Alleen Google zou kunnen denken dat de manier om de vlucht van gigantische, met helium gevulde ballonnen te verbeteren is door met betere algoritmen te komen. En om eerlijk te zijn tegenover de op Mountain View gebaseerde zoektocht Leviathan: het lijkt te hebben gewerkt.
Inhoud
- Stromingen opvangen
- Het maken van de juiste beslissingen
De afgelopen paar jaar hebben Project Loon, een dochteronderneming van Google’s moederbedrijf Alphabet, heeft gewerkt aan het bieden van internettoegang op het platteland afgelegen delen van de wereld door ballonnen op grote hoogte in de stratosfeer te gebruiken om draadloze luchtverbindingen te creëren netwerken. Vorig jaar maakte Loon bekend dat het met zijn gecombineerde ballonvloot 1 miljoen uur aan stratosferische vluchten had bereikt. Vervolgens vestigde Loon eind oktober een nieuw record voor de langste stratosferische vlucht langs bleef maar liefst 312 dagen in de lucht, over een afstand van zo'n 215.000 kilometer.
Aanbevolen video's
In een nieuw artikel,
gepubliceerd in het tijdschrift Nature, legt Loon uit hoe zijn ballonnen wekenlang in de lucht kunnen blijven – zonder menselijke tussenkomst of volledige kennis van de omringende winden. Het geheim? Een aantal indrukwekkend geavanceerde A.I.Stromingen opvangen
“Loon-ballonnen navigeren door zich in hoogte omhoog of omlaag te bewegen om gunstige windstromen op te vangen die hen in de gewenste richting brengen,” Sal Candido, vertelde Loons chief technology officer aan Digital Trends. “De beslissingen over wanneer je moet stijgen of dalen worden bepaald door geavanceerde algoritmen. Traditioneel zijn deze algoritmen geschreven door menselijke ingenieurs. Met versterkend leren maken we gebruik van A.I. om deze algoritmen te bouwen. In wezen hebben we een machine gebouwd die in staat is een beter navigatiesysteem te bouwen dan wij mensen. Die machine kan deze navigatiesystemen ook bouwen in een fractie van de tijd die het ons mensen kost.”
Reinforcement learning is een vorm van machine learning die sterk geïnspireerd is door de behavioristische psychologie. Het leidende principe van Reinforcement Learning is het idee dat softwareagenten kunnen leren actie te ondernemen op basis van het maximaliseren van een beloning. Bekend is dat versterkend leren door Google DeepMind werd gebruikt om een A.I. naar speel klassieke Atari-videogames - waarbij niet meer informatie wordt gebruikt dan alleen de pixels waaruit elk frame van de games bestaat en de score op het scherm. Door te horen dat hij zijn score moet maximaliseren, kan de DeepMind A.I. leerde de spellen met vallen en opstaan spelen, waarbij hij geleidelijk zijn vaardigheden aanscherpte totdat hij een meester was.
Een ballon zo laten vliegen dat hij niet uit de koers wordt geblazen, is natuurlijk een heel andere taak dan het spelen van computerspelletjes. Bij een succesvolle ballonvaart hoort niet een hoge score waaruit meteen blijkt dat deze geslaagd is. Maar zoals Candido zei: versterkend leren is niettemin een cruciaal onderdeel van Loons succes.
“[Reinforcement learning] is in staat enorme hoeveelheden informatie te verwerken en die toe te passen om het probleem op te lossen, in plaats van een menselijke We moeten inherent begrijpen hoe we op die informatie moeten reageren, of we moeten een computer de ruimte van alle mogelijke uitkomsten laten doorzoeken”, zegt hij gezegd. “Omdat Loon-navigatie verbetert door rekening te houden met een groot aantal factoren en informatie [of] gegevens, is de complexiteit groter dan wat ingenieurs zijn gemakkelijk in staat om [met betrekking tot] de eerste te doen, en de laatste zoektocht is computationeel moeilijk over een geheel te schalen vloot. [Dat maakt versterkend leren] een geweldig hulpmiddel voor deze taak.”
Het maken van de juiste beslissingen
Met behulp van versterkend leren kunnen de kunstmatig intelligente ballonnen optimale beslissingen nemen over hoe om te bewegen, gebaseerd op historische windkennis, waargenomen en voorspelde winden, en de verwachte toekomstige vlucht paden. Al deze gegevens worden gewogen en verschillende scenario’s gesimuleerd voordat de ballon besluit hoe te handelen.
Loon: 312 dagen in de stratosfeer
Vergeleken met de vorige controllers die werden gebruikt om Loon te besturen, is de nieuwe, op versterkingsleren gebaseerde methodologie meer hielden de ballonnen van Loon effectief binnen het bereik van hun grondstation, zodat ze effectief konden verzenden en ontvangen signalen. Wanneer ze uit koers raakten, betekende dit bovendien dat ze sneller terugkeerden naar de juiste posities.
“Ons nieuwe, door versterkingsleren aangedreven algoritme is vandaag actief en helpt onze ballonnen boven de gebruikers in Kenia te blijven, die we bedienen als onderdeel van onze samenwerking met Telkom Kenya”, aldus Candido.
Alphabet is al lang toegewijd aan het idee van technologie voorgoed. Hoe meer mensen Loon internettoegang kan bieden, hoe beter het initiatief zal zijn. En om dat te kunnen doen, heeft het steeds slimmere technologie nodig die het aanstuurt. Zoals blijkt uit deze laatste mijlpaal, lijkt het erop dat alle bases gedekt zijn.
Aanbevelingen van de redactie
- Hoe weten we wanneer een AI daadwerkelijk bewust wordt?
- Deze technologie was twintig jaar geleden sciencefiction. Nu is het realiteit
- Net als een blaastest voor uitputting kan een nieuwe bloedtest uitwijzen hoe moe u bent
Upgrade uw levensstijlMet Digital Trends kunnen lezers de snelle technische wereld in de gaten houden met het laatste nieuws, leuke productrecensies, inzichtelijke redactionele artikelen en unieke sneak peeks.
