینه ها نیز می شود زیرا در صورت عملی شدن آن نیاز به تیم های بزرگ روی زمین برای تهیه برنامه های دقیق روزانه برای مأموریت های فضایی عمیق کمتر خواهد شد. یک مدل میتواند تعداد زیادی هایپر پارامتر داشته باشد و فرآیند انتخاب بهترین ترکیب ممکن از بین هایپر پارامترها تنظیم (یا tuning) هایپر پارامتر نام دارد. نام محصولات تولیدی عامراندیش هوشمند چیست؟ همه و همه اینها از نیرویی به نام یادگیری ماشین قدرت میگیرند. همهی اینها در نهایت باعث میشود که یک سیستم هوشمند و دارای قدرت تفکر تولید شود که میتواند کارهای بسیار زیادی را انجام دهد. مجموع اختراعات ثبت شده در زمینه یادگیری ماشین از سال ۲۰۱۳ تا سال ۲۰۱۷ میلادی دارای نرخ رشد سالانه ترکیبی ۳۴% بوده است و این مسئله باعث شده که این حوزه به رتبه سوم در ثبت اختراع تبدیل شود.

یادگیری ماشین ظرفیتهای زیادی برای به کارگیری در حوزه مالی و بانکی دارد. الگوریتمهای بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز تولید می شوند، و به طور معمول توسط سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. موقعیتهای بسیاری برای دستهبندی اشیاء در تصاویر دیجیتالی وجود دارد و برای این کار میتوان از یادگیری ماشین استفاده کرد. امام امروزه با ظهور اینترنت بسیاری از مشکلات بر سر راه هوش مصنوعی و یادگیری ماشین از بین رفته و با پیشرفت سخت افزارها هزینههای تهیه سخت افزارهای مورد نیاز برای پیاده سازی هوش مصنوعی و یادگیری ماشین کاهش یافت که همین مسئله باعث پیشرفت بیشتر این حوزه در سالهای اخیر شد. یادگیری ماشین یا ماشین لرنینگ (Machine Learning) یکی از زیر مجموعههای هوش مصنوعی است که به سیستمها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه به برنامه نویسی صریحی برای آن داشته باشند.

در تاریکی وسیع فضا، جایی که به نظر می رسد زمین فقط یک قطعه کوچک است، یک روز هوش مصنوعی به فضانوردان و روبات ها کمک می کند تا بدون نیاز به کمک زیادی از سوی زمین، بتوانند به سرعت تصمیم گیری کرده و به سرعت برنامه ریزی کنند. حتی با سرعت نور هم، در حدود ۱۸۶۰۰۰ مایل در ثانیه ، پیام های رادیویی حداقل ۱۱ دقیقه طول می کشند تا به مریخ برسند (بسته به فاصله متغیر آن از زمین.) به دلیل وجود تاخیرهای زمانی مانند این، خدمه انسانی و روباتیک که در فضای عمیق کاوش می کنند باید کمتر به کمک همکارانشان در زمین وابسته باشند. فضانوردان در فضای بسیار دور در فضا نه تنها باید در زمانی به اندازه ۱۰ دقیقه یا کمتر برنامه های پیچیده را طراحی کنند بلکه ممکن است مجبور شوند به تنهایی اقدام به تصمیم گیری کنند بطوریکه حتی تصمیمات دشوار و ثانویه ای نیز بگیرند. انسان می تواند روی آنچه انسانها در آن خوب هستند تمرکز کند (برای مثال تصمیمات سطح بالا) ، در حالی که رایانه می تواند بر روی آن چه که رایانه ها در آن خوب هستند تمرکز کند، مسائلی چون تصمیم گیری در مورد هزاران تصمیم کوچکتر به طور خودکار و اعمال قوانین و محدودیت ها.

در حالی که در یادگیری ماشین، ما مجموعهای از دادهها را وارد میکنیم تا از این طریق دستگاه بتواند با شناسابب و تجزیه الگوهای موجود در دادهها یادگیری داشته باشد و بر اساس این یادگیری بتواند از مشاهدات و اطلاعات خود نتیجه بگیرد و تصمیم گیری داشته باشد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامههای رایانه ای است که بتوانند به دادهها دسترسی پیدا کنند و از آن برای یادگیری خود استفاده کنند. تمرکز اصلی شرکت بر روی تولید محصولات مبتنی بر هوش مصنوعی است. هدف اصلی آن است که به کامپیوتر این اجازه را بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتوانند اقدامات خود را بر مطابق با آن تنظیم کنند. تیم های متشکل از روبات انسانی می توانند وسایل نقلیه یا زیستگاه های خود را بازرسی کنند و تعمیرات را بدون هیچ گونه کمکی انجام دهند. به گزارش ورا، تلاش های مداوم ناسا برای تکامل هوش مصنوعی برای استفاده در عملیات های مربوط به ماموریت فضایی در آینده موجب تسریع در روند این گونه پیشرفت ها میشود.

