ايتنا - فضاپیماهای خودران

شرکت‌های خودرویی برای آماده‌سازی اتومبیل‌های خودران یک دهه سرگرم گردآوری داده‌ها از روی هزاران خودروی مجهز به دوربین، رادار، جی‌پی‌اس و واحدهای سنجش درونی بوده‌اند. اما برای شرکت‌ها یا آژانس‌های دولتی که درنظر دارند فضاپیماهای خودران بسازند، هیچ پایگاه داده قابل مقایسه‌ای وجود ندارد.

به گزارش ایتنا و به نقل از Space، اپراتورهای فضاپیماها بخشی از داده‌های مورد نیاز برای ایجاد و آموزش الگوریتم‌های یادگیری ماشین را از طریق پروژه‌هایی همچون Double Asteroid Redirection Test یا به اختصار DART بدست می‌آورند. دارت، یکی از مأموریت‌های ناسا برای ارسال یابشگر در سال ۲۰۲۱ به سامانه سیارک دوتایی دیدیموس (Didymos) است.

فرانکلین تانر (یک مهندس یادگیری ماشین و بینایی رایانه‌ای) می‌گوید: «داده‌ها یا حسگرهای ما زیاد نیستند. ما می‌توانیم فعالیت‌های پرشماری را شبیه‌سازی و مدل‌سازی کنیم؛ اما داده‌های واقعی چندانی در اختیار نداریم».

وقتی که داده‌های فضایی قابل‌ملاحظه‌ای در اختیار داشته باشیم، اپراتورهای فضاپیما نیز اقداماتی تدریجی در راستای خودکارسازی آنها انجام خواهند داد؛ چرا که آنها می‌گویند چنین کاری فواید زیادی به‌همراه خواهد داشت.

آقای تانر این پرسش را مطرح می‌کند که: «وقتی سامانه چیزی را می‌بیند که پیش‌تر هرگز آن را ندیده، چطور می‌توانیم مطمئن باشیم که آن شیء سبب به خطر افتادن فضاپیما نخواهد شد؟»

اپراتورهای فضاپیماها تنها از طریق فعالیت‌های سنتی صحه‌گذاری و اعتبارسنجی است که می‌توانند به هوش مصنوعی اطمینان کنند. از اینرو، صحه‌گذاری مکرر این مسئله که محصول نهایی با اهداف موردنظر سازگاری دارد، می‌تواند یک رویکرد مناسب باشد.

آقای تانر می‌گوید صنعت هوافضا هر روشی را که برای بنا کردن اعتماد برگزیند، باید کاربردهایی از هوش مصنوعی ارائه دهد که زمینه‌ساز گسترش قابلیت‌های سامانه‌های فضایی نسل جدید بشوند.

او اظهار می‌دارد: «ما شاهد فراز و نشیب‌های هوش مصنوعی بوده‌ایم؛ زمستان و بهار آن را از سر گذرانده‌ایم و اکنون در تابستان هوش مصنوعی به‌سر می‌بریم.» با این وجود، این صنعت باید مراقب ارائه وعده هوش مصنوعی بدون مبالغه در خصوص فواید بالقوه آن باشد.

وی می‌افزاید: «اگر ما نتوانیم به وعده‌های راجع به ارائه سامانه‌های قابل‌اطمینان، خود جامه عمل بپوشانیم، هوش مصنوعی به‌زودی شاهد زمستان دیگری خواهد بود.»