La società della tua carta di credito ti contatta chiedendoti se hai acquistato qualcosa da un rivenditore che normalmente non frequenti o se hai speso più del solito. Un umano non ha identificato la transazione atipica. Un computer, dotato di algoritmi avanzati, ha contrassegnato l'acquisto potenzialmente fraudolento e ha attivato l'indagine.

I ricercatori del Goddard Space Flight Center della NASA a Greenbelt, Maryland, pensano che scienziati e ingegneri potrebbero trarre vantaggio dalla stessa tecnologia, spesso indicato come apprendimento automatico o reti neurali.

Considerato un sottoinsieme dell'intelligenza artificiale, l'apprendimento automatico e le reti neurali sono in realtà all'avanguardia. Invece di programmare un computer per svolgere tutte le attività che deve svolgere, la filosofia alla base dell'apprendimento automatico è quella di dotare i processori di computer terrestri o spaziali di algoritmi che, come gli umani, imparare dai dati, trovare e riconoscere modelli e tendenze, ma più veloce, più accuratamente, e senza pregiudizi.

Applicazioni ad ampio raggio

"I vantaggi sono molti e le applicazioni sono di vasta portata, " ha affermato Goddard Senior Fellow e Assistant Chief for Technology Jacqueline Le Moigne, che ha lavorato nell'intelligenza artificiale sin dai tempi della scuola di specializzazione in Francia diversi anni fa.

"Gli scienziati potrebbero utilizzare l'apprendimento automatico per analizzare i petabyte di dati che la NASA ha già raccolto nel corso degli anni, estrarre nuovi modelli e nuove correlazioni e infine portare a nuove scoperte scientifiche, " ha detto. "Potrebbe anche aiutarci a monitorare la salute di un veicolo spaziale, evitare e recuperare da guasti catastrofici, e prevenire le collisioni. Potrebbe persino aiutare gli ingegneri, fornendo una vasta gamma di conoscenze sulle missioni passate, informazioni di cui avrebbero bisogno nella progettazione di nuove missioni."

Con il finanziamento di diversi programmi di ricerca della NASA, compreso l'Ufficio per le tecnologie delle scienze della terra, o ESTO, Gli ingegneri e gli scienziati di Goddard stanno ricercando alcune di queste applicazioni individualmente o in collaborazione con il mondo accademico e l'industria privata. I loro progetti coprono la gamma, tutto, dal modo in cui l'apprendimento automatico potrebbe aiutare a fare previsioni del raccolto in tempo reale o localizzare incendi e inondazioni all'identificazione di anomalie degli strumenti e persino siti di atterraggio adatti per un'imbarcazione robotica.

"Le persone sentono l'intelligenza artificiale e le loro menti vanno istantaneamente alla fantascienza con le macchine che prendono il sopravvento, ma in realtà è solo un altro strumento nella nostra cassetta degli attrezzi per l'analisi dei dati e sicuramente uno che non dovremmo trascurare a causa di nozioni preconcette, " ha detto James MacKinnon, un ingegnere informatico Goddard che è coinvolto in diversi progetti che coinvolgono l'intelligenza artificiale.

Trovare i fuochi

Da quando si è unito a Goddard un paio di anni fa, MacKinnon è emerso come uno dei più ferventi campioni della tecnologia. Uno dei primi progetti che ha affrontato prevedeva l'insegnamento di algoritmi su come identificare gli incendi boschivi utilizzando immagini di telerilevamento raccolte dallo strumento Spettroradiometro di imaging a risoluzione moderata della navicella spaziale Terra. La sua rete neurale ha rilevato con precisione gli incendi il 99 percento delle volte. Da allora ha ampliato la ricerca per includere i dati raccolti dal Visible Infrared Imaging Radiometer Suite del Joint Polar Satellite System.

Il suo sogno è alla fine distribuire una costellazione di CubeSats, tutti dotati di algoritmi di apprendimento automatico incorporati all'interno dei sensori. Con una tale capacità, i sensori potrebbero identificare gli incendi e inviare i dati sulla Terra in tempo reale, fornire ai vigili del fuoco e ad altri informazioni aggiornate che potrebbero migliorare notevolmente gli sforzi antincendio. "La chiave qui è elaborare i dati a bordo, non solo per gli incendi ma anche per le inondazioni. Ci sono molte cose che potresti fare con questa capacità, " Egli ha detto.

Sta anche sviluppando tecniche di apprendimento automatico per identificare i disturbi di un singolo evento nei dispositivi elettronici spaziali, che possono causare anomalie nei dati, e la compilazione di una libreria di modelli informatici di apprendimento automatico, strumenti per la generazione di set di dati, e ausili di visualizzazione per rendere più facile per gli altri l'uso di tecniche di apprendimento automatico per le loro missioni, Egli ha detto.

"Una grossa fetta del mio tempo è stata spesa per convincere gli scienziati che questi sono metodi validi per analizzare le enormi quantità di dati che generiamo, " Egli ha detto.

Tagliare attraverso il rumore

Lo scienziato di Goddard Matt McGill non ha bisogno di essere convinto. Un esperto in tecniche lidar per misurare le nuvole e le minuscole particelle che compongono la foschia, polvere, inquinanti atmosferici e fumo, McGill sta collaborando con Slingshot Aerospace. Questa società con sede in California sta sviluppando piattaforme che estraggono dati da molti tipi di sensori e utilizzano algoritmi di apprendimento automatico per estrarre informazioni.

