NASA JPL สร้างแบบจำลองของข้อมูลขนาดเพตะไบต์ด้วยปัญญาประดิษฐ์

NASA JPL สร้างแบบจำลองของข้อมูลขนาดเพตะไบต์ด้วยปัญญาประดิษฐ์

ใช้แป้นลูกศรขึ้น/ลงเพื่อเพิ่มหรือลดระดับเสียงดาวน์โหลดเสียงNASA Jet Propulsion Laboratory กำลังรวบรวมข้อมูลมากกว่าที่เคยเป็นมาในประวัติศาสตร์ ผู้จัดการโปรแกรมและหัวหน้านักวิทยาศาสตร์คอมพิวเตอร์ Daniel Crichton รู้สึกตื่นเต้นกับภารกิจของเขา: การใช้ข้อมูลเพื่อทำความเข้าใจโลก ระบบสุริยะ และอื่นๆปัญญาประดิษฐ์และการเรียนรู้ของเครื่องมีความสำคัญต่อการทำให้เป็นอัตโนมัติหรือดึงข้อมูลเชิงลึกจากข้อมูลหลายร้อยเพตะไบต์ที่สร้างโดย JPL ตั้งแต่ดาวเคราะห์ดวงนี้ไปจนถึงยานสำรวจดาวอังคารและหอดูดาวที่ท่องไปในอวกาศ

 แมชชีนเลิร์นนิงและ AI นำเสนอโอกาสอันยิ่งใหญ่ ในหลายกรณี

 เครื่องมือที่ดีกว่าคือการให้เครดิตหรือตำหนิสำหรับข้อมูลเพิ่มเติม

“ดังนั้น เครื่องมือของเราจึงสร้างข้อมูลที่มีความละเอียดสูงกว่ามาก ดังนั้นเราจึงมีกล้องที่ – และเราเห็น สิ่งเหล่านี้บนโทรศัพท์มือถือของเราที่กำลังผลิตภาพประเภท 8K และประเภทที่ใหญ่กว่า” Crichton กล่าวในFederal Monthly Insights – Artificial Intelligence and Data “และเราเผยแพร่ภาพและความสามารถเหล่านั้นไปยังยานอวกาศของเรา ดังนั้นเราจึงมีกล้องความละเอียดสูงที่ดียิ่งขึ้น และส่วนหนึ่งของความท้าทายของเราก็คือเรามีแบนด์วิธจำกัด”

Crichton กล่าวว่า JPL กำลังพยายามสร้างแบบจำลองการแสดงข้อมูลโดยใช้ปัญญาประดิษฐ์ ในการทำเช่นนั้นจะต้องมีการฝึกอบรมโมเดลเหล่านั้นกับชุดข้อมูลที่ NASA สนใจ แบบจำลองสามารถช่วย NASA เปลี่ยนจากกระบวนการที่มนุษย์ทดสอบไปสู่กระบวนการที่ใช้การคำนวณมาก

อย่างไรก็ตาม อาจเป็นเรื่องยากที่จะทราบว่าเมื่อใดที่ชุดการฝึกต้องได้รับการอัปเดต JPL ต้องการกระบวนการที่ต่อเนื่องในเรื่องนั้น เนื่องจากองค์กรไม่ทราบแน่ชัดว่ากำลังมองหาอะไรอยู่

“หนึ่งในความท้าทายใหญ่ที่เรามีในโลกของเรา ในด้านวิทยาศาสตร์คือการพยายามสร้างชุดการฝึกอบรมการเป็นตัวแทนที่สามารถจับภาพทั้งหมดที่เราต้องการค้นพบในข้อมูลของเราได้” Crichton กล่าวใน Federal Drive กับ Tom Temin . “เราอาจค้นพบความผิดปกติในข้อมูลและระบุคุณสมบัติใหม่ที่เราต้องการค้นหา และกลับไปอัปเดตชุดการฝึกอบรมและปรับปรุงโมเดลของเรา ดังนั้นจึงเป็นกระบวนการทำซ้ำๆ ของการพยายามฝึกโมเดลของเราจริงๆ ค้นพบสิ่งใหม่ๆ และจัดประเภทข้อมูลใหม่ที่เราเคยพบเห็นมาในอดีต”

ในการทำเช่นนั้น Crichton กล่าวว่าการมีข้อมูลเมตาที่เพียงพอเป็นสิ่งสำคัญ

 ที่จะช่วยให้นักวิทยาศาสตร์ที่แตกต่างกันทำงานร่วมกันเพื่อแก้ปัญหา ด้วยเหตุนี้ JPL จึงทำงานเพื่อกำหนดมาตรฐานทั่วโลกสำหรับภารกิจของดาวเคราะห์ และพัฒนาโครงสร้างข้อมูลเมตามาตรฐาน

“นั่นคือการประสานงานกับหน่วยงานด้านอวกาศอื่น ๆ ทั่วโลกเพื่อให้แน่ใจว่าเราสามารถพัฒนาโครงสร้างพื้นฐานทางวิทยาศาสตร์แบบเปิด [an] เพื่อให้สามารถแบ่งปันข้อมูลของเรา สนับสนุนการค้นพบและอื่น ๆ ได้” เขากล่าว “และนั่นหมายถึงการมีแค็ตตาล็อกข้อมูลเมตาดาต้าที่คัดสรรมาอย่างดี การเก็บข้อมูล และพัฒนาวิธีการที่เราสามารถเชื่อมโยงข้อมูลของเราเข้าด้วยกันจริงๆ เพื่อพัฒนาวิทยาศาสตร์ในฐานะที่เป็นส่วนหนึ่งของมนุษยชาติ”

จากนั้นเป็นเรื่องของการเก็บข้อมูลและการเก็บรักษาข้อมูลให้พร้อมใช้งาน ข้อมูลทางกายภาพสามารถอยู่ในโครงสร้างพื้นฐานระบบคลาวด์ เช่น Amazon, Google และ Azure ของ Microsoft และข้อมูลเมตาสามารถชี้ไปยังโครงสร้างพื้นฐานเหล่านั้นได้ เมื่อ JPL เข้าถึงข้อมูลในระดับเพตะไบต์แล้ว Crichton กล่าวว่า องค์กรต้องการวิธีการขยายพื้นที่จัดเก็บข้อมูล ซึ่งรวมถึงความซับซ้อนถือเป็นความท้าทายที่สำคัญสำหรับภารกิจต่างๆ

“นี่จะกลายเป็นบันทึกถาวรของสิ่งที่เราได้เรียนรู้จากภารกิจของเรา” เขากล่าว “และดังนั้นจึงเป็นเรื่องสำคัญมากที่เราจะปฏิบัติต่อข้อมูลนั้นเสมือนเป็นการเก็บถาวรระยะยาว โดยเราวางแนวปฏิบัติที่ดีในการตรวจสอบคุณภาพของข้อมูลนั้นจริง ๆ และเราพิจารณาวิธีที่เราจะรับประกันความสมบูรณ์ของข้อมูลในระยะยาว – และเราถือว่ามันเป็นสินทรัพย์ทองคำในยุคอวกาศของเรา”

credit : เว็บสล็อตแท้