องค์การนาซ่าไม่เคยหันหลังให้ในการใช้ประโยชน์จาก AI และ Machine Learning ด้วยวิธีที่ดีที่สุด
ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องมีอิทธิพลอย่างลึกซึ้งในหลากหลายสาขาและธุรกิจ ซึ่งได้ปูทางไปสู่ระบบอัตโนมัติและการเพิ่มประสิทธิภาพการดำเนินงานตลอดจนการพัฒนาโอกาสทางธุรกิจใหม่ ๆ อย่างไรก็ตาม เนื่องจากความก้าวหน้าอย่างรวดเร็ว นวัตกรรมทางเทคโนโลยีเหล่านี้จึงถูกนำมาใช้ในการวิจัยและพัฒนานอกบรรยากาศโลกของเราและในอวกาศ มาดูกันว่าองค์การนาซ่า ใช้ AI และ Machine Learning อย่างไรสำหรับโครงการอวกาศและธรณีศาสตร์ต่าง ๆ
AI และการเรียนรู้ของเครื่องที่ใช้สำหรับการสำรวจอวกาศ
องค์การนาซ่า มีความก้าวหน้าอย่างต่อเนื่องในแอปพลิเคชัน AI สำหรับการวิจัยอวกาศ เช่น การวิเคราะห์ภาพอัตโนมัติสำหรับกาแล็กซี ดาวเคราะห์ และดาวฤกษ์ การพัฒนาโพรบอวกาศอิสระที่สามารถหลีกเลี่ยงขยะอวกาศได้โดยไม่ต้องใช้มนุษย์ โดยใช้เทคโนโลยีวิทยุที่ใช้ AI เพื่อสร้างเครือข่ายการสื่อสาร มีประสิทธิภาพมากขึ้นและปราศจากการรบกวน อย่างไรก็ตาม การสร้างเครื่องลงจอดอัตโนมัติ (หุ่นยนต์) ที่สำรวจพื้นผิวของดาวเคราะห์ดวงอื่นเป็นหนึ่งในแอพพลิเคชั่น AI ที่สำคัญที่สุดของ องค์การนาซ่า หากไม่มีคำสั่งที่ชัดเจนจากห้องควบคุม หุ่นยนต์อิสระเหล่านี้จะต้องตัดสินใจและหลีกเลี่ยงอุปสรรคบนภูมิประเทศที่ไม่เรียบ ในขณะที่เลือกเส้นทางที่เหมาะสมที่สุด ความก้าวหน้าที่สำคัญที่สุดบางประการในการสำรวจดาวอังคารนั้นอาศัยหุ่นยนต์อิสระเป็นอย่างมาก
การเรียนรู้ของเครื่องขั้นสูงสำหรับธรณีศาสตร์
Radiant Earth Foundation และ องค์การนาซ่า Earth Science Data Systems (ESDS) สนับสนุนการประชุมเชิงปฏิบัติการสำหรับมืออาชีพในเดือนมกราคม ปี ค.ศ.๒๐๒๐ เพื่อสำรวจความก้าวหน้าของวิธีการเรียนรู้ด้วยเครื่อง (ML) เกี่ยวกับข้อมูล Earth Observation (EO) ของ องค์การนาซ่า งานนี้จัดขึ้นที่กรุงวอชิงตัน ดี.ซี.มีผู้เข้าร่วม ๕๑ คน จากหน่วยงานภาครัฐ กลุ่มไม่แสวงหาผลกำไร วิทยาลัย และธุรกิจการค้า รายงาน Session (PDF) ออนไลน์อยู่ในขณะนี้ และเน้นถึงความยาก วิธีแก้ปัญหาที่เป็นไปได้ และแนวทางปฏิบัติที่ดีที่สุดสำหรับการผสานรวมข้อมูล EO ในกระบวนการเรียนรู้ด้วยเครื่องสำหรับการวิจัยและแอพพลิเคชัน Earth Science
