Este artículo de IA implementa por primera vez en el espacio un modelo fundamental de bajo peso
Este artículo de IA implementa un modelo fundamental de bajo peso en el espacio por primera vez.
La tecnología espacial avanza día a día. Ha habido esfuerzos de diferentes grupos de investigación para construir modelos de Aprendizaje Automático e Inteligencia Artificial en el espacio exterior que influirían en la investigación espacial. Los datos que se recopilan nos brindan información sobre la cartografía aérea, la predicción del clima y la deforestación. Estos satélites recopilan los datos pero no pueden procesar el conjunto de datos mediante técnicas de procesamiento de datos. Por lo tanto, estos satélites no pueden captar eventos rápidos como desastres naturales.
Para tener un enfoque en la tecnología espacial para resolver estos problemas, los investigadores entrenaron los modelos de Aprendizaje Automático en el espacio que procesarían estos datos. Los investigadores entrenaron los modelos más simples en una etapa anterior que detectaban la cobertura de las nubes directamente durante el entrenamiento en el espacio en lugar de entrenar en tierra. El enfoque de entrenamiento se llama aprendizaje de pocas muestras o aprendizaje activo. Este enfoque toma las características más importantes necesarias para entrenar al modelo. Por lo tanto, se llama aprendizaje de pocas muestras. La principal ventaja de este modelo sobre otros es que los datos que se están recopilando se pueden convertir en dimensiones más pequeñas, lo que hace que el modelo sea más rápido y efectivo. Este modelo se clasifica en la categoría de modelos de Visión por Computadora. La parte de entrenamiento de este modelo consiste en mantener los valores importantes combinados en forma de vector. El objetivo de este modelo es detectar si hay cobertura de nubes presente o no. Esto da como resultado un modelo de clasificación para entrenar.
El modelo se clasifica ampliamente en dos categorías. La primera parte del modelo consiste en recopilar las imágenes y entrenarlas en tierra, mientras que la segunda parte del modelo clasifica el modelo en función de la clasificación binaria, lo que nos da información sobre la cobertura de nubes. La segunda parte se entrena en el propio satélite. El entrenamiento requiere varias rondas de épocas para ser entrenado. Por otro lado, el modelo diminuto del equipo completó el entrenamiento en un segundo y medio. Los investigadores también dijeron que el modelo se adapta automáticamente a todas las formas de datos. Los investigadores todavía están trabajando en diferentes tipos de modelos que funcionarían en diferentes cambios de interés.
- Doble Aprendizaje Automático Simplificado Parte 2 – Orientaci...
- Utilizando IA para protegerse contra la manipulación de imágenes de IA
- Conoce a Med-PaLM Multimodal (Med-PaLM M) un modelo generativo mult...
Los investigadores todavía están trabajando en un modelo que resolvería conjuntos de datos complejos que consisten en imágenes de satélites hiperespectrales. En esta investigación, los parámetros de rendimiento del modelo como el recuerdo, la precisión y la puntuación F1 son bastante altos. Estos escenarios consisten en oportunidades crecientes en el mundo de la investigación espacial que se encuentra alrededor de la Tierra y también en el espacio profundo. Los investigadores se adentran en el espacio profundo con la tecnología emergente de Inteligencia Artificial, lo que ayuda a explorar el espacio profundo.
