اهمیت هوش مصنوعی در فضا (بخش دوم)

 

همان طور که در مقاله قبل به اهمیت هوش مصنوعی و رویکرد ایالات متحده با آن پرداختیم در ادامه به جزئیات بیشتری در این موضوع خواهیم پرداخت.

همکاری‌های پژوهشی پیشرفته در حوزه هوش مصنوعی

نشانه‌های امیدوارکننده‌ای از هم‌افزایی به‌روز در بین بخش‌های مختلف پیرامون هوش مصنوعی در حوزه‌ی فضا مشاهده می‌شود. از سال ۲۰۱۹، وزارت نیروی هوایی ایالات متحده و موسسه فناوری ماساچوست (MIT) به‌صورت مشترک شتاب‌دهنده‌ای به نام DAF-MIT راه‌اندازی کرده‌اند تا هوش مصنوعی را برای بهبود عملیات‌های این وزارتخانه توسعه دهند. مرکز تحقیقات هوش مصنوعی فضایی (CAESAR) در دانشگاه استنفورد نیز یک سال پیش با حمایت‌های مالی شرکت‌های Redwire Space و Blue Origin تأسیس شد و تمرکز آن بر هوش مصنوعی فضاپیماها است.

استفاده از هوش مصنوعی در سرویس‌دهی ماهواره:

آل تادروس، مدیر ارشد فناوری در Redwire، می‌گوید: «محققان شناخته شده‌ای از استنفورد در رأس CAESAR قرار دارند که با روش‌های کلاسیک و تأثیر هوش مصنوعی بر فضا آشنایی دارند.» او اشاره می‌کند که Redwire قصد دارد از هوش مصنوعی در تمامی بخش‌های فناوری خود، از جمله نمونه‌سازی و شبیه‌سازی، رباتیک و تصمیم‌گیری، سرویس‌دهی ماهواره‌ای، سیستم‌های بینایی هوشمند، و همچنین مدیریت توان و اویونیک استفاده کند.

او به دلایلی به همکاری با دانشگاه‌ها علاقه‌مند است: «برنامه‌های تحقیقاتی کسب‌وکارهای کوچک (SBIR) و دیگر برنامه‌های تحقیقاتی اغلب با نیازهای ملی و نیازهای نیروهای رزمی همخوانی ندارند. ارتباطات دانشگاهی به شرکتی مانند Redwire این امکان را می‌دهد که بین آنچه ما به‌طور مستقیم به عنوان نیازهای مأموریتی می‌بینیم و جایی که تحقیقات پیشرفته در حال انجام است، ارتباط برقرار کنیم. راهنمایی در مورد اینکه هوش مصنوعی کجا به‌کار برده شود، یکی از این نمونه‌هاست.»

تمرکز اولیه Redwire Space بر تقویت قابلیت‌های بینایی ماشین دوربین‌های خود است که در مأموریت Artemis 1 در نوامبر ۲۰۲۲ پرواز کردند و قرار است در مأموریت Artemis II در سال ۲۰۲۵ و Artemis III، اولین مأموریت انسانی ناسا به قطب جنوب ماه که در حال حاضر برای سال ۲۰۲۶ برنامه‌ریزی شده است، نیز حضور داشته باشند.

تادروس می‌گوید: «ما در حال بررسی این هستیم که چگونه می‌توانیم الگوریتم‌هایی را ادغام کنیم که بتوانند قابلیت دوربین‌ها را هم در بردهای دور، و هم در بردهای نزدیک برای عملیات(Rendezvous Proximity Operations)  ارتقاء دهند.»

نتایج مأموریت هدایتگری هوش مصنوعی در فضا

مدیر ارشد فناوری Redwire معتقد است که بهره‌گیری از این الگوریتم‌ها در مدار طی یک تا دو سال آینده «درهای جدیدی را به روی مأموریت‌هایی باز خواهد کرد که قبلاً قادر به انجام آن‌ها نبودیم.»