Advancing ML Tools for Earth Science Workshop มีผู้เข้าร่วม ๕๑ คนจากหน่วยงานภาครัฐ องค์กรไม่แสวงหากำไร มหาวิทยาลัย และภาคการค้า มูลนิธิ Radiant Earth ได้จัดเตรียมภาพนี้ไว้ Machine Learningเป็น AI ประเภทหนึ่งที่สามารถเรียนรู้จากข้อมูล จดจำรูปแบบ และทำการเลือกโดยอาศัยปฏิสัมพันธ์ของมนุษย์เพียงเล็กน้อยหรือไม่มีเลย เนื่องจากมีข้อมูล EO ที่เปิดเผยต่อสาธารณะมากมาย สาขาวิชาวิทยาศาสตร์ของ Earth จึงเหมาะสมอย่างยิ่งที่จะใช้ประโยชน์จาก ML
ข้อมูลแบบเปิด เทคโนโลยี Open Source การสร้างชุมชน การศึกษาการพัฒนาอัลกอริทึมเฉพาะทาง และตัวอย่างที่ติดฉลากเกณฑ์มาตรฐานเป็นองค์ประกอบการสร้างสำหรับการใช้ ML หลักในวิทยาศาสตร์โลก เพื่อเป้าหมายดังกล่าว โปรแกรม ESDS ของ องค์การนาซ่า ได้ลงทุนในเทคโนโลยีและอุตสาหกรรมที่ใช้การเรียนรู้ด้วยเครื่องซึ่งมุ่งเน้นที่วิทยาศาสตร์ที่ขับเคลื่อนด้วยข้อมูลและประสิทธิภาพในการปฏิบัติงาน นอกจากนี้ยังมีแผนที่จะสร้างชุดข้อมูลการสอนเกณฑ์มาตรฐานของ Earth Science ที่ได้รับการดูแลจัดการอย่างดี ซึ่งอาจนำไปใช้เพื่อเพิ่มความเร็วให้กับอัลกอริทึมคอมพิวเตอร์ขั้นสูงและการเปรียบเทียบประสิทธิภาพ
โครงการอวกาศขององค์การนาซ่าที่มีการใช้งาน Machine Learning
๑. Mars Rovers บนดาวอังคาร
คุณเชื่อหรือไม่ว่า Tesla, Google, Uber และบริษัทอื่นๆ เป็นบริษัทแรกๆ ที่ทุ่มเทอย่างมากกับรถยนต์ไร้คนขับ ในความเป็นจริง องค์การนาซ่า ได้พัฒนาระบบขับขี่อัตโนมัติสำหรับ Mars Rovers เมื่อหนึ่งปีก่อน Auto Nav ซึ่งเป็นระบบนำทางและเคลื่อนที่ที่ใช้การเรียนรู้ด้วยเครื่องสำหรับ Mars Rovers ที่ขับเคลื่อนด้วยตนเองถูกนำมาใช้ในรถแลนด์โรเวอร Spirit และ Opportunity ที่มาถึงดาวอังคารในปี 2547 Curiosity ซึ่งเป็นรถแลนด์โรเวอรที่ใช้งานในปี พ.ศ.๒๕๕๔ ยังใช้ Auto Nav และกำลังสำรวจ Mars ต่อไป เพื่อวันนี้ โดยมีเป้าหมายในการค้นพบน้ำและองค์ประกอบอื่น ๆ ที่อาจทำให้ดาวอังคารมีศักยภาพสำหรับการเดินทางของมนุษย์ในอนาคต
๒. ยาในอวกาศ
จะเกิดอะไรขึ้นหากนักบินอวกาศต้องการความช่วยเหลือทางการแพทย์เมื่อพวกเขาเดินทางไกลออกไปในอวกาศนอกวงโคจรของโลก พวกเขาจะไม่สามารถกลับไปโลกเพื่อตรวจสุขภาพกับแพทย์ได้อย่างแน่นอนด้วยเหตุนี้ องค์การนาซ่า จึงกำลังพัฒนา Exploration Medical Capability ซึ่งจะใช้ Machine Learning เพื่อจัดหาทางเลือกด้านการดูแลสุขภาพโดยอ้างอิงจากความต้องการทางการแพทย์ในอนาคตของนักบินอวกาศ ทางเลือกด้านสุขภาพเหล่านี้จะได้รับการพัฒนาโดยผู้เชี่ยวชาญทางการแพทย์ที่ผ่านการรับรอง และจะได้เรียนรู้และเติบโตเมื่อเวลาผ่านไปตามประสบการณ์ของนักบินอวกาศ
3. ค้นหาดาวเคราะห์
