A nagy adatok olyan nagyok lesznek, hogy elcsúsztatják a Föld gonosz kötelékeit.
Az Orbital Insight nevű induló vállalkozás, amely a közelmúltban közel 9 millió dollárt finanszírozott, műholdas képeket és csúcstechnológiát használ fel a globális olajfelesleg becslésére, a terméshiány előrejelzésére a betakarítás ideje előtt és a kiskereskedelmi tendenciák felmérésére azáltal, hogy nyomon követi az autók számát nagy dobozos parkolók. Lehetővé kell tenni a szoftver képzését az illegális erdőirtás korai észlelésére és az éghajlatváltozás jobb nyomon követésére is.
A vállalat gépi tanulási technikákat és számítógépes hálózatokat használ, amelyek utánozzák az emberi agyat, hogy hatalmas mennyiségű vizuális adatban észleljék a mintákat. A Facebook hasonló technikákat alkalmaz az arcok felismerésére a feltöltött képekben, valamint az ön és barátai automatikus felcímkézéséhez. De az arcok keresése helyett az Orbital Insight kihasználja a műholdas képek egyre növekvő előnyeit, köszönhetően a kicsi, olcsó műholdak megjelenésének, és megtanítja hálózataikat automatikusan felismerni a járműveket, az építési sebességet Kínában és az úszó fedéllel ellátott olajtartályok által leadott árnyékok, amelyek megváltoznak attól függően, hogy mekkoraak.
Természetesen lehetetlen, hogy az emberek rendszeresen frissített globális műholdas képeket szitálják át. A tömegesen párhuzamos számítógépekkel és a fejlett mintázatfelismerési technikákkal az Orbital Insight célja olyan típusú adatok továbbítása, amelyek még nem voltak elérhetők. A jelenlegi globális olajbecslések például már hat hetesek, amikor közzéteszik. Az Orbital segítségével a terméshozamok elemzése a szezon közepén elérhető lesz - fontos információ, hogy legyen az akár az ENSZ magas szintű munkavállalója, aki megpróbál előrelépni az élelmiszerválságból, vagy egy árupiacon kereskedő, egy fedezeti alap mellett dolgozik.
Az Orbital Insight nem sokáig működött - 2013 végén alapították, és csak a tavalyi év végén jelentkeztek „lopakodó üzemmódból”. A cég alapítója, James Crawford azonban rengeteg tapasztalattal rendelkezik kompatibilis területeken. A NASA Ames Kutatóközpontjának autonómia és robotika vezetőjeként két évet töltött a Google Könyvek mérnöki igazgatójaként, az archivált nyomtatott oldalakat kereshető szöveggé alakítva.
Számos vállalat, például a Spire és az Inmarsat, sőt a Tesla Elon Musk, hardveren dolgozik - új műholdak hálózatának tervezésén és elindításán dolgozik -, de Crawford szerint az Orbital Insight pusztán a szoftverekre összpontosít.
"Bizonyos értelemben látom, hogy mit csinálunk itt a vállalat lendületében" - mondja Crawford - "sokat tanul a [Google-nál] arról, hogy hogyan kell nagy adatokat készíteni, hogyan kell alkalmazni a [mesterséges intelligenciát], hogyan lehet alkalmazni a gépi tanulást ezekre a képvezetékekre, és hogyan lehet alkalmazni a műholdas űrbe. ”
A Crawford cég egyike azon kevésnek, akik azon kialakuló szoftveres technikákkal foglalkoznak, mint például a mesterséges idegi hálózatok és a gépi tanulás a műholdas elemzés céljából. képek. De az általa alkalmazott technika, más néven mély tanulás, jelenleg felrobban a technológiai térben. Az olyan megalapozott vállalatok, mint a Facebook, a Google és a Microsoft mélyreható tanulási technikákat alkalmaznak például az automatikus képcímkézés, valamint a jobb beszédfelismerés és fordítás érdekében. Az IBM nemrégiben egy AlchemyAPI elnevezésű, mélyen tanuló céget is megvásárolt, hogy fejlesszék Watson számítógépes rendszerüket.
A mély tanulás, a nagy teljesítményű számítógépek és az egyidejűleg futó mintázatfelismerés több rétege (tehát a mély tanulás „mélye”) utánozzák az emberi agy ideghálóit. A cél az, hogy egy számítógépet „megtanuljanak” felismerni a minták vagy olyan feladatok elvégzésére, amelyek túl bonyolultak és időigényesek a hagyományos szoftverek „tanításához”.
