سیٹلائٹ پر AI کو کیا مختلف بناتا ہے؟
گراؤنڈ بیسڈ اے آئی عام طور پر پیمائش کو ڈیٹا سینٹر میں منتقل کرنے کے بعد شروع ہوتا ہے۔ آن بورڈ AI خلائی جہاز کے اندر اس تشریح کا ایک حصہ انجام دیتا ہے۔ یہ اس وقت مدد کر سکتا ہے جب پے لوڈ دستیاب ڈاؤن لنک سے زیادہ ڈیٹا تیار کرتا ہے، یا جب اگلے زمینی رابطے سے پہلے کسی مشاہدے کو ترجیح دینا مفید ہو۔
یہ زمینی پروسیسنگ کی ضرورت کو دور نہیں کرتا ہے۔ تربیت، آزادانہ تشخیص، مشن کی منصوبہ بندی اور گہرا تجزیہ عام طور پر زمین پر رہتا ہے۔ جہاز کا ماڈل ایک بڑی پیمائش اور فیصلہ پائپ لائن کا ایک حصہ ہے۔
ایک عملی جہاز پر پروسیسنگ پائپ لائن
- ڈیٹا حاصل کریں اور وقت دیں۔ ٹائم اسٹیمپ، آلے کی ترتیبات اور خلائی جہاز کے سیاق و سباق کے ساتھ تصاویر یا پیمائش کیپچر کریں۔
- مستقل طور پر پہلے سے عمل کریں۔ ماڈل کی طرف سے متوقع انشانکن، سائز تبدیل، نارملائزیشن یا ٹائلنگ کا اطلاق کریں۔ ٹریننگ پائپ لائن سے اختلافات نتیجہ بدل سکتے ہیں۔
- تخمینہ چلائیں۔ ایک مناسب CPU، FPGA یا ایکسلریٹر پر تعینات کردہ ماڈل کو انجام دیں۔ مکمل پروسیسنگ چین کی پیمائش کریں، نہ صرف نیورل نیٹ ورک کرنل۔
- فیصلے کی پالیسی کا اطلاق کریں۔ ماڈل اسکورز کو قطار کی ترجیح، ایونٹ کے ریکارڈ یا دلچسپی کے علاقے میں تبدیل کریں۔ اعتماد کی حدود اور ایک متعین فال بیک شامل کریں۔
- ذخیرہ کریں اور منتقل کریں۔ منتخب کردہ ڈیٹا کو اس کے میٹا ڈیٹا کے ساتھ رکھیں اور اسے طے شدہ کمیونیکیشن ونڈو کے دوران منتقل کریں۔ زمینی فیصلوں کا جائزہ لینے کے لیے کافی آڈٹ ڈیٹا محفوظ کریں۔
مثال: ڈاؤن لنک سے پہلے کلاؤڈ اسکریننگ
کلاؤڈ اسکریننگ ماڈل امیج ٹائل کو اسکور کر سکتا ہے تاکہ واضح مشاہدات کو ڈاؤن لنک کی اعلی ترجیح حاصل ہو۔ انجینئرنگ کا فیصلہ صرف یہ نہیں ہے کہ آیا ٹائل میں بادل ہے: پتلا بادل، برف، روشن چھتیں اور غیر معمولی روشنی مبہم صورتیں پیدا کر سکتی ہے۔ مشن کو یہ انتخاب کرنا چاہیے کہ غیر یقینی صورتحال سے کیسے نمٹا جائے اور تشخیص کے لیے کتنے غیر فلٹر شدہ ڈیٹا کو برقرار رکھا جائے۔
ESA کا Φsat-2 CubeSat زمین کے مشاہدے کے لیے آن بورڈ AI کی ایک حقیقی مثال فراہم کرتا ہے۔ اس کی بیان کردہ ایپلی کیشنز میں کلاؤڈ کا پتہ لگانا، امیج کمپریشن اور نقشوں میں تصویر کو تبدیل کرنا شامل ہے۔ یہ ایک بیرونی مشن کی مثال ہے، نہ کہ Alvexis پرواز کا حوالہ۔
ماخذ: ESA — متعارف کرا رہا ہے Φsat-2
