13 دسامبر 2024-© shutterstock/greenbutterfly
دیوید سالوانینی، مدیر ارشد هوش مصنوعی ناسا، با جورجی پرسل، سردبیر پلتفرم نوآوری، صحبت کرد تا درباره چگونگی شکل‌دهی فناوری‌های هوش مصنوعی به مسیر کار ناسا صحبت کند.
برای چندین دهه، ناسا از فناوری هوش مصنوعی (AI) برای پشتیبانی و بهینه سازی کار خود در سراسر آژانس، هم در زمین و هم در فضا استفاده می کند. ناسا از هوش مصنوعی برای کمک به برنامه‌ریزی و برنامه‌ریزی ماموریت‌های سیاره‌نورد، تجزیه و تحلیل مجموعه داده‌های ماهواره‌ای و تشخیص ناهنجاری‌ها، توسعه سیستم‌های خودمختار و موارد دیگر استفاده می‌کند.
برخی از ابزارهای هوش مصنوعی مورد استفاده در ناسا شامل یادگیری ماشینی است که از داده‌ها و الگوریتم‌ها برای آموزش رایانه‌ها در طبقه‌بندی، فرمول‌بندی پیش‌بینی‌ها و کشف شباهت‌ها یا روندها در مجموعه داده‌های بزرگ استفاده می‌کند. استفاده از ابزارهای هوش مصنوعی طیف وسیعی از مزایای تغییر بازی را برای کار ناسا دارد، از جمله ساده‌سازی تصمیم‌گیری، صرفه‌جویی در منابع و افزایش کارایی نیروی کار.
فناوری های هوش مصنوعی چه نقشی در کار ناسا دارند؟
ناسا در استفاده از هوش مصنوعی و یادگیری ماشینی به طرق مختلف، به ویژه برای ابزارهای سنتی تر، بسیار درگیر بوده است. این فناوری‌ها عمدتاً در کارهای علمی ما برای کمک به کشف اجسام در منظومه شمسی یا منظومه‌های خورشیدی دور استفاده شده‌اند. یکی از نمونه ها قابلیتی به نام ExoMiner است که از هوش مصنوعی آموزش دیده توسط یادگیری ماشینی برای شناسایی سیارات فراخورشیدی و حتی سیارات و منظومه های خورشیدی دور استفاده می کند. جالب اینجاست که این داده‌ها از ۱۵ سال پیش جمع‌آوری شده بود و از طریق مدل‌های هوش مصنوعی قادر به شناسایی اشیایی بود که قبلاً کشف نشده بودند.
حوزه دیگری که در آن استفاده از فناوری‌های هوش مصنوعی رایج است، خودمختاری است. به عنوان مثال، مریخ نورد باید با خیال راحت در سطح مریخ حرکت کند و از موانع یا خطرات اجتناب کند و در عین حال با خطر احتمالی تاخیر ارتباط بین مریخ و زمین مقابله کند.
تقریباً مانند آنچه امروز در خودروهای خودران موجود در بازار مشاهده می کنید، یک سیستم هوش مصنوعی روی برد به مریخ نورد کمک می کند تا محیط اطراف خود را پردازش کند و در مورد نحوه مانور خودرو تصمیم گیری کند. ماهیت خودمختار این سیستم مشکل تأخیر انتشار را در صورتی که مریخ نورد مجبور بود با یک کنترل کننده در زمین ارتباط برقرار کند، برطرف می کند. این فناوری به‌عنوان بخشی از فرآیند مهندسی سیستم‌ها در ناسا به‌شدت مورد آزمایش قرار گرفته است و استفاده از هوش مصنوعی را در این مورد کاهش داده و مورد تمسخر قرار می‌دهد.
با همکاری IBM، اخیراً یک مدل پایه هوش مصنوعی Prithvi-weather-climate برای انواع موارد استفاده از آب و هوا و آب و هوا منتشر کردیم. این مدل روشی انعطاف‌پذیر و مقیاس‌پذیر برای رسیدگی به چالش‌های بی‌شمار مربوط به آب‌وهوای کوتاه‌مدت و پیش‌بینی بلندمدت آب و هوا ارائه می‌دهد. داده های به دست آمده از مدل به طور آشکار منتشر می شود، بنابراین هر کسی می تواند به آن دسترسی داشته باشد و از آن استفاده کند. بررسی و همکاری زیادی در این نوع کارها دخیل است.
استفاده از هوش مصنوعی در فضا بسیار انحصاری است. با هوش مصنوعی سنتی که یک شرکت ممکن است از آن استفاده کند، یک سیستم محاسباتی در مقیاس بزرگ، مانند یک ارائه‌دهنده ابر، موتور پردازش بسیاری از این کارها است.
در فضا، ما به پلتفرم Cloud دسترسی نداریم. وقتی به آینده هوش مصنوعی فکر می کنیم و اینکه چگونه می توانیم هوش مصنوعی را در سیستم های مبتنی بر فضا که در محیط های شدید کار می کنند ادامه دهیم، باید چندین عامل مختلف را در نظر بگیریم. چنین چیزهایی عبارتند از خود محیط شدید، تشعشعاتی که وسایل الکترونیکی در معرض آن قرار می گیرند، بودجه توان و محدودیت های محاسباتی. برخلاف اینجا روی زمین، وقتی صحبت از یک وسیله نقلیه فضایی به میان می‌آید، خرید نیروی بیشتر آسان نیست – بودجه و محدودیت‌های زیادی برای افتخار وجود دارد. عناصر منحصر به فرد زیادی در مورد نحوه استفاده ناسا از هوش مصنوعی، به ویژه برای پشتیبانی از یک ماموریت فضایی وجود دارد که چالش های پیچیده ای را برای ما ایجاد می کند. با این حال، ناسا سابقه طولانی در غلبه بر چنین چالش هایی دارد.
هوش مصنوعی چه پتانسیلی برای آینده ماموریت های ناسا دارد؟
یکی از زمینه‌هایی که هوش مصنوعی نقش کلیدی را ایفا می‌کند، کمک به تطبیق‌پذیری و مستقل‌تر کردن همه چیز است. به عنوان مثال، امروزه در هواپیماهای عمومی، یک خدمه وجود دارد، اما سیستم های خلبان خودکار نیز وجود دارد که هواپیما را در بیشتر زمان پرواز کنترل می کند. این فناوری بسیار قطعی است – اگر سرعت تغییر کند، تغییری در کنترل ایجاد می شود. به طور مشابه، ناسا در حال حاضر در حال انجام کارهایی است تا بتواند به صورت پویاتر با محیط های مختلف سازگار شود – چه در مدار باشد و چه در سطح. ما در حال تلاش برای به دست آوردن درجه بسیار بالاتری از آگاهی موقعیتی از یک محیط هستیم، که سپس می تواند به یک سیستم خودمختار تغذیه شود. سیستم خودمختار می تواند با اطمینان بیشتری به مجموعه ای از شرایط که پویاتر هستند پاسخ دهد.
