Uw creditcardmaatschappij neemt contact met u op met de vraag of u iets heeft gekocht bij een winkelier die u normaal gesproken niet bezoekt of meer uitgeeft dan normaal. Een mens heeft de atypische transactie niet geïdentificeerd. Een computer, uitgerust met geavanceerde algoritmen, heeft de mogelijk frauduleuze aankoop getagd en het onderzoek gestart.

Onderzoekers van NASA's Goddard Space Flight Center in Greenbelt, Maryland, denken dat wetenschappers en ingenieurs baat kunnen hebben bij dezelfde technologie, vaak aangeduid als machine learning of neurale netwerken.

Beschouwd als een subset van kunstmatige intelligentie, machine learning en neurale netwerken zijn eigenlijk in de avant-garde. In plaats van een computer te programmeren om elke taak uit te voeren die hij moet doen, de filosofie achter machine learning is om computerprocessors op de grond of in de ruimte uit te rusten met algoritmen die, zoals mensen, leren van gegevens, het vinden en herkennen van patronen en trends, maar sneller, nauwkeuriger, en zonder vooroordeel.

Brede toepassingen

"De voordelen zijn talrijk en de toepassingen zijn breed, " zei Goddard Senior Fellow en Assistant Chief for Technology Jacqueline Le Moigne, die sinds haar afstuderen in Frankrijk enkele jaren geleden in kunstmatige intelligentie werkt.

"Wetenschappers zouden machine learning kunnen gebruiken om de petabytes aan gegevens te analyseren die NASA in de loop der jaren al heeft verzameld, het extraheren van nieuwe patronen en nieuwe correlaties en uiteindelijk leidend tot nieuwe wetenschappelijke ontdekkingen, "zei ze. "Het kan ons ook helpen de gezondheid van een ruimtevaartuig in de gaten te houden, catastrofale mislukkingen vermijden en herstellen, en aanrijdingen te voorkomen. Het zou zelfs ingenieurs kunnen helpen, het verstrekken van een breed scala aan kennis over eerdere missies-informatie die ze nodig zouden hebben bij het ontwerpen van nieuwe missies."

Met financiering van verschillende NASA-onderzoeksprogramma's, waaronder het Earth Science Technology Office, of ESTO, Ingenieurs en wetenschappers van Goddard onderzoeken enkele van die toepassingen individueel of in samenwerking met de academische wereld en de particuliere industrie. Hun projecten lopen uiteen, alles van hoe machine learning kan helpen bij het maken van realtime oogstvoorspellingen of het lokaliseren van bosbranden en overstromingen tot het identificeren van instrumentafwijkingen en zelfs geschikte landingsplaatsen voor een robotvaartuig.

"Mensen horen kunstmatige intelligentie en hun geest gaat onmiddellijk naar sciencefiction met machines die het overnemen, maar eigenlijk is het gewoon een ander hulpmiddel in onze toolbox voor gegevensanalyse en zeker een hulpmiddel dat we niet mogen verwaarlozen vanwege vooroordelen, " zei James MacKinnon, een Goddard-computeringenieur die betrokken is bij verschillende projecten met kunstmatige intelligentie.

Branden vinden

Sinds ik een paar jaar geleden bij Goddard kwam, MacKinnon is naar voren gekomen als een van de meest fervente kampioenen op het gebied van technologie. Een van de eerste projecten die hij aanpakte, was het aanleren van algoritmen om bosbranden te identificeren met behulp van remote-sensing-beelden verzameld door het Terra-ruimtevaartuig Moderate Resolution Imaging Spectroradiometer-instrument. Zijn neurale netwerk detecteerde 99 procent van de tijd nauwkeurig branden. Sindsdien heeft hij het onderzoek uitgebreid met gegevens die zijn verzameld door de Visible Infrared Imaging Radiometer Suite van het Joint Polar Satellite System.

Zijn droom is om uiteindelijk een constellatie van CubeSats in te zetten, allemaal uitgerust met machine learning-algoritmen die zijn ingebed in sensoren. Met zo'n vermogen, de sensoren kunnen bosbranden identificeren en de gegevens in realtime terugsturen naar de aarde, brandweerlieden en anderen voorzien van actuele informatie die de brandbestrijdingsinspanningen drastisch zou kunnen verbeteren. "De sleutel hier is het verwerken van de gegevens aan boord, niet alleen voor bosbranden, maar ook voor overstromingen. Er zijn veel dingen die u met deze mogelijkheid kunt doen, " hij zei.

Hij ontwikkelt ook technieken voor machine learning om verstoringen van één gebeurtenis in elektronische apparaten in de ruimte te identificeren. wat kan leiden tot gegevensafwijkingen, en het samenstellen van een bibliotheek van computermodellen voor machine learning, tools voor het genereren van datasets, en visualisatiehulpmiddelen om het voor anderen gemakkelijker te maken om machine learning-technieken voor hun missies te gebruiken, hij zei.

"Een groot deel van mijn tijd is besteed aan het overtuigen van wetenschappers dat dit geldige methoden zijn voor het analyseren van de enorme hoeveelheden gegevens die we genereren, " hij zei.

Door het lawaai snijden

Goddard-wetenschapper Matt McGill hoeft niet te worden overtuigd. Een expert in lidar-technieken om wolken en de kleine deeltjes waaruit nevel bestaat te meten, stof, luchtverontreinigende stoffen en rook, McGill werkt samen met Slingshot Aerospace. Dit in Californië gevestigde bedrijf ontwikkelt platforms die gegevens uit vele soorten sensoren halen en machine learning-algoritmen gebruiken om informatie te extraheren.

