Questo articolo sull’IA utilizza per la prima volta un modello fondamentale leggero nello spazio esterno

Primo uso di un modello leggero nello spazio esterno nell'articolo sull'IA

La tecnologia spaziale sta avanzando giorno dopo giorno. Ci sono stati sforzi da parte di diversi gruppi di ricerca per costruire modelli di apprendimento automatico e intelligenza artificiale nello spazio esterno che influenzerebbero la ricerca spaziale. I dati raccolti ci forniscono informazioni sulla mappatura aerea, la previsione del tempo e la deforestazione. Questi satelliti raccolgono i dati ma non possono elaborare l’insieme di dati attraverso tecniche di elaborazione dei dati. Pertanto, questi satelliti non sono in grado di individuare eventi rapidi come i disastri naturali.

Per affrontare questi problemi nell’ambito della tecnologia spaziale, i ricercatori hanno addestrato i modelli di apprendimento automatico nello spazio che elaborerebbero questi dati. I ricercatori hanno addestrato i modelli più semplici in una fase precedente che hanno individuato la copertura delle nuvole direttamente durante l’addestramento nello spazio anziché durante l’addestramento a terra. L’approccio di addestramento viene chiamato apprendimento a pochi esempi o apprendimento attivo. Questo approccio prende le caratteristiche più importanti necessarie per addestrare il modello. Pertanto, viene chiamato apprendimento a pochi esempi. Il principale vantaggio di questo modello rispetto agli altri è che i dati raccolti possono essere convertiti in dimensioni più piccole, rendendo il modello più veloce ed efficace. Questo modello rientra nella categoria dei modelli di visione artificiale. La parte di addestramento di questo modello consiste nel mantenere i valori importanti combinati sotto forma di vettore. Lo scopo di questo modello è individuare se è presente o meno una copertura nuvolosa. Questo porta a un modello di classificazione da addestrare.

Il modello è ampiamente classificato in due categorie. La prima parte del modello consiste nel raccogliere le immagini e addestrarle a terra, mentre la seconda parte del modello classifica il modello in base alla classificazione binaria, che ci fornisce informazioni sulla copertura nuvolosa. La seconda parte viene addestrata sul satellite stesso. L’addestramento richiede diverse fasi di epoche per essere addestrato. D’altra parte, il piccolo modello del team ha completato l’addestramento in un secondo e mezzo. I ricercatori hanno anche affermato che il modello è automaticamente adattabile a tutte le forme di dati. I ricercatori stanno ancora lavorando su diversi tipi di modelli che funzionerebbero su diversi cambiamenti di interesse.

• Rifiuti In, Rifiuti Fuori Il Ruolo Cruciale della Qualità dei Dati nell’Intelligenza Artificiale
• SEER Una svolta nei modelli di visione artificiale auto-supervisionati?
• Parte 1 Creazione passo passo di un ambiente virtuale per eseguire le tue pipeline di dati su sistemi basati su Windows

I ricercatori stanno ancora lavorando su un modello che risolverebbe dataset complessi composti da immagini da satelliti iperspettrali. In questa ricerca, i parametri delle prestazioni del modello come richiamo, precisione e punteggio F1 sono piuttosto elevati. Questi scenari offrono opportunità in aumento nel mondo della ricerca spaziale, che si estende attorno alla Terra e anche nello spazio profondo. I ricercatori si stanno avventurando nello spazio profondo con la tecnologia emergente dell’intelligenza artificiale, che aiuta a esplorare lo spazio profondo.