از این تکنولوژی میتوان برای تجزیه و تحلیل پارامترهای بالینی و ترکیب آنها برای پیشبینی آگاهی از پیشرفت بیماری، استخراج اطلاعات پزشکی، تحقیقات برای رسیدن به نتیجه، برنامه ریزی درمانی و نظارت بر بیمار استفاده کرد. اگرچه در روزهای ابتدایی پیشرفت در یادگیری ماشین به دلیل هزینه بالای محاسبات تا حدی کند بود که این حوزه را فقط در دسترس موسسات دانشگاهی بزرگ یا شرکتهای چند ملیتی قرار می داد. سازمان International Data Corporation (IDC) پیشبینی میکند که میزان سرمایه گذاری در حوزه هوش مصنوعی و یادگیری ماشین از حدود ۱۲ بیلیون دلار در سال ۲۰۱۷ به حدود ۵۷.۶ بیلیون دلار تا سال ۲۰۲۱ برسد. یادگیری ماشین، همان طور که در بالا اشاره شد، به طور کلی از دو تکنیک استفاده میکند: یادگیری نظارت شده، که یک مدل را بر روی دادههای ورودی و خروجی شناخته شده آموزش میدهد تا بتواند خروجیهای آینده را پیشبینی کند و دیگری یادگیری بدون نظارت، که الگوهای دادههای مخفی یا ساختارهای ذاتی را در دادههای ورودی پیدا میکند. یادگیری ماشین میتواند در سیستمهای پیشبینی کاربرد داشته باشد. یک ماشین الگوها و خصوصیات مختلفی را از دادههایی که به آن آموزش داده شده است یاد میگیرد و خود را برای تصمیمگیریهایی در زمینههای مختلف مانند شناسایی، طبقه بندی یا پیش بینی دادههای جدید آموزش میدهد.

پس از اتمام فرآیند بهینه سازیهایپر پارامترها، می توان گفت که مدل یادگیری ماشین ساخته شده است و بسته به میزان موفقیت آن یا به طور دقیق، توانایی پیش بینی آن، می توانیم آن را در دنیای واقعی اجرا و پیاده سازی کنیم. برای بررسی دقیق اینکه ماشین چگونه قادر به اتخاذ این تصمیمات است، پیش بینیها را بر روی دادههای آموزش داده شده، آزمایش میکنند. پارامترهای کلاسیک به وسیله دادهها آموزش داده میشوند، در حالی که هایپر پارامترها ممکن است از دادهها یاد بگیرند یا نه. هدف اساسی الگوریتمهای یادگیری ماشین، تعمیم یادگیریها به فراتر از نمونههای آموزش داده شده است، یعنی تفسیر موفقیت آمیز دادهها. هدف اصلی نشان دادن این بود که فضاپیما می تواند با حداقل کمک از جانب نیروی انسانی کنترل شود. وی همچنین افزود: “هدف ما کاهش زمان برنامه ریزی به اندازه ۱۰ دقیقه برای یک مأموریت معمولی در سطح مریخ است و اکنون ما توانسته ایم به قسمت های خوبی از این هدف برسیم.” تیمی متشکل از نیمی از دانشمندان ناسا نیز در حال بهبود نرم افزارهای برنامه ریزی هستند که توسط تیم های مریخ نورد استفاده شده است.

الگوریتنمهای یادگیری هوش مصنوعی تا پایات سال ۲۰۱۵ بیش از نیمی از سود صندوق را به خود اختصاص داده بودند و این مسئله در حال بود که میزان دارایی که به هوش مصنوعی تخصیص داده شده بود بسیار کمتر از سایر بخشها بود. این محاسبات میتواند در همه بخشها برای اهداف متنوع استفاده شود. بیش از یک سال پس از فرود آمدن فضاپیما در سیاره مریخ، دانشمندان همچنان به استفاده از این نرم افزار برنامه ریزی و زمان بندی خودکار برای کمک به ساخت و ویرایش برنامه های مربوط به فعالیت های علمی برای کاوش گران مریخ پیما بر اساس لیستی از اهداف مربوط به مشاهدات و منابع مریخ نوردها هستند. به گزارش ورا، دانشمندان امیدوارند که این امر به طور چشمگیری تعداد افراد مورد نیاز برای دستیابی به اهداف ماموریت را کاهش دهد. بنابراین، بسته به نیاز و مناسب بودن مدل برای حل مسئله مورد نظر، مدلی را انتخاب کنیم و آموزش دهیم. همچنین این مسئله وجود داشت که تهیه دادههای مورد نیاز برای آموزش سیستمها بسیار دشوار بود. آنها در ادامه برای شناسایی اشیاء خاصی از الگوریتم های طبقه بندی شده و آموزش داده شده بر روی تصاویری که در Google بود، استفاده کردند. دومین مرحله و قدم بعدی در اصول یادگیری ماشین انتخاب یک مدل و آموزش آن است.