تادروس می‌گوید: «تصور کنید که یک فضاپیما بتواند در حالی که مأموریت خود را انجام می‌دهد، محیط اطرافش را پایش کند، تصاویر را پردازش کند تا نیت و هدف را تشخیص دهد و عملیات‌ها را به‌طور کاملاً خودمختار انجام دهد و نتایج و اطلاعات را به اپراتور ارسال کند. این نتایج مربوط به مأموریت است برخلاف اطلاعات مربوط به عملیات. تصور کنید به جای تمرکز بر عملیات‌های ماهواره‌ای فردی، بتوانید دسته‌ای از ماهواره‌ها را به فضا پرتاب کنید که به‌طور جامع فضای cislunar (فضای بین زمین و ماه) را مشاهده کنند و نتایجی را با شناسایی ریسک‌ها و تهدیدات ارائه دهند.»

مانسل از NGA نیز اشاره می‌کند که بینایی ماشین همراه با نمونه‌های زبانی بزرگ(LLM)، کاربرد بعدی متحول کننده برای هوش مصنوعی مولد خواهد بود. این امر به کاربرد فناوری مبدل‌ها(Transformers) بستگی دارد، فناوری که در نمونه‌‌های زبانی بزرگ مانند ChatGPT استفاده شده و به هر تصویر برچسب خورده در اینترنت دسترسی پیدا می‌کند، بنابراین می‌تواند همه اطلاعات مربوط به یک تصویر را طبقه‌بندی کند.

آموزش برای دیدن میلیون‌ها نوع شیئ:

او توضیح می‌دهد: «تمام شرکت‌های بزرگ مانند Open AI، Anthropic، آمازون، گوگل و مایکروسافت با استفاده از فناوری مبدل‌ها در نمونه‌های بینایی بزرگ(LVM) در حال بهبود چشمگیر قابلیت‌های بینایی ماشین خود هستند. در گذشته، ممکن بود ما یک نمونه بینایی ماشین آموزش‌دیده داشته باشیم که به‌دنبال انواع خاصی از تجهیزات نظامی بگردد، اما این نمونه‌های بینایی بزرگ برای شناسایی میلیون‌ها نوع شیء مختلف آموزش دیده‌اند.»

آژانس تحقیقاتی پیشرفته دفاعی پنتاگون (DARPA) نیز با همکاری نزدیک با نوآوران فضایی تجاری در حال پیشرفت در زمینه هوش مصنوعی است. در ماه ژوئن، Slingshot Aerospace اعلام کرد که با DARPA برای ایجاد Agatha همکاری می‌کند، سیستمی مبتنی بر هوش مصنوعی که می‌تواند کل منظومه‌ی ماهواره‌ای را برای یافتن ناهنجاری‌ها اسکن کند.

دیلان کسلر، مدیر علم داده در Slingshot Aerospace، توضیح می‌دهد: «سیستم Agatha از مجموعه‌ای از نمونه‌ها استفاده می‌کند، به این معنا که اگر پاسخ‌های ساده‌ای وجود داشته باشد، آن‌ها را پیدا می‌کند، اما اگر تحقیقات پیچیده‌تری لازم باشد، از چیزی پیشرفته‌تر به نام یادگیری تقویتی معکوس(Inverse Reinforcement Learning)  استفاده می‌کند.»

این تکنیک رفتار ماهواره را ارزیابی می‌کند تا هدف آن را مشخص کند. برای مثال، آیا یک فضاپیمای خراب فقط دچار نقص شده، یا به عمد در یک منظومه‌ی بزرگ پنهان شده است تا اهدافی مانند جاسوسی را دنبال کند؟

داده‌های آموزشی خوب برای نمونه‌های هوش مصنوعی فراهم می‌شود، و در مورد Agatha، به دلیل کمبود منظومه‌های بزرگ ماهواره‌ای برای استفاده، Slingshot شبیه‌سازی ۶۰ سال داده‌های منظومه‌ی ماهواره‌ای را انجام داد.(۳۰ منظومه هر کدام برای دو سال) پس از اینکه نمونه با داده‌های شبیه‌سازی‌شده آموزش دید، Slingshot Aerospace از Agatha خواست توانایی خود را برای یافتن «نقاط غیر استاندارد» یا ماهواره‌هایی که مطابق انتظار عمل نمی‌کردند، روی منظومه‌های موجود در فضا آزمایش کند. زمانی که یک ماهواره غیر استاندارد شناسایی شد، Slingshot با اپراتور ماهواره تماس گرفت تا یافته‌های Agatha را تأیید کند.

