Μόνο η Google θα μπορούσε να σκεφτεί ότι ο τρόπος για να βελτιώσει την πτήση των γιγάντων μπαλονιών με ήλιο είναι να βρει καλύτερους αλγόριθμους. Και για να είμαστε δίκαιοι με την αναζήτηση Leviathan που βασίζεται στο Mountain View, φαίνεται ότι λειτούργησε.
Περιεχόμενα
- Ρεύματα σύλληψης
- Λήψη σωστών αποφάσεων
Τα τελευταία δύο χρόνια, Project Loon, θυγατρική της μητρικής εταιρείας Alphabet της Google, εργάζεται για την παροχή πρόσβασης στο διαδίκτυο σε αγροτικές περιοχές και απομακρυσμένα μέρη του κόσμου χρησιμοποιώντας μπαλόνια μεγάλου υψομέτρου στη στρατόσφαιρα για τη δημιουργία εναέριων ασύρματων δίκτυα. Πέρυσι, η Loon ανακοίνωσε ότι είχε φτάσει τις 1 εκατομμύριο ώρες στρατοσφαιρικής πτήσης με τον συνδυασμένο στόλο μπαλονιών της. Στη συνέχεια, στα τέλη Οκτωβρίου, ο Loon σημείωσε ένα νέο ρεκόρ για τη μεγαλύτερη πτήση στη στρατόσφαιρα παραμένει στον αέρα για 312 ημέρες, καλύπτοντας μια απόσταση περίπου 135.000 μιλίων.
Προτεινόμενα βίντεο
Σε νέο άρθρο, δημοσιεύτηκε στο περιοδικό Nature, ο Loon εξηγεί πώς τα μπαλόνια του μπορούν να παραμείνουν στον αέρα για εβδομάδες κάθε φορά — χωρίς ανθρώπινη παρέμβαση ή πλήρη γνώση των γύρω ανέμων. Το μυστικό? Κάποια εντυπωσιακά αιχμής A.I.
Ρεύματα σύλληψης
"Τα μπαλόνια Loon πλοηγούνται κινούμενοι προς τα πάνω ή προς τα κάτω σε υψόμετρο για να πιάσουν ευνοϊκά ρεύματα ανέμου που τα οδηγούν στην επιθυμητή κατεύθυνση." Sal Candido, ο επικεφαλής τεχνολογίας της Loon, δήλωσε στο Digital Trends. «Οι αποφάσεις για το πότε θα ανέβουν ή θα κατέβουν καθορίζονται από εξελιγμένους αλγόριθμους. Παραδοσιακά, αυτοί οι αλγόριθμοι έχουν γραφτεί από ανθρώπινους μηχανικούς. Με την ενισχυτική μάθηση, αξιοποιούμε το A.I. για τη δημιουργία αυτών των αλγορίθμων. Στην ουσία, κατασκευάσαμε ένα μηχάνημα που είναι ικανό να κατασκευάσει ένα καλύτερο σύστημα πλοήγησης από αυτό που μπορούμε εμείς οι άνθρωποι. Αυτό το μηχάνημα μπορεί επίσης να κατασκευάσει αυτά τα συστήματα πλοήγησης σε ένα κλάσμα του χρόνου που χρειάζεται σε εμάς τους ανθρώπους».
Η ενισχυτική μάθηση είναι μια γεύση της μηχανικής μάθησης που εμπνέεται σε μεγάλο βαθμό από τη συμπεριφοριστική ψυχολογία. Η κατευθυντήρια αρχή της ενισχυτικής μάθησης είναι η ιδέα ότι οι πράκτορες λογισμικού μπορούν να μάθουν να αναλαμβάνουν δράση με βάση τη μεγιστοποίηση μιας ανταμοιβής. Ως γνωστόν, η ενισχυτική μάθηση χρησιμοποιήθηκε από το Google DeepMind για τη διδασκαλία ενός A.I. προς την παίξτε κλασικά βιντεοπαιχνίδια Atari — χρησιμοποιώντας όχι περισσότερες πληροφορίες από απλώς τα εικονοστοιχεία που αποτελούσαν κάθε καρέ των παιχνιδιών και το σκορ στην οθόνη. Με το να του λένε να μεγιστοποιήσει τη βαθμολογία του, το DeepMind A.I. έμαθε να παίζει τα παιχνίδια μέσω δοκιμής και λάθους, βελτιώνοντας σταδιακά τις δεξιότητές του μέχρι να γίνει κύριος.