محققان آزمایشگاه هنر و هوش مصنوعی در دانشگاه راتگرز می خواستند ببینند که آیا الگوریتم رایانه ای می تواند نقاشیها را براساس سبک، ژانر و هنرمندان آن آثار به آسانی تشخیص بدهد و آنها را طبقه بندی کند. الگوریتم های توسعه یافته یادگیری ماشین و هوش مصنوعی آنها سبکهای نقاشی را در بانک اطلاعاتی با دقت ۶۰٪ طبقه بندی کرده و از انسانهای معمولی غیر متخصص نیز در تشخیص و دسته بندی آثار فراتر رفت و بهتر عمل کرد. سیستمهایی که از این روش استفاده می کنند، می توانند دقت یادگیری را تا میزان قابل توجهی بهبود ببخشند. ما انواع مختلفی از الگوریتمها و مدلهای یادگیری ماشین داریم که قبلا ایجاد و اصلاح شدهاند تا بتوانند نوع خاصی از مسئله و یا مشکل را حل کنند. مایک مک کوردی، عضو تیم توسعه نرم افزار SPIFe در ناسا، اظهار داشت: “میراث مورد نظری که ما با SPIFe به دنبال آن هستیم نرم افزار Constraint Editor و نرم افزار MAPGEN است که برای دو کاوشگر مریخ پیما استفاده شده است.” Constraint Editor به دانشمندان فعال در ماموریت کاوشگر مریخ پیما اجازه داده است تا در برنامه فعالیت های روزانه ی مریخ پیما مستقیما تغییراتی ایجاد کنند.

توجه داشته باشید که ما برای مثال میخواهیم نرمافزاری بسازیم که بتواند یک فرد را به به محض اینکه در تصویر دید شناسایی کند. حالا میخواهیم به برخی از کاربردهای شگفت انگیز یادگیری ماشین بپردازیم که باعث تعجب شما خواهند شد و برای آنها مثالهای عینی بیاوریم. بسیاری از تکنولوژیهایی که امروزه وجود دارند و باعث شگفت زدگی شما میشوند، از یادگیری ماشین نشات میگیرند. این مسئله باعث شده در سراسر جهان بسیاری از افراد خواستار تحصیل در رشته هوش مصنوعی و یادگیری ماشین شوند. “. همچنین نرم افزار SPIFe از اهمیت بسیاری برخوردار است چرا که ممکن است پیشرو نرم افزارهای آینده باشد که قادر خواهند بود به فضانوردان کمک کنند تا به طور مستقل از زمین و مقر فرماندهیشان کار کنند. به این نرم افزار “تولید برنامه فعالیت مخلوط” (MAPGEN) گفته می شود. با استفاده از نرم افزار هوش مصنوعی مانند MAPGEN که نوعی سیستم “ابتکار عمل ترکیبی” می باشند-انسان و رایانه در بحث هایی که در مورد نسل های آینده برنامه های فضایی اتفاق می افتد شریک خواهند بود. ناسا در حال توسعه نرم افزاری قدرتمند برای برنامه ریزی هوش مصنوعی است تا ماموریت های فضایی دوردست را عملی کند. بخش مهمی از چشم اندازی که از کاوش در فضا توضیح داده شد این امکان را می دهد که خدمه در سفینه های فضایی یا ماه بتوانند خودکفا و خودمختار شوند.

