با نامگذاری صخره‌های مریخ به ناسا کمک کنید!
ناسا از مردم خواسته تا با نامگذاری صخره‌هایی که در تصاویر مریخ می‌بینند، به بهبود ماموریت مریخ‌نورد "کنجکاوی" کمک کنند.
هشت سال است که مریخ‌نورد "کنجکاوی" (Curiosity) ناسا روی مریخ فرود آمده، اما ماموریت آن هنوز پایان نیافته و در حال ارتقا است. شما می‌توانید با اختصاص دادن چند دقیقه از زمان خود به نامگذاری داده‌های خامی که هوش مصنوعی با آن‌ها تغذیه می‌شود، به این مریخ‌نورد کمک کنید.
مریخ‌نورد کنجکاوی به تنهایی مسیر خود را پیدا نمی‌کند؛ بلکه گروهی از افراد روی زمین هستند که به تجزیه و تحلیل تصاویر مریخ می‌پردازند و مسیری را برای این آزمایشگاه علمی متحرک مشخص می‌کنند. آن‌ها برای این کار باید تصاویر را به دقت بررسی کنند تا بفهمند که صخره‌ها، خاک، ماسه و عناصری از این قبیل دقیقا در کجا قرار گرفته‌اند.
این کاری است که سیستم‌های مبتنی بر یادگیری ماشینی به خوبی انجام می‌دهند. به این سیستم‌ها، تصاویری داده می‌شود که ویژگی‌های برجسته آن‌ها به طور واضح نامگذاری شده است تا سیستم‌ها یاد بگیرند که ویژگی‌های مشابه را در تصاویر نامگذاری نشده پیدا کنند.
مشکل اینجاست که اگرچه بسیاری از مجموعه داده‌های تصویری نامگذاری شده‌اند، اما بسیاری از سطوح مریخ وجود دارند که انواع متفاوتی از زمین‌ها را در بر دارند و نامگذاری نشده‌اند.
"هیرو اونو" (Hiro Ono)، پژوهشگر هوش مصنوعی "آزمایشگاه پیش‌رانش جت" (JPL) ناسا گفت: برای آموزش یک الگوریتم یادگیری عمیق معمولا صد‌ها یا هزاران نمونه مورد نیاز است. برای نمونه می‌توان به الگوریتم‌های خودرو‌های خودران اشاره کرد که با تصاویر بی‌شماری از جاده‌ها، علائم و چراغ‌های راهنمایی و رانندگی، پیاده‌رو‌ها و وسایل نقلیه دیگر آموزش داده می‌شوند. پایگاه داده‌های عمومی برای یادگیری عمیق نیز افراد، حیوانات و ساختمان‌ها را در بر دارند، اما مریخ چنین پایگاه داده‌ای ندارد.
اکنون ناسا تصمیم گرفته تا یک پایگاه داده نیز برای مریخ بسازد و برای این کار از مردم کمک خواسته است. ناسا در حال حاضر الگوریتمی موسوم به "SPOC" برای این کار دارد، اما برای بهبود آن درخواست کمک کرده است.
ناسا در پرتال وب موسوم به "زونیورس" (Zooniverse)، هزاران تصویر از مریخ بارگذاری کرده است و همه می‌توانند چند دقیقه از زمان خود را به خواندن اطلاعات آموزشی و نامگذاری این تصاویر اختصاص دهند.
مریخ‌نورد کنجکاوی به تنهایی مسیر خود را پیدا نمی‌کند؛ بلکه گروهی از افراد روی زمین هستند که به تجزیه و تحلیل تصاویر مریخ می‌پردازند و مسیری را برای این آزمایشگاه علمی متحرک مشخص می‌کنند. آن‌ها برای این کار باید تصاویر را به دقت بررسی کنند تا بفهمند که صخره‌ها، خاک، ماسه و عناصری از این قبیل دقیقا در کجا قرار گرفته‌اند.
