ناسا از شما می خواهد به هوش مصنوعی مریخ نورد پشتکار آموزش دهید - دور زمین

مریخ نورد پشتکار ناسا، پیشرفته ترین ماشینی است که تا کنون به سیاره سرخ فرستاده شده است با مجموعه ای از دوربین ها و طراحی دقیقی که باید در آزمون زمان مقاومت کنند.

با این حال این فقط یک ربات است و گاهی درک انسانی می تواند به یک ربات کمک کند تا هوشمند شود. اگر شما هم مایل به کمک به مریخ نورد پشتکار هستید، ناسا از علاقه مندان می خواهد که در الگوریتم های یادگیری ماشینی پشتکار کمک کنند.

تنها کاری که باید انجام دهید این است که به تصاویر نگاه کنید و ویژگی های زمین شناختی مرتبط را در آن ها علامت گذاری کنید. این کاری است که اغلب افراد می توانند به طور مستقیم انجام دهند اما برای یک ربات سخت است.

این پروژه ناسا برای آموزش هوش مصنوعی مریخ نورد، هوش مصنوعی برای مریخ (AI4Mars) نام گرفته و در ادامه پروژه ای است که سال گذشته برای مریخ نورد کنجکاوی (Curiosity) شروع شد. کنجکاوی در سال 2012 به مریخ رسید و از آن زمان تا کنون تاریخ ساز شده است. ناسا هنگام طراحی پشتکار از تجربه کسب شده با کمک مریخ نورد کنجکاوی به عنوان نقطه شروع استفاده کرد.

مریخ نورد تازه دارای 23 دوربین است که حجم زیادی از داده های تصویری را از مریخ ثبت می کنند اما برای تفسیر بیشتر این تصاویر، ربات به اپراتورهای انسانی تکیه دارد. این مریخ نورد دارای هوش مصنوعی است تا از موانع سطحی مریخ به خوبی عبور کند و در پروژه تازه ناسا با کمک مردم، هوش آن حتی بهتر هم خواهد شد.

سایت پروژه AI4Mars به کاربران امکان می دهد که میان مریخ نوردهای فرصت (Opportunity)، کنجکاوی و تصاویر تازه مریخ نورد پشتکار یکی را انتخاب کنند. پس از انتخاب نوع تصاویری که کاربر می خواهد بررسی کند، چندین نشانگر مختلف به همراه توضیحات درباره هر کدام نمایش داده می شود.

برای نمونه دوربین ناوبری (NavCam) از کاربر می خواهد شن، خاک یکپارچه (که چرخ ها در آن کشش خوبی دارند)، سنگ بستر و سنگ های بزرگ را شناسایی کند. نمونه هایی از همه این ساختارها قرار داده شده است، بنابراین شروع کار بسیار سریع خواهد بود.

با تمام این داده های برچسب گذاری شده، ناسا می تواند شبکه های عصبی را برای تشخیص عوارض سطحی مریخ بهتر آموزش دهد. درنهایت یک مریخ نورد ممکن است بتواند بدون انتظار برای دستورهای تیم کنترل مأموریت و دریافت دستورهای دقیق برای کوچک ترین حرکت، به اطراف بچرخد و نمونه ها را جمع آوری کند.

آموزش هوش مصنوعی همچنین به شناسایی بهتر مهم ترین ویژگی های زمین شناختی کمک می کند و انسان را از بررسی و کاوش کورکورانه چندین گیگابایت داده نجات می دهد.

نتیجه پروژه AI4Mars کنجکاوی، الگوریتمی با نام طبقه بندی ویژگی های خاک و اشیا (SPOC) است. این الگوریتم هنوز در حال توسعه فعال است اما به گفته ناسا هم اکنون می تواند ویژگی های مریخی را با درستی 98 درصد شناسایی کند.

تصاویر برچسب گذاری شده از مریخ نورد پشتکار که شامل جزئیات بیشتری از جمله سنگ های تنها، سنگ ریزه های گرده-مانند و بافت ظاهری سنگ بستر هستند، الگوریتم SPOC را باز هم بهبود می دهند. در برخی از تصاویر تقریبا همه اجرام از قبل برچسب گذاری شده اند اما برخی دیگر ممکن است ناقص باشند.

پروژه هوش مصنوعی کنجکاوی حدود نیم میلیون تصویر برچسب گذاری شده را ثبت کرد. هرچند برچشب گذاری 20 هزار تصویر پشتکار هم یک دستاورد خوب برای تیم مأموریت است اما این میزان احتمالا خیلی بیشتر خواهد بود.

عکس کاور: فرآیند آموزش هوش مصنوعی مریخ نورد پشتکار

Credit: NASA/JPL-Caltech

منبع: Extreame Tech