Když je potřeba dělat na základě neznámých dat rozhodnutí v reálném čase (třeba rozhodování, kudy se vydat na rozcestí, kde jste ještě nebyli), pak se současné systémy umělé inteligence a strojového učení ani zdaleka nevyrovnají lidským dovednostem. Proto se John Moisan z NASA rozhodl vyvinout AI oko, anglický AI Eye (zkráceně A-Eye). Moisan pracuje jako oceánograf na Wallops Flight Facility u Chincoteague ve Virginii a věří, že umělá inteligence bude řídit jeho pohyblivý senzor A-Eye. Při analýze snímků by jeho systém nejen našel známé vzory v nových datech, ale také by umělá inteligence řídila senzor tak, aby pozoroval a objevoval nové objekty nebo biologické procesy.

John Moisan
Zdroj: https://www.nasa.gov/

„Skutečně inteligentní stroje musí umět poznat, že narazily na něco opravdu nového, cosi zaslouží další pozorování,“ vysvětluje Moisan a pokračuje: „Většina aplikací AI jsou mapovací aplikace vytrénované známými daty, které v nových datech hledají známé objekty. Jak ale naučit stroj rozeznat něco, co nezná. Jak ho přimět zastavit se a říct si: „Co to je? Pojďme se na to podívat lépe.“ To je objevování.“ Vyhledávání a identifikace nových vzorců v komplexních datech je pořád doménou vědců, takže velkou roli podle Jamese MacKinnona, experta na AI z Goddardova střediska, hraje to, jak lidé vidí. Vědci analyzují velké datové balíky tak, že koukají na vizualizace, které jim umožňují lépe vidět vztahy mezi různými proměnnými.

Vycvičit počítačový program k hledání těchto souvislostí v proudu dat je něco úplně jiného. Dvojnásob to platí, když hledáte korelace a vnitřní vztahy v datech, na jejichž identifikace nebyl stroj trénován. Moisan chce nasadit prví soubor A-Eye na interpretaci snímků komplexních pozemských pobřežních oblastí. Očekává, že by svého cíle mohl dosáhnout ještě letos a svůj systém trénoval s využitím pozorování z dřívějších přeletů nad poloostrovem Delmarva. Další financování jeho projektu by mu pomohlo dokončit aspekt optického zaměřování. „Jak si vyberete místa, která si zaslouží skenování?“ Ptá se Moisan a pokračuje: „Chci mít možnost rychle namířit A-Eye na něco, co se objeví během skenování, abychom mohli ze vzdálené oblasti získat vše, co potřebujeme k pochopení okolních environmentálních podmínek.“

Infračervené snímky (jako je tento z bažinaté oblasti v oblasti zálivu na východním pobřeží Marylandu a Virginie) vědcům přináší informace o stavu rostlin, fotosyntéze a dalších podmínkách, které ovlivňují vegetaci a ekosystémy.
Zdroj: https://www.nasa.gov/

Moisanova palubní AI by v reálném čase analyzovala nasbíraná data a hledala v nich výrazné útvary. Pokud by je objevila, namířila by do dané oblasti optický systém pro sběr dalších dat v infračerveném záření a dalších vlnových délkách. Myslící stroje mohou v budoucím průzkumu vesmíru hrát významnou roli. Pokročilé počítače naučené rozeznávat chemické stopy by mohly detekovat známky života, terénní útvary jako toky lávy či krátery mohou zvýšit hodnotu vědeckých dat z různých konců vesmíru. Podle MacKinnona dnešní špičkové systémy AI nejsou úplně připraveny na rozhodnutí s kritickým významem pro misi: „Potřebujete něco s vnímáním scény, ze které to rozhodnutí vychází a to je opravdu těžké. Pro vědce je děsivá představa, že systém zahodí data, která by mohla být cenná. AI může rozhodnout o prioritě dat, která se pošlou dříve, nebo algoritmus může vědce upozornit na anomálie, ale tím to končí. Analýzu dat, která povede k objevům, provádí pořád vědec.“

Přeloženo z:
https://www.nasa.gov/

Zdroje obrázků:
https://www.nasa.gov/sites/default/files/thumbnails/image/screen_flir.png
https://www.nasa.gov/sites/default/files/thumbnails/image/unknown-4.jpeg
https://www.nasa.gov/sites/default/files/thumbnails/image/irmarsh.png