به گزارش ورا، خدمه فضانوردهایی که از نرم افزار پیشرفته برنامه ریزی استفاده کنند به برنامه های مستقر در زمین وابسته نخواهند بود. این نرم افزار همچنین کل برنامه ها را برای در نظر گرفتن تغییراتی که دانشمندان شخصا انجام می دهند، تنظیم می کند. استفاده از الگوریتمهای یادگیری ماشین همچنین میتواند به ادغام سیستمهای کامپیوتری و بخشهای مراقبت بهداشتی نیز کمک کند. به کمک شناسایی گفتار یک نرم افزار میتواند کلمات موجود در یک گفتار را تشخیص دهد و آن را به یک فایل متنی تبدیل کند. در همین حال ، طبق گفته مک کوردی ، نرم افزار MAPGEN برخی از مأموریت ها را انتخاب کرده و دانشمندان بقیه تصمیمات مربوط به مأموریت را گرفته اند. ورا در ادامه توضیحات خود افزود: “طراحی MAPGEN بر اساس” Europa “، ابزاری برای برنامه ریزی هوش مصنوعی که از ماموریت Deep Space 1 قبل از استفاده در کاوش گر مریخ پیما پشتیبانی می کرد، طراحی شده است.” ناسا کاوشگر۴۲۸ کیلوگرمی Deep Space 1 را در تاریخ ۲۴ اکتبر سال ۱۹۹۸ راه اندازی کرد تا ۱۲ فناوری پیشرفته از جمله Remote Agent را که یک برنامه هوشمندی مصنوعی است، آزمایش کند و قصد داشت هزینه ها و خطر را برای ماموریت های علمی در آینده کاهش دهد.

یکی از قابلیت های اضافه شده به SPIFe ، جدول زمانی چندگانه است که دانشمندان می توانند به جای یک جدول زمانی که MAPGEN ارائه می دهد ، از آنها استفاده کنند. در رگرسیون می توان از اصل یادگیری ماشین برای بهینه سازی پارامترها استفاده کرد. در حال حاضر نرم افزارهای جدید برای استفاده روزانه تیم در طول ماموریت های سطح بعدی مریخ در دست تهیه است. در زمانی نه چندان طولانی، دانشمندان ناسا قادر به طراحی نرم افزاری برای کاهش زمان برنامه ریزی روزانه تیم های کاوش گر در مریخ و همچنین کاهش هزینه های انجام ماموریت هایی که در شرف انجام هستند خواهد شد. آلونسو ورا ، مدیر گروه توسعه نرم افزار هوش مصنوعی در مرکز تحقیقات ناسا می گوید: “برنامه ریزی برای مریخ نورد اکتشافی، در هر روز حدود یک ساعت و نیم زمان تیم انسانی را برای هر کدام از این مریخ نوردان به خود اختصاص داده است. به عنوان مثال ، در مقایسه با مأموریت های (Mars Exploration Rover (MER ، دانشمندان امیدوارند که در آینده نزدیک زمان برنامه ریزی را با ضریب ۱۰ برای ماموریت ها کاهش دهند.

یعنی به عنوان مثال اینکه بفهمیم چگونه محصولات غیر مرتبط میتوانند با یکدیگر مرتبط باشند. برای مثال در تصاویر سیاه و سفید هر پیکسل به عنوان یک واحد اندازه گیری استفاده میشود. به کار گیری فناوری هوش مصنوعی توسط ناسا می تواند به فضانوردان کمک کند تا کارایی بیشتری در فضا داشته باشند. بنابراین، با کمک روشهایی که گفته شد، می توانیم یک الگوریتم یادگیری ماشین بسازیم. یادگیری ماشین آنالیز مقادیر انبوهی از دادهها را امکان پذیر می کند. برای این کار در ابتدا با جمع آوری دادهها یعنی بعنوان مثال عکسهای افراد، شروع میکنیم. فرآیند یادگیری با مشاهدات یا دادهها آغاز میشود، مانند مثالها، تجارب مستقیم و یا دستور العملها، تا به یک الگو در دادهها برسند و بر اساس این مثالهایی که ارائه می دهیم، تصمیمات بهتری بگیرند. در حقیقت زمانی به سراغ یادگیری ماشین میرویم که به یک کار و یا مشکل پیچیدهای بر بخوریم که نتوان آن را با روشهای معمول و سنتی حل کرد.

