مجله هوش مصنوعی شهاب
به کار گیری فناوری هوش مصنوعی توسط ناسا می تواند به فضانوردان کمک کند تا کارایی بیشتری در فضا داشته باشند. در تاریکی وسیع فضا، جایی که به نظر می رسد زمین فقط یک قطعه کوچک است، یک روز هوش مصنوعی به فضانوردان و روبات ها کمک می کند تا بدون نیاز به کمک زیادی از سوی زمین، بتوانند به سرعت تصمیم گیری کرده و به سرعت برنامه ریزی کنند. حتی با سرعت نور هم، در حدود ۱۸۶۰۰۰ مایل در ثانیه ، پیام های رادیویی حداقل ۱۱ دقیقه طول می کشند تا به مریخ برسند (بسته به فاصله متغیر آن از زمین.) به دلیل وجود تاخیرهای زمانی مانند این، خدمه انسانی و روباتیک که در فضای عمیق کاوش می کنند باید کمتر به کمک همکارانشان در زمین وابسته باشند. فضانوردان در فضای بسیار دور در فضا نه تنها باید در زمانی به اندازه ۱۰ دقیقه یا کمتر برنامه های پیچیده را طراحی کنند بلکه ممکن است مجبور شوند به تنهایی اقدام به تصمیم گیری کنند بطوریکه حتی تصمیمات دشوار و ثانویه ای نیز بگیرند. به گفته دانشمندان ناسا، این چشم اندازی که از آینده فعالیت های فضایی وجود دارد موجب کاهش احتمالی هزینه ها نیز می شود زیرا در صورت عملی شدن آن نیاز به تیم های بزرگ روی زمین برای تهیه برنامه های دقیق روزانه برای مأموریت های فضایی عمیق کمتر خواهد شد.
ناسا در حال توسعه نرم افزاری قدرتمند برای برنامه ریزی هوش مصنوعی است تا ماموریت های فضایی دوردست را عملی کند. در زمانی نه چندان طولانی، دانشمندان ناسا قادر به طراحی نرم افزاری برای کاهش زمان برنامه ریزی روزانه تیم های کاوش گر در مریخ و همچنین کاهش هزینه های انجام ماموریت هایی که در شرف انجام هستند خواهد شد. به عنوان مثال ، در مقایسه با مأموریت های (Mars Exploration Rover (MER ، دانشمندان امیدوارند که در آینده نزدیک زمان برنامه ریزی را با ضریب ۱۰ برای ماموریت ها کاهش دهند. به طور فزاینده ای رویکردهای صرفه جویی در منابع همچون پروژه MER، نقش مهمی را در ماموریت ققنوس در منطقه قطب شمال سیاره سرخ(مریخ) که برای سال ۲۰۰۷ برنامه ریزی شده است، خواهند داشت. منطقه فرود کاوش گر ققنوس ۲۰۰۸ در یک منطقه یخبندان واقع شده است. بازوی رباتیک زمینی در جستجوی سرنخ هایی برای تاریخ زمین شناسی آب روی مریخ به داخل زمین های قطبی حفره هایی حفر خواهد کرد. این فضاپیما همچنین به دنبال شواهدی از مناطقی است که می توانند از زندگی میکروبی پشتیبانی کنند.
در همین حال ، بیش از یک سال پس از فرود در سیاره مریخ در ژانویه ۲۰۰۴ ، دو کاوشگر مریخ به جستجوی سرنخ هایی پرداختند که نشان گر احتمال وجود مقادیر زیادی آب در این سیاره باشد. تیم های علمی فعال در این پروژه برنامه های مفصلی را برای هماهنگ کردن حرکت مریخ نوردان انجام دادند. آلونسو ورا ، مدیر گروه توسعه نرم افزار هوش مصنوعی در مرکز تحقیقات ناسا می گوید: “برنامه ریزی برای مریخ نورد اکتشافی، در هر روز حدود یک ساعت و نیم زمان تیم انسانی را برای هر کدام از این مریخ نوردان به خود اختصاص داده است. وی همچنین افزود: “هدف ما کاهش زمان برنامه ریزی به اندازه ۱۰ دقیقه برای یک مأموریت معمولی در سطح مریخ است و اکنون ما توانسته ایم به قسمت های خوبی از این هدف برسیم.” تیمی متشکل از نیمی از دانشمندان ناسا نیز در حال بهبود نرم افزارهای برنامه ریزی هستند که توسط تیم های مریخ نورد استفاده شده است. به این نرم افزار “تولید برنامه فعالیت مخلوط” (MAPGEN) گفته می شود.