دیگر مفید ایپلیکیشن پیٹرن
- زمینی جائزے کے لیے ایک مشن سے طے شدہ ماحولیاتی ایونٹ پر مشتمل منظر کشی کو ترجیح دیں۔
- مشاہدات کے درمیان تبدیلیوں کی نشاندہی کریں اور کومپیکٹ میٹا ڈیٹا کو متعلقہ مناظر سے منسلک کریں۔
- غیر معمولی رویے کے لیے آلے کی ٹیلی میٹری کی نگرانی کریں اور اضافی تشخیصی ڈیٹا کی درخواست کریں۔
- ڈاون اسٹریم سائنسی یا آپریشنل ٹاسک پر اثر کی پیمائش کرتے ہوئے ڈیٹا کو سکیڑیں یا منتخب کریں۔
پاور، میموری اور کمیونیکیشن بجٹ پہلے آتے ہیں۔
ایک ایسا ماڈل منتخب کریں جو دستیاب سب سے بڑے ماڈل سے شروع کرنے کے بجائے مشن کے مطابق ہو۔ پروسیسنگ کی رفتار کو میموری کی نقل و حرکت، امیج بفرز، سٹوریج رائٹ اور ہر مشاہدے میں استعمال ہونے والی توانائی کے ساتھ ساتھ غور کیا جانا چاہیے۔ صرف مناسب آپریٹنگ ونڈوز کے دوران شیڈولنگ کا اندازہ چوٹی کے تھرو پٹ سے زیادہ اہمیت رکھتا ہے۔
ایک مفید ڈاون لنک تخمینہ برقرار رکھا ڈیٹا والیوم ہے جو موثر کمیونیکیشن ریٹ، نیز پروٹوکول اور شیڈولنگ اوور ہیڈ سے تقسیم ہوتا ہے۔ ایک مفید حسابی تخمینہ نمائندہ ڈیٹا کا استعمال کرتے ہوئے مکمل پائپ لائن کے لیے توانائی اور تاخیر کی پیمائش کرتا ہے۔ کسی بھی تخمینہ کو ایکسلریٹر کے مشتہر کردہ چوٹی آپریشن فی سیکنڈ سے تبدیل نہیں کیا جاسکتا۔
ماڈل کی توثیق کیسے کی جائے؟
الگ الگ تربیت اور تشخیصی ڈیٹا سیٹس کا استعمال کریں، بشمول مشکل موسم، روشنی کے حالات اور سینسر کے نمونے۔ مطلوبہ پروسیسر پر تعینات ماڈل فارمیٹ اور عددی درستگی کی جانچ کریں۔ مجوزہ آپریٹنگ طریقوں کے تحت جھوٹے الارم، یاد ہونے والے ایونٹس، برقرار رکھے گئے ڈیٹا کے معیار، تاخیر اور توانائی کی پیمائش کریں۔
AI آؤٹ پٹ کو پابند ایپلی کیشن منطق سے گزرنا چاہئے۔ خلائی جہاز کے اہم افعال کے لیے، ایک ماڈل سکور کو آزادانہ طور پر ڈیزائن کردہ کمانڈ کی توثیق اور غلطی سے بچاؤ کے فن تعمیر کو نظرانداز نہیں کرنا چاہیے۔ ورژن والے ماڈل پیکجز، معروف ریکوری امیجز اور ایک کنٹرول شدہ اپ ڈیٹ کا عمل رکھیں۔
جہاں Alvexis تعاون کر سکتے ہیں۔
Alvexis مشن ڈیٹا پاتھ کے ارد گرد حسب ضرورت پے لوڈ پروسیسنگ الیکٹرانکس، سینسر انٹرفیس، ایمبیڈڈ سافٹ ویئر اور پروٹو ٹائپ انضمام کا دائرہ کار کر سکتا ہے۔ پہلا ڈیلیور ایبل ایک متفقہ فن تعمیر اور ایک قابل پیمائش پروٹو ٹائپ پلان ہونا چاہیے۔ پرواز کی اہلیت منتخب ہارڈ ویئر، مدار اور مشن کے لیے مخصوص رہتی ہے۔