Το να πετάς ένα μπαλόνι με τέτοιο τρόπο ώστε να μην εκτοξεύεται εκτός πορείας είναι μια πολύ διαφορετική δουλειά από το να παίζεις παιχνίδια στον υπολογιστή, φυσικά. Ένα επιτυχημένο ταξίδι με μπαλόνι δεν έρχεται με υψηλή βαθμολογία που το κάνει αμέσως προφανές ότι ήταν επιτυχημένο. Όμως, όπως είπε ο Candido, η ενισχυτική μάθηση είναι παρόλα αυτά ένα κρίσιμο μέρος της επιτυχίας του Loon.
«Η [ενισχυτική μάθηση] είναι σε θέση να επεξεργάζεται τεράστιες ποσότητες πληροφοριών και να τις εφαρμόζει στην επίλυση του προβλήματος, αντί για έναν άνθρωπο χρειάζεται να κατανοήσουμε εγγενώς πώς να αντιδράσουμε σε αυτές τις πληροφορίες ή να κάνουμε έναν υπολογιστή να ψάξει το χώρο όλων των πιθανών αποτελεσμάτων», είπε. «Επειδή η πλοήγηση Loon βελτιώνεται λαμβάνοντας υπόψη έναν τεράστιο αριθμό παραγόντων και πληροφοριών [ή] δεδομένων, η πολυπλοκότητα έχει ξεπεράσει οι μηχανικοί μπορούν εύκολα να κάνουν [σε σχέση με] την πρώτη και η δεύτερη αναζήτηση είναι υπολογιστικά δύσκολο να κλιμακωθεί σε ένα πλήρες στόλος. [Αυτό κάνει την ενισχυτική μάθηση] ένα εξαιρετικό εργαλείο για τη δουλειά."
Λήψη σωστών αποφάσεων
Χρησιμοποιώντας την ενισχυτική μάθηση, τα τεχνητά ευφυή μπαλόνια είναι σε θέση να λάβουν τις βέλτιστες αποφάσεις για το πώς να κινηθεί, με βάση τις ιστορικές γνώσεις ανέμου, τους παρατηρούμενους και προβλεπόμενους ανέμους και την προβλεπόμενη μελλοντική πτήση μονοπάτια. Όλα αυτά τα δεδομένα ζυγίζονται και προσομοιώνονται διαφορετικά σενάρια προτού το μπαλόνι αποφασίσει πώς θα ενεργήσει.
Loon: 312 Days in the Stratosphere
Σε σύγκριση με τους προηγούμενους ελεγκτές που χρησιμοποιήθηκαν για τον έλεγχο του Loon, η νέα μεθοδολογία που βασίζεται στη μάθηση ενίσχυσης περισσότερα κράτησε αποτελεσματικά τα μπαλόνια του Loon εντός εμβέλειας του επίγειου σταθμού τους, ώστε να μπορούν να στέλνουν και να λαμβάνουν αποτελεσματικά σήματα. Όταν χτυπήθηκαν εκτός πορείας, σήμαινε επιπλέον ότι επέστρεφαν πιο γρήγορα στις σωστές θέσεις.
"Ο νέος αλγόριθμός μας με ενισχυτική μάθηση είναι ενεργός σήμερα, βοηθώντας τα μπαλόνια μας να παραμείνουν πάνω από τους χρήστες στην Κένυα, τους οποίους εξυπηρετούμε ως μέρος της συνεργασίας μας με την Telkom Kenya", δήλωσε η Candido.
Η Alphabet έχει από καιρό δεσμευτεί για τα καλά στην ιδέα της τεχνολογίας. Όσο περισσότερα άτομα μπορεί να παρέχει η Loon πρόσβαση στο Διαδίκτυο, τόσο καλύτερη θα είναι η πρωτοβουλία. Και, για να γίνει αυτό, χρειάζεται ολοένα και πιο έξυπνη τεχνολογία που το οδηγεί. Όπως αποδεικνύεται από αυτό το τελευταίο ορόσημο, φαίνεται να έχει καλύψει όλες τις βάσεις.
Συστάσεις των συντακτών
- Πώς θα ξέρουμε πότε ένα AI γίνεται πραγματικά αισθητό;
- Αυτή η τεχνολογία ήταν επιστημονική φαντασία πριν από 20 χρόνια. Τώρα είναι πραγματικότητα
- Όπως ένα αλκοτέστ για την εξάντληση, το νέο τεστ αίματος μπορεί να πει πόσο κουρασμένος είστε
Αναβαθμίστε τον τρόπο ζωής σαςΤο Digital Trends βοηθά τους αναγνώστες να παρακολουθούν τον γρήγορο κόσμο της τεχνολογίας με όλα τα τελευταία νέα, διασκεδαστικές κριτικές προϊόντων, διορατικά editorial και μοναδικές κρυφές ματιές.
