Uydu üzerindeki yapay zekayı farklı kılan nedir?
Yer tabanlı yapay zeka, genellikle ölçümler veri merkezine iletildikten sonra devreye girer. Uydu üzerindeki AI ise bu yorumlamanın bir bölümünü uzay aracında yapar. Faydalı yükün ürettiği veri mevcut yere aktarım kapasitesini aştığında veya sonraki yer istasyonu bağlantısından önce bir gözleme öncelik vermek gerektiğinde bu yaklaşım yararlı olabilir.
Yerde işlem yapma ihtiyacı ortadan kalkmaz. Model eğitimi, bağımsız değerlendirme, görev planlaması ve ayrıntılı analiz genellikle yerde yapılır. Uydudaki model, daha büyük bir ölçüm ve karar sürecinin bir parçasıdır.
Uydu üzerinde uygulanabilir bir veri işleme akışı
- Veriyi toplayın ve zaman damgası ekleyin. Görüntüleri veya ölçümleri; zaman damgaları, cihaz ayarları ve ilgili uydu durum bilgileriyle birlikte alın.
- Ön işlemeyi tutarlı uygulayın. Modelin beklediği kalibrasyonu, yeniden boyutlandırmayı, normalizasyonu veya görüntüyü küçük bölgelere ayırma işlemini uygulayın. Eğitim sırasında kullanılan işlemlerden sapmalar sonucu değiştirebilir.
- Model çıkarımını çalıştırın. Hazırlanan modeli uygun bir CPU, FPGA veya hızlandırıcı üzerinde çalıştırın. Yalnızca sinir ağı çekirdeğini değil, işleme zincirinin tamamını ölçün.
- Karar kurallarını uygulayın. Model puanlarını kuyruk önceliğine, olay kaydına veya ilgilenilen görüntü bölgesine dönüştürün. Güven eşiklerini ve belirsiz durumda uygulanacak alternatif davranışı tanımlayın.
- Depolayın ve iletin. Seçilen veriyi ilgili üst verilerle birlikte saklayın ve planlanan haberleşme penceresinde iletin. Kararları yerde değerlendirebilmek için yeterli doğrulama verisini koruyun.
Örnek: yere aktarım öncesinde bulutlu görüntülerin ayıklanması
Bulut ayıklama modeli, görüntü bölgelerini puanlayarak açık alan gözlemlerine yere aktarımda daha yüksek öncelik verebilir. Karar yalnızca bir bölgede bulut olup olmaması değildir: ince bulut, kar, parlak çatılar ve alışılmadık ışık koşulları belirsiz sonuçlar oluşturabilir. Görev ekibi, bu belirsizliğin nasıl ele alınacağını ve değerlendirme için ne kadar filtrelenmemiş veri saklanacağını belirlemelidir.
ESA'nın Φsat-2 CubeSat görevi, Dünya gözlemi için uydu üzerinde yapay zekanın gerçek bir örneğidir. Açıklanan uygulamalar arasında bulut tespiti, görüntü sıkıştırma ve görüntülerden harita oluşturma bulunur. Bu, başka bir kuruluşun görev örneğidir; Alvexis'in uçuş referansı değildir.
Diğer uygulama örnekleri
- Görev kapsamında tanımlanan çevresel olayları içeren görüntülere, yerde incelenmek üzere öncelik verin.
- Gözlemler arasındaki değişiklikleri tanımlayın ve ilgili sahnelere kompakt meta verileri ekleyin.
- Ölçüm cihazlarının telemetrisini olağandışı davranışlar açısından izleyin ve gerektiğinde ek tanılama verisi isteyin.
- Veriyi sıkıştırırken veya seçerken, sonraki bilimsel analiz ya da operasyonel görev üzerindeki etkisini ölçün.
Önce güç, bellek ve haberleşme bütçesi
En büyük modelden başlamak yerine göreve uygun modeli seçin. İşlem hızı; bellek aktarımları, görüntü tamponları, depolamaya yazma ve gözlem başına enerji tüketimiyle birlikte değerlendirilmelidir. Çıkarımı yalnızca uygun çalışma zamanlarında planlamak, tepe işlem kapasitesinden daha önemli olabilir.
Yere aktarım süresini tahmin etmek için saklanan veri hacmini etkin haberleşme hızına bölün; protokol ve zamanlama kaynaklı ek yükleri de hesaba katın. İşlem tarafında ise temsili verilerle akışın tamamının enerji tüketimini ve gecikmesini ölçün. Hızlandırıcının duyurulan saniyelik tepe işlem sayısı bu iki değerlendirmenin yerini tutmaz.
Model nasıl doğrulanmalı?
Zorlu mevsim, aydınlatma ve sensör kaynaklı bozulma koşullarını içeren ayrı eğitim ve değerlendirme veri kümeleri kullanın. Çalıştırılacak model biçimini ve sayısal hassasiyeti hedef işlemci üzerinde test edin. Önerilen çalışma modlarında yanlış alarmları, kaçırılan olayları, saklanan verinin kalitesini, gecikmeyi ve enerji tüketimini ölçün.
AI çıktıları sınırları belirlenmiş uygulama kurallarından geçmelidir. Uzay aracının temel işlevleri açısından kritik kararlarda model puanı, bağımsız tasarlanmış komut doğrulama ve hata koruma mimarisini atlamamalıdır. Sürümü izlenen model paketlerini, çalıştığı doğrulanmış kurtarma yazılımını ve kontrollü bir güncelleme sürecini koruyun.
Alvexis hangi alanlarda katkı sağlayabilir?
Alvexis; görevin veri akışına uygun özel faydalı yük işleme elektroniği, sensör arayüzleri, gömülü yazılım ve prototip entegrasyonu için mühendislik kapsamı oluşturabilir. İlk teslimat, üzerinde mutabık kalınan bir mimari ve ölçülebilir prototip planı olmalıdır. Uçuş kalifikasyonu seçilen donanıma, yörüngeye ve göreve özgüdür.
Uydu haberleşmesi ve araç üzerinde veri azaltma
Uydu haberleşme kapasitesi, bağlantı fırsatları ve araç üzerindeki depolama, hangi ölçümlerin önce aktarılacağını etkiler. Bu nedenle uydu haberleşmesi ile uçta AI ortak bir veri politikasına ihtiyaç duyar: işleme kararlarını değerlendirecek kadar ham veriyi koruyun, model sürümünü kaydedin ve belirsiz sonuçta uygulanacak davranışı belirleyin.
Yerel işleme, yere indirmek için seçilen veri miktarını azaltabilir. Bu fayda; güç, bellek ve ısıl sınırlarla birlikte değerlendirilmelidir. Uydular arası haberleşme ek bir arayüz ve zamanlama problemi getirir. Göreve özgü doğrulama yine gereklidir; mühendislik prototipi uçuş kalifikasyonunun kanıtı değildir.