برای بدست آوردن این استراتژیها کاربر از الگوریتمهای معاملاتی برای خرید و فروش اوراق بهادار بر اساس عواملی مانند همبستگی های تاریخی و متغیرهای عمومی اقتصادی متمرکز استفاده میکند. انجام یک کار که دائما در حال تغییر است، مانند تشخیص کلاهبرداری از سوابق معاملات. این پلتفرم از الگوریتم های پیشرفته و متدهای یادگیری ماشین برای پردازش مداوم مقدار گیگابایتهای زیادی از اطلاعاتی مانند دادههای کنتور برق، دماسنج و سنسورهای فشار HVAC و همچنین هزینه هوا و انرژی را دریافت و پردازش کند. این موارد از کاربردهای موفق استفاده از متدهای یادگیری ماشین میباشد. یکی از کاربردهای یادگیری ماشین، مطالعه ارتباط بین کالاهایی است که مردم خریداری میکنند. در این جا یادگیری ماشین به فرآیند استخراج اطلاعات ساختاری از داده های بدون ساختار کمک میکند. بانک اطلاعاتی یا همان دیتابیس رابطهی خروجی تولید شده را با استخراج اطلاعات حفظ میکند. یادگیری ماشین یا همان Machine Learning توانایی یادگیری مستقل را برای ماشینها ایجاد میکند. این نوع یادگیری به ماشینها و عوامل نرم افزار اجازه می دهد تا به طور خودکار، برای به حداکثر رساندن عملکرد خود، رفتار ایده آل خود را مشخص کنند. این نرم افزار”رابط علمی برنامه ریزی برای مهندسی” یا (SPIFe) نامیده شده است. این محققان کار را با شناسایی و آموش ویژگیهای بصری برای طبقه بندی سبک نقاشی به هوش مصنوعی کردند.

تیم های علمی فعال در این پروژه برنامه های مفصلی را برای هماهنگ کردن حرکت مریخ نوردان انجام دادند. زمانی که محصول جدیدی در بازار عرضه میشود، برای افزایش فروش میتواند از این طریق با محصولات قدیمی همراه می شود. این فضاپیما همچنین به دنبال شواهدی از مناطقی است که می توانند از زندگی میکروبی پشتیبانی کنند. همچنین SPIFe به کاربران این امکان را می دهد تا اطلاعات را از طرق مختلف مشاهده کنند تا دانشمندان بتوانند مشکلات و فرایندها را بهتر ببینند و درک کنند. همچنین می توانیم سیگنال گفتار را با شدت در باندهای مختلف فرکانس زمانی تقسیم کنیم. “هرکدام از طرفین مهارت های مختلفی را ارائه می کند. الگوریتمهای یادگیری ماشین عمدتا در دو نوع نظارت شده و نظارت نشده دسته بندی می شوند. منظور از دسته بندی قرار دادن هر فرد، شیء و… یکی از کاربردهای رایج یادگیری ماشین شناسایی تصویر است. برخی از کاربردهای جالب یادگیری ماشین که شما را شگفت زده خواهد کرد! در تصویر زیر میتوانید خط زمانی یادگیری ماشین را در طول تاریخ مشاهده کنید. نمودار زیر تفاوت این سه مفهوم را به خوبی نشان میدهد. در همین حال ، بیش از یک سال پس از فرود در سیاره مریخ در ژانویه ۲۰۰۴ ، دو کاوشگر مریخ به جستجوی سرنخ هایی پرداختند که نشان گر احتمال وجود مقادیر زیادی آب در این سیاره باشد.

بازوی رباتیک زمینی در جستجوی سرنخ هایی برای تاریخ زمین شناسی آب روی مریخ به داخل زمین های قطبی حفره هایی حفر خواهد کرد. به طور فزاینده ای رویکردهای صرفه جویی در منابع همچون پروژه MER، نقش مهمی را در ماموریت ققنوس در منطقه قطب شمال سیاره سرخ(مریخ) که برای سال ۲۰۰۷ برنامه ریزی شده است، خواهند داشت. منطقه فرود کاوش گر ققنوس ۲۰۰۸ در یک منطقه یخبندان واقع شده است. این مسئله به شناسایی گفتار کامپیوتری با شناسایی گفتار اتوماتیک نیز معروف است. برای کسانی که میخواهند تازه وارد دنیای هوش مصنوعی شوند، انتخاب زبان برنامهنویسی چالشی است که یقینا با آن رو به رو خواهند شد. نمایش: مجموعه ای از طبقه بندی کنندهها یا زبانی که کامیوتر آن را می فهمد. این مجموعه به کمک قوانین تعیین شده توسط تحلیلگران تعریف میشود. در غیر این صورت، دستیابی به دادههای دارای برچسب معمولاً نیازی به منابع اضافی ندارد. تلفیقی از یادگیری ماشین و هوش مصنوعی و فناوریهای شناختی می تواند در پردازش حجم زیادی از اطلاعات موثر باشد. از یادگیری ماشین هم چنین در تشخیص دست خط در نوشته های معمولی یا نسخ خطی چاپ شده نیز استفاده میشود. در امور اقتصادی یکی از مسائل مهم بدست آوردن استراتژیهای کوتاه مدت برای خرید و فروش اوراق بهادار میباشد.