بیش از یک سال پس از فرود آمدن فضاپیما در سیاره مریخ، دانشمندان همچنان به استفاده از این نرم افزار برنامه ریزی و زمان بندی خودکار برای کمک به ساخت و ویرایش برنامه های مربوط به فعالیت های علمی برای کاوش گران مریخ پیما بر اساس لیستی از اهداف مربوط به مشاهدات و منابع مریخ نوردها هستند. ورا در ادامه توضیحات خود افزود: “طراحی MAPGEN بر اساس” Europa “، ابزاری برای برنامه ریزی هوش مصنوعی که از ماموریت Deep Space 1 قبل از استفاده در کاوش گر مریخ پیما پشتیبانی می کرد، طراحی شده است.” ناسا کاوشگر۴۲۸ کیلوگرمی Deep Space 1 را در تاریخ ۲۴ اکتبر سال ۱۹۹۸ راه اندازی کرد تا ۱۲ فناوری پیشرفته از جمله Remote Agent را که یک برنامه هوشمندی مصنوعی است، آزمایش کند و قصد داشت هزینه ها و خطر را برای ماموریت های علمی در آینده کاهش دهد. هدف اصلی نشان دادن این بود که فضاپیما می تواند با حداقل کمک از جانب نیروی انسانی کنترل شود.
به گزارش ورا، تلاش های مداوم ناسا برای تکامل هوش مصنوعی برای استفاده در عملیات های مربوط به ماموریت فضایی در آینده موجب تسریع در روند این گونه پیشرفت ها میشود. در حال حاضر نرم افزارهای جدید برای استفاده روزانه تیم در طول ماموریت های سطح بعدی مریخ در دست تهیه است. این نرم افزار”رابط علمی برنامه ریزی برای مهندسی” یا (SPIFe) نامیده شده است. به گزارش ورا، دانشمندان امیدوارند که این امر به طور چشمگیری تعداد افراد مورد نیاز برای دستیابی به اهداف ماموریت را کاهش دهد. مایک مک کوردی، عضو تیم توسعه نرم افزار SPIFe در ناسا، اظهار داشت: “میراث مورد نظری که ما با SPIFe به دنبال آن هستیم نرم افزار Constraint Editor و نرم افزار MAPGEN است که برای دو کاوشگر مریخ پیما استفاده شده است.” Constraint Editor به دانشمندان فعال در ماموریت کاوشگر مریخ پیما اجازه داده است تا در برنامه فعالیت های روزانه ی مریخ پیما مستقیما تغییراتی ایجاد کنند. این نرم افزار همچنین کل برنامه ها را برای در نظر گرفتن تغییراتی که دانشمندان شخصا انجام می دهند، تنظیم می کند. در همین حال ، طبق گفته مک کوردی ، نرم افزار MAPGEN برخی از مأموریت ها را انتخاب کرده و دانشمندان بقیه تصمیمات مربوط به مأموریت را گرفته اند.
با استفاده از نرم افزار هوش مصنوعی مانند MAPGEN که نوعی سیستم “ابتکار عمل ترکیبی” می باشند-انسان و رایانه در بحث هایی که در مورد نسل های آینده برنامه های فضایی اتفاق می افتد شریک خواهند بود. “هرکدام از طرفین مهارت های مختلفی را ارائه می کند. انسان می تواند روی آنچه انسانها در آن خوب هستند تمرکز کند (برای مثال تصمیمات سطح بالا) ، در حالی که رایانه می تواند بر روی آن چه که رایانه ها در آن خوب هستند تمرکز کند، مسائلی چون تصمیم گیری در مورد هزاران تصمیم کوچکتر به طور خودکار و اعمال قوانین و محدودیت ها. “. همچنین نرم افزار SPIFe از اهمیت بسیاری برخوردار است چرا که ممکن است پیشرو نرم افزارهای آینده باشد که قادر خواهند بود به فضانوردان کمک کنند تا به طور مستقل از زمین و مقر فرماندهیشان کار کنند. بخش مهمی از چشم اندازی که از کاوش در فضا توضیح داده شد این امکان را می دهد که خدمه در سفینه های فضایی یا ماه بتوانند خودکفا و خودمختار شوند.
به گزارش ورا، خدمه فضانوردهایی که از نرم افزار پیشرفته برنامه ریزی استفاده کنند به برنامه های مستقر در زمین وابسته نخواهند بود. تیم های متشکل از روبات انسانی می توانند وسایل نقلیه یا زیستگاه های خود را بازرسی کنند و تعمیرات را بدون هیچ گونه کمکی انجام دهند. یکی از قابلیت های اضافه شده به SPIFe ، جدول زمانی چندگانه است که دانشمندان می توانند به جای یک جدول زمانی که MAPGEN ارائه می دهد ، از آنها استفاده کنند. همچنین SPIFe به کاربران این امکان را می دهد تا اطلاعات را از طرق مختلف مشاهده کنند تا دانشمندان بتوانند مشکلات و فرایندها را بهتر ببینند و درک کنند.
بیشتر بخوانید:
- گوگل ساختار سازمانی خود را جهت تمرکز بر هوش مصنوعی اصلاح می کند
- پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
- فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
- لبنان استفاده از پلاک خوان های خودکار را تایید کرد
- چالش های مدیریت کلاس با ابزار جدید تشخیص چهره هوش مصنوعی