شفر توضیح می‌دهد: «گفته شده است که در آن موارد، ممکن است ماهواره دچار نقص شده باشد یا در حال انتقال به مأموریت جدیدی باشد.»

در نهایت، Agatha قادر خواهد بود رفتار آینده یک ماهواره که به‌عنوان یک ناهنجاری احتمالی شناسایی شده است را پیش‌بینی کند.

Slingshot Aerospace تنها شرکتی نیست که بر روی استخراج تحلیل‌های مفید از هوش مصنوعی تمرکز کرده است. مدیران Kratos Defense، که محصولات متنوعی در بخش‌های زمینی ماهواره‌ای دارد، نیز به‌طور فعال در حال کار بر روی بهبود ارزش محصولات داده محور خود با هوش مصنوعی هستند. خدمات آن‌ها شامل ارائه اطلاعات برای آگاهی از حوزه فضایی است. یکی از اهداف اصلی آن‌ها آسان‌تر کردن فرآیند یکپارچه‌سازی داده‌ها برای مشتریان یعنی اجرای نمونه‌های هوش مصنوعی خودشان بر روی داده‌های  Kratos است.

ارزشمندی داده‌ها با بهره‌گیری از هوش مصنوعی:

استوارت داگتریج، معاون فناوری پیشرفته در Kratos می‌گوید: «مهم نیست چقدر در هوش مصنوعی سرمایه‌گذاری کنیم، باز هم نمی‌توانیم همه جاهایی که هوش مصنوعی می‌تواند از داده‌های ما ارزش ایجاد کند، پوشش دهیم. به همین دلیل ما سعی می‌کنیم داده‌ها و فرمت‌هایی تولید کنیم که به راحتی قابل استفاده در نمونه‌های هوش‌مصنوعی باشند.»

موانع کلیدی استفاده از هوش مصنوعی در فضا

بدون شک، هوش مصنوعی در فضا به‌طور قابل‌توجهی به توانایی ایالات متحده در همگام شدن با رقبای خود در حوزه فضایی کمک خواهد کرد. اما چالش‌های مهمی از اطمینان از کیفیت داده‌ها و داشتن داده‌های آموزشی کافی برای نمونه‌های هوش مصنوعی گرفته تا رسیدگی به مسائل مربوط به حاکمیت و ایجاد اعتماد همچنان باقی‌ست.

دونلسون، مسئول موقت داده‌ها و هوش مصنوعی نیروی هوایی ایالات متحده، به تمایل مردم برای دست‌کم گرفتن اهمیت کیفیت داده‌ها در پروژه‌های هوش مصنوعی اشاره می‌کند و از یک تمثیل ماشین مسابقه استفاده می‌کند: «هوش مصنوعی فقط وسیله نقلیه است؛ داده‌ها سوخت آن هستند. بهترین راننده فرمول یک می‌تواند پشت فرمان بنشیند، اما مهم نیست که چه نوع موتوری داشته باشد، اگر سوخت نداشته باشد، عملکردی نخواهد داشت.»

ایالات متحده برای پیاده‌سازی هوش مصنوعی مسئولانه متمرکز بوده است:

مانسل معتقد است که ایالات متحده بر روی پیاده‌سازی هوش مصنوعی به‌صورت مسئولانه متمرکز بوده است، همان‌طور که در دستور اجرایی کاخ سفید در اکتبر گذشته در مورد توسعه و استفاده ایمن، مطمئن و قابل‌اعتماد از هوش مصنوعی و همچنین جلسات متعدد پیرامون پیاده‌سازی هوش مصنوعی، نشان داده شده است.

با این حال، مدیر NGA نسبت به چالش‌ها واقف است، از جمله دشواری‌ها تأیید استفاده از نمونه‌های بزرگ توسط مسئولین امنیت سایبری است.

