ناسا از شما می‌خواهد به هوش مصنوعی مریخ‌نورد پشتکار آموزش دهید
ناسا طی پروژه‌ی جدیدی از همه‌ی مردم خواسته تا در آموزش هوش مصنوعی مریخ‌نورد پشتکار برای شناسایی بهتر عوارض سطحی مریخ مشارکت کنند.
مریخ‌نورد پشتکار ناسا، پیشرفته‌ترین ماشینی است که تا کنون به سیاره‌ی سرخ فرستاده شده است با مجموعه‌ای از دوربین‌ها و طراحی دقیقی که باید در آزمون زمان مقاومت کنند.
با این حال این فقط یک ربات است و گاهی درک انسانی می‌تواند به یک ربات کمک کند تا هوشمند شود. اگر شما هم مایل به کمک به مریخ‌نورد پشتکار هستید، ناسا از علاقه‌مندان می‌خواهد که در الگوریتم‌های یادگیری ماشینی پشتکار کمک کنند.
تنها کاری که باید انجام دهید این است که به تصاویر نگاه کنید و ویژگی‌های زمین‌شناختی مرتبط را در آن‌ها علامت‌گذاری کنید. این کاری است که اغلب افراد می‌توانند به‌طور مستقیم انجام دهند اما برای یک ربات دشوار است.
این پروژه‌ی ناسا برای آموزش هوش مصنوعی مریخ‌نورد، «هوش مصنوعی برای مریخ» (AI4Mars) نام گرفته و در ادامه‌ی پروژه‌ای است که سال گذشته برای مریخ‌نورد «کنجکاوی» (Curiosity) آغاز شد. کنجکاوی در سال ۲۰۱۲ به مریخ رسید و از آن زمان تا کنون تاریخ‌ساز شده است. ناسا هنگام طراحی پشتکار از تجربه‌ی کسب شده با کمک مریخ‌نورد کنجکاوی به‌عنوان نقطه‌ی شروع استفاده کرد.
مریخ‌نورد جدید دارای ۲۳ دوربین است که حجم زیادی از داده‌های تصویری را از مریخ ثبت می‌کنند اما برای تفسیر بیشتر این تصاویر، ربات به اپراتورهای انسانی تکیه دارد. این مریخ‌نورد دارای هوش مصنوعی است تا از موانع سطحی مریخ به‌خوبی عبور کند و در پروژه‌ی جدید ناسا با کمک مردم، هوش آن حتی بهتر هم خواهد شد.
سلفی مریخ‌نورد پشتکار به همراه بالگرد مریخ‌پیمای نبوغ
Credit: NASA/JPL-Caltech/MSSS/Seán Doran
سایت پروژه‌ی AI4Mars به کاربران امکان می‌دهد که میان مریخ‌نوردهای «فرصت» (Opportunity)، کنجکاوی و تصاویر جدید مریخ‌نورد پشتکار یکی را انتخاب کنند. پس از انتخاب نوع تصاویری که کاربر می‌خواهد بررسی کند، چندین نشانگر مختلف به همراه توضیحات درباره‌ی هر کدام نمایش داده می‌شود.
برای نمونه «دوربین ناوبری» (NavCam) از کاربر می‌خواهد شن، خاک یکپارچه (که چرخ‌ها در آن کشش خوبی دارند)، سنگ بستر و سنگ‌های بزرگ را شناسایی کند. نمونه‌هایی از همه‌ی این ساختارها قرار داده شده است، بنابراین شروع کار بسیار سریع خواهد بود.
با تمام این داده‌های برچسب‌گذاری شده، ناسا می‌تواند شبکه‌های عصبی را برای تشخیص عوارض سطحی مریخ بهتر آموزش دهد. درنهایت یک مریخ‌نورد ممکن است بتواند بدون انتظار برای دستورهای تیم کنترل مأموریت و دریافت دستورهای دقیق برای کوچک‌ترین حرکت، به اطراف بچرخد و نمونه‌ها را جمع‌آوری کند.
آموزش هوش مصنوعی همچنین به شناسایی بهتر مهم‌ترین ویژگی‌های زمین‌شناختی کمک می‌کند و انسان را از بررسی و کاوش کورکورانه‌ی چندین گیگابایت داده نجات می‌دهد.
نتیجه‌ی پروژه‌ی AI4Mars کنجکاوی، الگوریتمی با نام «طبقه‌بندی ویژگی‌های خاک و اشیا» (SPOC) است. این الگوریتم هنوز در حال توسعه‌ی فعال است اما به گفته‌ی ناسا هم‌اکنون می‌تواند ویژگی‌های مریخی را با درستی ۹۸ درصد شناسایی کند.
تصاویر برچسب‌گذاری شده از مریخ‌نورد پشتکار که شامل جزئیات بیشتری از جمله سنگ‌های تنها، سنگ‌ریزه‌های گرده-مانند و بافت ظاهری سنگ بستر هستند، الگوریتم SPOC را باز هم بهبود می‌دهند. در برخی از تصاویر تقریبا همه‌ی اجرام از قبل برچسب‌گذاری شده‌اند اما برخی دیگر ممکن است ناقص باشند.
پروژه‌ی هوش مصنوعی کنجکاوی حدود نیم میلیون تصویر برچسب‌گذاری شده را ثبت کرد. هرچند برچشب‌گذاری ۲۰ 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 مریخ‌نورد پشتکار
Credit: NASA/JPL-Caltech
منبع: Extreame Tech