In het kader van de door ESTO gefinancierde inspanning, McGill voorziet Slingshot van gegevens die hij heeft verzameld met het Cloud-Aerosol Transport System, of KATTEN, instrument, die eind vorig jaar met pensioen ging na 33 maanden aan boord van het internationale ruimtestation te hebben doorgebracht. Daar, CATS heeft de verticale structuur van wolken en aerosolen gemeten, die van nature voorkomen tijdens vulkaanuitbarstingen en stofstormen of antropogeen door het verbranden van olie, steenkool, en hout. Een door Slingshot ontwikkeld algoritme voor machine learning neemt die gegevens op zodat het kan leren en uiteindelijk patronen kan herkennen. trends, en voorvallen die moeilijk vast te leggen zijn met gestandaardiseerde verwerkingsalgoritmen.

McGill is vooral geïnteresseerd in de vraag of machine learning-technieken de ruis kunnen wegfilteren die gebruikelijk is bij lidar-metingen. Hoewel mensen al ruis uit data halen, de huidige technieken zijn tijdrovend en kunnen dagen in beslag nemen - in tegenspraak met het doel om informatie in realtime te verspreiden. "Het idee is dat algoritmen, eenmaal getraind, kan signalen herkennen in uren in plaats van dagen, ' zei McGill.

Net zo belangrijk, tenminste voor McGill, is de noodzaak om CATS-achtige lidar-systemen te miniaturiseren. Terwijl CATS ongeveer zo groot was als een koelkast, toekomstige systemen moeten veel kleiner zijn, in staat om op een constellatie van SmallSats te vliegen om gelijktijdige, meerpuntsmetingen. Echter, naarmate instrumenten kleiner worden, de gegevens kunnen mogelijk luidruchtiger zijn door kleinere opvangopeningen, legde McGill uit. "We moeten slimmer worden in de manier waarop we onze gegevens analyseren en we moeten de mogelijkheid ontwikkelen om echte realtime gegevensproducten te genereren."

Dolfijn Stranding

Slimmer worden in data-analyse drijft Goddard heliofysicus Antti Pulkkinen en ingenieur Ron Zellar ook aan.

Een paar jaar geleden, Pulkkinen begon te onderzoeken of zonnestormen anders gezonde walvissen veroorzaakten, dolfijnen, en bruinvissen - gezamenlijk bekend als walvisachtigen - om te stranden langs kustgebieden over de hele wereld. Hoewel hij en zijn team geen verband vonden, ze hebben wel een verband gevonden tussen strandingsgebeurtenissen in Cape Cod, Massachusetts, en windkracht.

Is het mogelijk dat harde wind, die zich voordoen tijdens de wintermaanden, wanneer dolfijnen meer kans hebben op het strand, oceaan fytoplankton en andere voedingsstoffen die vissen voeden, roert? Volgen de dolfijnen gewoon hun voedselbron? "We kunnen geen causaal verband aannemen, " zei Zellar, WHO, als je niet aan dit project werkt, dient als een mission-systems engineer op de Origins, Spectrale interpretatie, Bronidentificatie, Beveiliging-Regolith Explorer, of OSIRIS-REx, missie. "Dat is wat we proberen te vinden."

Met financiering van de Goddard Fellows Innovation Challenge, een programma dat de ontwikkeling van potentieel revolutionaire technologieën financiert, het team past machine learning-technieken toe om dieper in milieugegevens te duiken om te zien of ze een oorzaak kunnen aantonen.

De navelstreng doorknippen

In november, de OSIRIS-REx-missie is gepland om te beginnen met een reeks complexe manoeuvres die het vaartuig dichter bij asteroïde Bennu brengen, zodat het kan beginnen met het karakteriseren van het lichaam en het maken van beelden die de beste locatie zullen bepalen voor het verzamelen van een monster en het terugsturen naar de aarde voor analyse . Hiervoor zijn duizenden afbeeldingen met een hoge resolutie nodig die vanuit verschillende hoeken zijn genomen en vervolgens handmatig worden verwerkt door een team van experts ter plaatse.

Wetenschappers willen de verwerkingstijd vereenvoudigen en versnellen. Onder een door NASA gefinancierde onderzoeksinspanning waarbij Goddard-wetenschappers betrokken waren, Dante Lauretta, een professor aan de Universiteit van Arizona en hoofdonderzoeker van OSIRIS-REx, en Chris Adami, een expert op het gebied van machine learning aan de Michigan State University, een team onderzoekt het potentieel van genetwerkte algoritmen. Het doel is om sensoren aan boord te leren afbeeldingen te verwerken en de vorm en kenmerken van een asteroïde te bepalen - informatie die nodig is om autonoom in en rond een asteroïde te navigeren en beslissingen te nemen over waar veilig monsters kunnen worden verkregen.

"Het punt is om de computationele navelstreng terug naar de aarde door te snijden, " zei Bill Cutlip, een Goddard senior business development manager en teamlid. "Wat we proberen te doen, is een algoritme trainen om te begrijpen wat het ziet, nabootsen hoe het menselijk brein informatie verwerkt."

Een dergelijk vermogen zou niet alleen toekomstige missies naar asteroïden ten goede komen, maar ook die naar Mars en de ijzige manen van Jupiter en Saturnus, hij zei. Met vooruitgang in veldprogrammeerbare poortarrays of circuits die kunnen worden geprogrammeerd om een ​​specifieke taak uit te voeren en grafische verwerkingseenheden, het potentieel is duizelingwekkend, hij voegde toe.