او اعتراف می‌کند: «استفاده‌های بسیار خطرناک و غیراخلاقی برای این نمونه‌ها وجود دارد. تعداد زیادی از مسائل مربوط به سیاست‌ها، قوانین، اخلاقیات و حاکمیت وجود دارد که باید بررسی و حل شوند.»

دسترسی ترکیب اطلاعات ماهواره با سایر اطلاعات:

کریس بدجت، معاون فناوری در Kratos Defense، به چالش دیگری اشاره می‌کند: میزان خودمختاری که مشتریان مایلند سیستم‌هایشان در تصمیم‌گیری داشته باشند. او به‌عنوان مثال می‌گوید که چگونه یک کاربر در ارتش اجازه دارد اطلاعات ماهواره‌ای را با سایر داده‌ها ترکیب کند، اما این دسترسی باید در سطح تاکتیکی پایین‌تری امکان‌پذیر باشد.

بدجت توضیح می‌دهد: «آن‌ها این گزینه را ندارند که با برنامه‌ریزان استراتژیک تماس بگیرند، بنابراین تعریف آن‌ها از خودمختاری و ابزارهای هوش مصنوعی که اجازه استفاده از آن‌ها را دارند، کوچک‌تر از افراد بزرگ‌سازمانی مانند نیروی فضایی است که به سیستم‌های متنوع دسترسی دارد.»

چندین کارشناس معتقدند که بزرگ‌ترین چالش، دسترسی به مقادیر زیادی از داده‌های آموزشی مورد نیاز برای جلوگیری از تولید اطلاعات نادرست، جانبدارانه یا غیرمطلوب توسط سیستم‌های هوش مصنوعی است.

داگتریج از Kratos می‌گوید: «چگونه می‌توانم داده‌های آموزشی(Train) واقعاً خوب به دست بیاورم و سپس مجموعه‌ای از داده‌های اعتبارسنجی(Test) را فراهم کنم؟ در هر پروژه هوش مصنوعی که تاکنون در آن بوده‌ام، این همیشه چالش بوده است. ۸۰ درصد مشکل، داده‌های آموزشی و ۲۰ درصد مربوط به الگوریتم است.»

بوید پیش‌بینی می‌کند که متخصصان هوش مصنوعی در بخش تجاری یا دولتی به‌طور فزاینده‌ای با سوگیری‌های شناختی و خودکارسازی مواجه خواهند شد، زیرا آن‌ها به دنبال پیشرفت در سیستم‌های پشتیبانی تصمیم‌گیری هستند.

او می‌پرسد: «در حال حاضر، مردم واقعاً نمی‌دانند چگونه با این مشکلات کنار بیایند. هنگامی که این فناوری را ایجاد می‌کنید، چه نوع سوگیری‌های شناختی سازمانی و انسانی با آن همراه است؟»

رهبران هوش مصنوعی معتقدند که داشتن مجموعه داده‌های آموزشی کافی همچنان یک چالش مداوم است. برخلاف دنیای روی زمین، جایی که میلیاردها مجموعه داده در دسترس وجود دارد که از فهرست‌بندی اینترنت و یوتیوب حاصل شده است، داده‌های مبتنی بر فضا نسبتاً محدود هستند، تادروس از Redwire توضیح می‌دهد. این محدودیت تیم او را مجبور کرد تا برای آموزش سیستم Argus این شرکت، از داده‌های شبیه‌سازی‌شده استفاده کنند.

اعتماد نیز یک مانع بزرگ دیگر است، به گفته دونلسون، احساسات متضاد نسبت به هوش مصنوعی رایج است. برخی نگران هستند که هوش مصنوعی ممکن است باعث شود شغل آن‌ها بی‌اهمیت یا منسوخ شود، در حالی که برخی دیگر از آن به شدت حمایت می‌کنند.

دونلسون می‌گوید: «بنابراین، برای پذیرش جامع هوش مصنوعی در سراسر یک سازمان، باید رضایت افراد را جلب کنید. ما باید بتوانیم نشان دهیم که انسان‌ها و ماشین‌ها چگونه می‌توانند با هم کار کنند.»

منبع:interactive.satellitetoday.com/via/september-2024/leveraging-ai-in-space-experts-assess-the-impact-on-the-defense-and-space-domain