Nell'ambito dello sforzo finanziato dall'ESTO, McGill sta fornendo a Slingshot i dati raccolti con il sistema di trasporto cloud-aerosol, o GATTI, strumento, che si è ritirato alla fine dell'anno scorso dopo aver trascorso 33 mesi a bordo della Stazione Spaziale Internazionale. Là, I GATTI hanno misurato la struttura verticale di nuvole e aerosol, che si verificano naturalmente durante eruzioni vulcaniche e tempeste di polvere o antropiche attraverso la combustione di petrolio, carbone, e legno. Un algoritmo di apprendimento automatico sviluppato da Slingshot sta ingerendo quei dati in modo che possano apprendere e, infine, iniziare a riconoscere i modelli, tendenze, e occorrenze che sono difficili da catturare con algoritmi di elaborazione standardizzati.

McGill è particolarmente interessato a vedere se le tecniche di apprendimento automatico possono filtrare il rumore comune nelle misurazioni lidar. Sebbene gli esseri umani abbiano già eliminato il rumore dai dati, le tecniche attuali richiedono molto tempo e possono richiedere giorni per essere realizzate, antitetiche all'obiettivo di distribuire l'intelligenza in tempo reale. "L'idea è che gli algoritmi, una volta addestrato, può riconoscere i segnali in ore anziché giorni, "Ha detto McGill.

Altrettanto importante, almeno a McGill, è la necessità di miniaturizzare i sistemi lidar simili a CATS. Mentre CATS aveva all'incirca le dimensioni di un frigorifero, i sistemi futuri devono essere molto più piccoli, capace di volare su una costellazione di SmallSat per raccogliere simultaneamente, misurazioni multipunto. Però, man mano che gli strumenti diventano più piccoli, i dati possono essere potenzialmente più rumorosi a causa di aperture di raccolta più piccole, ha spiegato McGill. "Dobbiamo diventare più intelligenti nel modo in cui analizziamo i nostri dati e dobbiamo sviluppare la capacità di generare prodotti di dati reali in tempo reale".

spiaggiamento delfino

Diventare più intelligenti nell'analisi dei dati sta anche guidando l'eliofisico Goddard Antti Pulkkinen e l'ingegnere Ron Zellar.

Un paio di anni fa, Pulkkinen ha iniziato a indagare se le tempeste solari stessero causando balene altrimenti sane, delfini, e le focene, note collettivamente come cetacei, si arenano lungo le aree costiere di tutto il mondo. Mentre lui e il suo team non hanno trovato alcuna correlazione, hanno trovato un collegamento tra gli eventi di spiaggiamento a Cape Cod, Massachusetts, e forza del vento.

È possibile che forti venti, che si verificano durante i mesi invernali quando i delfini hanno maggiori probabilità di spiaggiarsi, mescolare fitoplancton oceanico e altri nutrienti che alimentano i pesci? I delfini stanno semplicemente seguendo la loro fonte di cibo? "Non possiamo assumere una relazione causale, " ha detto Zellar, chi, quando non si lavora su questo progetto, serve come ingegnere dei sistemi di missione sulle Origini, Interpretazione spettrale, Identificazione delle risorse, Security-Regolith Explorer, o OSIRIS-REx, missione. "Questo è quello che stiamo cercando di trovare."

Con il finanziamento del Goddard Fellows Innovation Challenge, un programma che finanzia lo sviluppo di tecnologie potenzialmente rivoluzionarie, il team sta applicando tecniche di apprendimento automatico per approfondire i dati ambientali per vedere se possono dimostrare una causa.

Tagliare il cordone ombelicale

A novembre, la missione OSIRIS-REx è programmata per iniziare una serie di manovre complesse che portano il velivolo più vicino all'asteroide Bennu in modo che possa iniziare a caratterizzare il corpo e scattare immagini che informeranno la posizione migliore per raccogliere un campione e riportarlo sulla Terra per l'analisi . Ciò richiederà migliaia di immagini ad alta risoluzione prese da diverse angolazioni e poi elaborate manualmente da un team di esperti sul campo.

Gli scienziati vogliono semplificare e accelerare i tempi di elaborazione. Nell'ambito di uno sforzo di ricerca finanziato dalla NASA che coinvolge scienziati Goddard, Dante Lauretta, un professore dell'Università dell'Arizona e ricercatore principale di OSIRIS-REx, e Chris Adami, un esperto di machine learning presso la Michigan State University, un team sta studiando il potenziale degli algoritmi in rete. L'obiettivo è insegnare ai sensori di bordo a elaborare le immagini e determinare la forma e le caratteristiche di un asteroide, informazioni necessarie per navigare autonomamente all'interno e intorno a un asteroide e prendere decisioni su dove acquisire campioni in sicurezza.

"Il punto è tagliare il cordone ombelicale computazionale sulla Terra, "ha detto Bill Cutlip, un manager senior dello sviluppo aziendale di Goddard e membro del team. "Quello che stiamo cercando di fare è addestrare un algoritmo per capire cosa sta vedendo, imitando il modo in cui il cervello umano elabora le informazioni".

Una tale capacità non solo gioverebbe alle future missioni sugli asteroidi, ma anche quelle di Marte e delle gelide lune di Giove e Saturno, Egli ha detto. Con i progressi negli array di porte programmabili sul campo o nei circuiti che possono essere programmati per eseguire un compito specifico e unità di elaborazione grafica, il potenziale è sbalorditivo, Ha aggiunto.