คุณรู้อยู่แล้วว่าจักรวาลใหญ่แค่ไหน องค์การนาซ่า ประมาณการว่ามีดาวฤกษ์ประมาณ ๑ แสนล้านดวงในกาแลคซี โดยประมาณ ๔๐ พันล้านดวงมีศักยภาพในการดำรงชีวิต นี่ไม่ใช่นิยายวิทยาศาสตร์ องค์การนาซ่าเชื่อว่าวันหนึ่งเราอาจค้นพบมนุษย์ต่างดาว อย่างไรก็ตาม ก่อนที่องค์การนาซ่าจะค้นหามนุษย์ต่างดาวได้ จะต้องเปิดเผยดาวเคราะห์ดวงใหม่ในระบบสุริยะอื่นที่มีจำนวนเพิ่มขึ้นเรื่อย ๆ เสียก่อน เมื่อระบุดาวเคราะห์นอกระบบเหล่านี้ได้แล้ว องค์การนาซ่าจะวิเคราะห์สเปกตรัมบรรยากาศเพื่อดูว่ามีศักยภาพในการดำรงชีวิตหรือไม่
4. หุ่นยนต์นักบินอวกาศ
คุณรู้สึกว่านักบินอวกาศสามารถเป็นได้แค่มนุษย์หรือไม่? ปกติคุณพูดถูก แต่นาซ่าได้ผลิตหุ่นยนต์นักบินอวกาศแล้ว นิยายวิทยาศาสตร์กำลังกลายเป็นความจริง! Robonaut ได้รับการออกแบบให้ทำงานควบคู่ไปกับนักบินอวกาศในอวกาศ ช่วยเหลือพวกเขาในการทำกิจกรรมที่ไม่ปลอดภัยสำหรับมนุษย์ที่จะทำสำเร็จ นี่เป็นสิ่งสำคัญเพราะจะช่วยเพิ่มขีดความสามารถของ องค์การนาซ่า สำหรับการวิจัยและค้นพบอวกาศ ทำให้เราเข้าใจกาแลคซี่มากขึ้น
5. การนำทางบนดวงจันทร์
จะเกิดอะไรขึ้นถ้าคุณถูกแยกออกจากส่วนที่เหลือของโลก ก็ไม่ค่อยมีอะไรมาก คุณสามารถใช้ GPS เพื่อไปยังตำแหน่งที่คุณต้องการได้ แต่ถ้าเธอต้องพลัดพรากจากสหายบนดวงจันทร์ล่ะ เนื่องจาก GPS ไม่ทำงานบนดวงจันทร์ คุณจึงควรภาวนาให้คนอื่นหาคุณพบ หรืออย่างน้อยก็ยังไม่ถึงวันนี้ ขณะนี้องค์การนาซ่า Frontier Development Laboratory กำลังทำงานในโครงการที่จะอนุญาตให้นำทางบนพื้นผิวของดวงจันทร์ได้ โครงการนี้พยายามที่จะนำเสนอ GPS แม้บนพื้นผิวของดวงจันทร์ แต่ไม่จำเป็นต้องใช้ดาวเทียมราคาแพงจำนวนมาก
บทสรุป
ในการวิจัยอวกาศ เช่น การทำแผนที่ดาราจักรที่ไม่มีป้ายกำกับ ดาว หลุมดำ และการตรวจสอบเหตุการณ์ที่เกิดขึ้นในจักรวาล ตลอดจนการสื่อสาร ระบบนำทาง Star Craft อัตโนมัติ การติดตาม และระบบควบคุม AI ได้พิสูจน์แล้วว่าเป็นตัวเปลี่ยนเกมในสิ่งเหล่านี้ การใช้ AI ในปัจจุบันส่วนใหญ่อาจเห็นได้จากความพยายามในการพัฒนาผู้ช่วยหุ่นยนต์ที่เอาใจใส่และขับเคลื่อนด้วย AI เพื่อช่วยเหลือนักดาราศาสตร์ในการบินอวกาศทางไกลโดยการรับรู้และคาดการณ์ความต้องการของลูกเรือตลอดจนตีความอารมณ์ของนักบินอวกาศ
ที่มา : https://www.analyticsinsight.net/use-of-artificial-intelligence-and-machine-learning-in-nasa/
โดย Madherjya Chowdhury เมื่อ ๖ ส.ค.๖๔
แปลและเรียบเรียงโดย ร.อ.ยุทธนา สุพรรณกลาง
