استفاده هوش مصنوعی گوگل از دادههای ماهوارهای برای حفاظت از محیط زیست
سرویسهای گوگل مانند ابزار جستوجوی تصویر و ترجمه، از روشهای پیچیده یادگیری ماشین استفاده میکنند. این روشها به کامپیوتر امکان میدهد تقریبا به همان شیوه انسان ببینند، بشنوند و صحبت کنند.
عبارت یادگیری ماشین اصطلاحی برای برنامههای کاربردی در زمینه هوش مصنوعی است که به شدت در حال پیشرفت است. ایده اصلی و کلی یادگیری ماشین این است که به آنها آموزش دهیم با پردازش مقدار زیادی داده، چیزهای تازهای یاد بگیرند و به این ترتیب، وظایف محوله را مرتبا بهتر از قبل انجام دهند و به مرحلهای برسند که بتوانند کارهایی را انجام دهند که پیش از آن فقط مغز انسان میتوانست انجام دهد.
از جمله این تکنیکها میتوان از «دید رایانهای» نام برد. این تکنیک یعنی به رایانهها آموزش دهیم تصاویر را به همان شیوه ما انسانها تشخیص دهند. به عنوان مثال، یک شیئ با چهار پا و یک دم، به احتمال بسیار یک حیوان است و اگر این حیوان، سبیل بزرگی هم داشته باشد، به احتمال بسیار بیشتر گربه است، نه اسب. هنگامی که هزاران یا میلیونها تصویر را وارد رایانه میکنیم، تواناییاش در تشخیص تصویری که میبیند، مرتب افزایش مییابد.
یکی دیگر از این برنامهها، «پردازش زبان طبیعی» است. از این برنامه در سرویس ترجمه آنی و آنلاین زبان گوگل استفاده میشود تا جزئیات و ریزهکاریهای سخنان انسان را در زبانهای مختلف بهتر درک کند و به این ترتیب امکان ترجمه دقیقتر بین زبانهای مختلف را فراهم میکند.
گوگل از یادگیری ماشین در محصولاتی مانند ترموستات هوشمند نست نیز استفاده میکند. این ابزار با تجزیه و تحلیل اطلاعات حاصل از هزاران بار استفاده، کمکم میتواند پیشبینی کند صاحبش کی و چگونه خانهاش را گرم میکند و به این ترتیب به کاهش مصرف انرژی کمک میکند.
با این حال، گوگل علاوه بر این برنامهها که در زندگی روزمره از آنها استفاده میکنیم، برنامههای کاربردی زیادی را برای تکنولوژیهای پیشرفته ابداع کرده است که امروزه در سراسر جهان از آنها برای حل انواع مشکلات زیستمحیطی استفاده میکنند.
کیت ای برانت، سرپرست بخش توسعه پایدار گوگل، در مورد برخی از این کاربردهای جاهطلبانه هوش مصنوعی که امروز در حال گسترش است، توضیحاتی بدین شرح ارائه کرد: «زمانی که توانایی ها و امکانات محاسبات ابری، نقشهبرداری جغرافیایی و یادگیری ماشین را با یکدیگر تلفیق میکنیم، شاهد دستاوردهای واقعا جالبی خواهیم بود.»
یک نمونه عالی، ابتکاری است که هم اکنون از آن برای محافظت از زندگی جانداران دریایی در معرض خطر در برخی از آسیبپذیرترین اکوسیستمهای جهان استفاده میکنند. مشخص شده است که الگوریتمهای یادگیری ماشین با استفاده از سامانه شناسایی خودکار برای کشتیرانی، می تواند فعالیت ماهیگیران غیرقانونی در مناطق حفاظت شده را به دقت شناسایی کند.
این روش تا حدودی شبیه همان مثال «گربه یا اسب» است که در بالا به آن اشاره شد. رایانهها میتوانند با نقشهبرداری و ترسیم مسیر حرکت یک کشتی و مقایسه آن با الگوهای حرکت کشتیهایی با هدف مشخص و شناخته شده، میتوانند درک کنند که این کشتی خاص، مشغول چه کاری است.
برانت همچنین گفت: «تمام ۲۰۰ هزار (یا تقریبا همین حدود) کشتی که در هر لحظه در دریا هستند با استفاده از مخابرات ماهوارهای، با صدای بلند اعلام میکنند: «این جایی است که من هستم و این کاری است که من میکنم.»
این امر موجب شده که هر روزه حدود ۲۲ میلیون داده نقطهای تولید شود. مهندسان گوگل متوجه شدند که میتوانند با بکارگیری فرایند یادگیری ماشین روی این دادهها، دلیل حضور هر کشتی را در دریا پیدا کنند مثلا دریابند این یک کشتی باربری است یا کشتی کانتینربر یا کشتی و قایق ماهیگیری.