این کاری است که سیستم‌های مبتنی بر یادگیری ماشینی به خوبی انجام می‌دهند. به این سیستم‌ها، تصاویری داده می‌شود که ویژگی‌های برجسته آن‌ها به طور واضح نامگذاری شده است تا سیستم‌ها یاد بگیرند که ویژگی‌های مشابه را در تصاویر نامگذاری نشده پیدا کنند.
مشکل اینجاست که اگرچه بسیاری از مجموعه داده‌های تصویری نامگذاری شده‌اند، اما بسیاری از سطوح مریخ وجود دارند که انواع متفاوتی از زمین‌ها را در بر دارند و نامگذاری نشده‌اند.
"هیرو اونو" (Hiro Ono)، پژوهشگر هوش مصنوعی "آزمایشگاه پیش‌رانش جت" (JPL) ناسا گفت: برای آموزش یک الگوریتم یادگیری عمیق معمولا صد‌ها یا هزاران نمونه مورد نیاز است. برای نمونه می‌توان به الگوریتم‌های خودرو‌های خودران اشاره کرد که با تصاویر بی‌شماری از جاده‌ها، علائم و چراغ‌های راهنمایی و رانندگی، پیاده‌رو‌ها و وسایل نقلیه دیگر آموزش داده می‌شوند. پایگاه داده‌های عمومی برای یادگیری عمیق نیز افراد، حیوانات و ساختمان‌ها را در بر دارند، اما مریخ چنین پایگاه داده‌ای ندارد.
اکنون ناسا تصمیم گرفته تا یک پایگاه داده نیز برای مریخ بسازد و برای این کار از مردم کمک خواسته است. ناسا در حال حاضر الگوریتمی موسوم به "SPOC" برای این کار دارد، اما برای بهبود آن درخواست کمک کرده است.
ناسا در پرتال وب موسوم به "زونیورس" (Zooniverse)، هزاران تصویر از مریخ بارگذاری کرده است و همه می‌توانند چند دقیقه از زمان خود را به خواندن اطلاعات آموزشی و نامگذاری این تصاویر اختصاص دهند.
زونیورس، تقریبا ۹۰۰۰ تصویر را در بر دارد که تاکنون نیمی از آن‌ها نامگذاری شده‌اند. اگر چند دقیقه از زمان خود را به نامگذاری تصاویر اختصاص دهید، می‌توانید ناسا را به این هدف نزدیک‌تر کنید. این وب‌سایت در حال حاضر به زبان‌های انگلیسی، اسپانیایی، هندی و ژاپنی در دسترس است و ترجمه به زبان‌های دیگر نیز به زودی ارائه خواهد شد.
شاید پیشرفت هوش مصنوعی بتواند به مریخ‌نورد کنجکاوی نه تنها در مسیریابی کمک کند، بلکه احتمال از دست دادن انقباض و عوامل دیگری که می‌توانند قرار گرفتن چرخ‌های آن را تحت تاثیر قرار دهند، اطلاع دهد. همچنین پیشرفت هوش مصنوعی موجب می‌شود که برنامه‌ریزی برای بهبود مریخ‌نورد کنجکاوی، برای پژوهشگران ساده‌تر باشد، زیرا اگر پژوهشگران از طبقه‌بندی اطلاعات مطمئن باشند، لازم نیست زمان زیادی را به بررسی تصاویر اختصاص دهند.
شاید پیشرفت هوش مصنوعی بتواند به مریخ‌نورد کنجکاوی نه تنها در مسیریابی کمک کند، بلکه احتمال از دست دادن انقباض و عوامل دیگری که می‌توانند قرار گرفتن چرخ‌های آن را تحت تاثیر قرار دهند، اطلاع دهد. همچنین پیشرفت هوش مصنوعی موجب می‌شود که برنامه‌ریزی برای بهبود مریخ‌نورد کنجکاوی، برای پژوهشگران ساده‌تر باشد، زیرا اگر پژوهشگران از طبقه‌بندی اطلاعات مطمئن باشند، لازم نیست زمان زیادی را به بررسی تصاویر اختصاص دهند.
ارسال نظرات