A néhány száz parkolóhelyen található autók kézi megjelölésével és az adatok bevitelével a számítógépes hálózatba a szoftver megtanulhatja, hogyan néz ki egy autó, és ezután más ezer képben számolja őket. (Orbital Insight, műholdas képek: DigitalGlobe) A mély tanulás részletei technikai jellegűek, de a legalapvetőbb szinten meglepően egyszerű. A kiskereskedelmi trendeknek a parkolótevékenységgel történő mérésekor Crawford szerint a cég először az alkalmazottak az autókat néhány száz parkolóhelyen piros pontokkal manuálisan jelölik. "Ezután minden egyes autót a neurális hálózatba betáplál, és ez általánosítja a világos és sötét mintákat, egy autó pixeleinek mintáját" - mondja Crawford. "És amikor a [számítógép] új képet néz, lényegében kifinomult, amit elvégz, de alapvetően egy egyezés."
A kiskereskedelmi tevékenység becslésekor Crawford szerint a vállalat sokkal jobban következteti be, hogy a lánc hogyan működik nemzeti szinten: megméri, hogy a teljes parkolóhelyek mennyiben vannak az idő függvényében, és összehasonlítja azt azzal, hogy a korábbi képekben milyen teljes voltak ugyanazok a tételek az előző negyedévekben, mint az egyes üzletek egészségének felmérése.
Elismeri, hogy sok kiskereskedőnek már megvan a lehetősége arra, hogy ezeket az adatokat a saját üzleteiben nyomon kövesse, ám örömmel tudnák, hogy a versenytársak hogyan teljesítenek hónapokat a pénzügyi eredmények közzététele előtt. Ugyanez igaz lenne a fedezeti alapokra is, amelyek Crawford szerint a cég legkorábbi ügyfelei. Könnyű belátni, hogy ez a fajta adat miként hozhatja fel a befektetőket. A műholdas képek már rendelkezésre állnak, és az Orbital Insight éppen elemzi azokat, tehát valószínűtlen, hogy a bennfentes kereskedelemmel kapcsolatos aggodalmak felmerülnek.
Ha a hálózat alkalmi hibát követ el, mondjuk, hogy összezavarja a szemétautót egy autóval, ez nem sok probléma - magyarázza Crawford, mivel a hibák általában nagymértékben eltörlik egymást. Az olajbecslésekhez hasonlóan még akkor is jobb, ha több százalékponttal eltérnek egymástól, ha konkrétabb adatokra vár hat hetet.
Miközben az indulás úgy tűnik, hogy először az adatok szolgáltatására irányul a piaci befektetők számára, az a tevékenység, amelyet a vállalat csinál, az altruisztikusabb célokra is felhasználható. "Kíváncsiak vagyunk a jövőben az erdőirtás felderítésére és olyan dolgok felismerésére, mint például az útépítés, amely elődje lehet az erdőirtásnak" - mondja Crawford. "Vannak igazán érdekes dolgok, amelyeket meg lehet tenni a hócsomag, a víz és az éghajlatváltozás egyéb szempontjai körül." Azt is mondta, hogy a harmadik világ mezőgazdaságát vizsgálják, és azt mondja, hogy a multi-spektrális képek jó módja annak, hogy elmondják mennyire egészségesek a növények, hogy megjósolják a termés kudarcát
Természetesen a nagy adatok bármely olyan aspektusa, amely műholdas képeket is magában foglal, magánéletvédelmi kérdéseket vet fel. Az Orbital Insight azonban nem készíti a fényképeket, hanem már elérhető képeket ér el és elemzi. És amint Crawford rámutat, a kereskedelmi képalkotási műholdakról szóló jelenlegi amerikai szabályozás előírja, hogy pixelben nem lehet 20 cm-nél alacsonyabb. Ezen a felbontásnál az átlagos ember néhány pontként jelenne meg. Tehát nehéz lenne megkülönböztetni az embereket egyáltalán, nem is beszélve egy személy identitásáról vagy akár nemeiről is.
Crawford szerint a mély tanulási technikák rövid távú előrelépéseinek általában az algoritmusok egyszerűsítésére és automatizálására kell irányulniuk (ami azt jelenti, hogy kevésbé kézzel kell megcímkézni az autókat vagy a kukoricamezőket), így a vállalatok gyorsabban alkalmazhatják a gépi tanulást új területeken.
Ami az Orbital Insight jövőjét illeti, a cég alapítója határozottan nem kicsi. Összehasonlítja a vállalat munkáját egy „makroszkóp” létrehozásával, amely hasonló mértékben befolyásolhatja a világot, mint a mikroszkóp átalakította a biológiát.
„Sok, amit a Földről látunk, akár kukorica hozam, erdőirtás, akár olajkészlet, olyan nagy, hogy nem láthatja őket az emberi szemmel, mert egyszerre egymillió képet kell feldolgoznia. ”- mondja Crawford. "Ez végül megváltoztatja a Föld megfigyelésének módját, megváltoztatja a gondolkodásmódját, és megváltoztatja a kezelésének módját."