برانت میگوید ما با استفاده از این مجموعه دادهها و با همکاری چندین سازمان غیر دولتی (NGO) – مانند اوشنا (Oceana) و اسکای تراث (Sky Truth)- توانستیم دیدبان جهانی ماهیگیری (Global Fishing Watch) را ایجاد کنیم و نقشه جالب و دقیق و همزمان و آنی پدید آوریم که نشان میدهد کجاها دارند ماهیگیری میکنند.
این ابتکار نتایج مطلوبی در زمینه مبارزه با ماهیگیری غیرقانونی در مناطق حفاظت شده دریایی داشته است. به عنوان مثال، این سیستم فعالیتهای مشکوکی را در آبهای تحت اختیار جمهوری کریباتی (کشوری جزیره ای در اقیانوس آرام) را شناسایی کرده است. این منطقه دارای بزرگترین سایت دریایی میراث یونسکو است.
زمانی که کشتیهای دولتی کریباتی، ناخدای کشتی ماهیگیری را دستگیر کردند، وی انجام هرگونه کار خلاف قانونی را رد کرد اما پس از آنکه شواهدی را الگوریتمهای یادگیری ماشین گوگل جمع آوری کرده بودند، به وی نشان دادند، دریافت که حین ارتکاب جرم دستگیر شده است و پذیرفت که قوانین بین المللی را نقض کرده است.
موضوع واقعا هیجان انگیز، آن است که این شیوه، فرصتهای زیادی برای دولتها و شهروندان ایجاد میکند که بتوانند از منابع دریایی ما به خوبی حفاظت کنند. ماهیگیری در بسیاری از مناطق دریایی غیرقانونی است و دیدهبان جهانی ماهیگیری برای محافظت از این مناطق، فعالیت میکند.
هم اکنون در آمریکا و آلمان از فناوری تشخیص تصویر مبتنی بر یادگیری ماشین نیز برای دستیابی به اهدف بسیار متفاوتی استفاده میکنند.
استفاده از دادههای ماهوارهای برای توسعه استفاده از انرژی خورشیدی
هدف پروژه سانروف (Sunroof)، که در سال ۲۰۱۵ آغاز به کار کرد، آموزش سیستمهای گوگل برای بررسی دادههای ماهوارهای و شناسایی تعداد خانههای دارای صفحههای خورشیدی روی سقف در یک منطقه خاص است. علاوه بر این، پروژه سانروف میتواند مناطقی را که در آن صفحههای خورشیدی نصب نشده است و در نتیجه از فرصت و امکان جمع آوری انرژی خورشیدی استفاده نمیشود، شناسایی کند.
برانت میگوید: «این کار با ایده یکی از مهندسان ما در کمبریج ماساچوست آغاز شد. او میخواست صفحههای خورشیدی را روی سقف خانه خود نصب کند، اما دریافت پیدا کردن پاسخ به این پرسش که آیا در مکان مناسبی برای بهرهبرداری از انرژی خورشیدی قرار دارد یا نه، دشوار است به بیان دیگر او میپرسید آیا مقدار کافی انرژی خورشید در دسترس است که بتوان از آن استفاده کرد؟»
این امر به ابداع یک سیستم جدید یادگیری ماشین منجر شد. این سیستم تصاویر ماهوارهای گوگل ارث (Google Earth)را با دادههای هواشناسی ترکیب میکند و نتیجه ارزیابی را آنی و فوری ارائه میدهد. بر اساس این ارزیابیها میتوان دریافت یک مکان خاص برای نصب صفحههای خورشیدی مناسب است یا خیر و در نتیجه با نصب این صفحهها، چه مقدار انرژی حاصل میشود و در نهایت صاحبخانه با اینکار چقدر در هزینههایش صرفه جویی میکند؟
بعدها دریافتیم که این روش نه تنها برای تک تک صاحبان خانهها سودمند است، بلکه برای ارزیابی امکانات جوامع (از یک ناحیه شهری گرفته تا شهرستان، و ایالت) نیز بسیار مفید است.
الگوریتم تشخیص تصویر گوگل چگونگی تشخیص صفحههای خورشیدی در تصاویر ماهوارهای را آموخت. خیلی زود از این سیستم در شهر سان خوزه در کالیفرنیا استفاده کردند. هدف از این ابتکار عمل، شناسایی مکانهایی بود که توانایی تولید ۱ گیگاوات انرژی خورشیدی با استفاده از صفحههای جدید را داشتند.
هر دو این ابتکارات نمونه ای عالی از چگونگی یادگیری ماشین (با استفاده از داده های موجود و در دسترس) و ارائه راه حل های جدیدی برای مشکلات عصر نوین هستند. دادههای در دسترس، هر روز بیشتر میشود، کامپیوترها نیز پیوسته قدرتمند میشوند، کسی چه میداند چالشهای دیگری دیگر که با استفاده از هوش مصنوعی میتوان بر آنها غلبه کرد، چیست؟