هوش مصنوعی، کارمند جدید ناسا

هم‌زمان با آماده‌سازی ناسا برای ماموریت آرتمیس ۲، نخستین مأموریت سرنشین‌دار این سازمان به دور ماه پس از بیش از نیم قرن، تیم‌های مختلف در سراسر این سازمان سیل عظیمی از اطلاعات شامل تحلیل‌های ایمنی، بررسی‌های مهندسی و داده‌های مأموریت را تولید کردند که در حداقل ۱۰ منبع مجزا پراکنده بودند. از اندازه‌گیری دما روی زمین گرفته تا رصد کهکشان‌های دوردست، این سازمان یکی از بزرگ‌ترین مجموعه‌های داده‌های علمی و عملیاتی جهان را گردآوری کرده است. اما کاربردی و قابل دسترس ساختن این حجم عظیم از اطلاعات، یک چالش بزرگ محسوب می‌شود.

دسترسی بهتر با حجم عظیم داده‌ها به کمک هوش مصنوعی

بخش زیادی از داده‌های ناسا در قالب طرح «داده‌های باز» (Open Data) این سازمان به صورت عمومی در دسترس است، اما استخراج و پیونددادن بینش‌های به‌دست‌ آمده از منابع متعدد آن به‌طور سنتی فرایندی پیچیده و زمان‌بر بوده است. «آنا استیرز-اسمیث»، مشاور ارشد هوش مصنوعی این سازمان می‌گوید: «ما داده‌های باز بسیار زیادی داریم و گاهی پیدا کردن آن‌ها دشوار است؛ همچنین اتصال و پیوند دادن به این داده‌ها می‌تواند سخت باشد.»

اکنون ناسا بش از گذشته به هوش مصنوعی روی می‌آورد تا بینش‌های ارزشمندی را از داده‌های حاصل از چند دهه مشاهدات، شبیه‌سازی‌ها و مأموریت‌ها استخراج کند. کارکنان ناسا از ابزارهای هوش مصنوعی از جمله مایکروسافت کوپایلت (Microsoft Copilot) برای غربال‌گری حجم عظیمی از داده‌های علمی و برنامه‌ریزی کارهای روزمره استفاده می‌کنند، در حالی که سیستم‌های تخصصی مانند Earth Copilot و Hydrology Copilot به پژوهشگران کمک کرده‌اند تا در میان مجموعه ‌داده‌های پیچیده علوم زمین به کاوش بپردازند. هوش مصنوعی همچنین به تصمیم‌گیری‌های برنامه‌ریزی برای مأموریت اخیر آرتمیس ۲ کمک کرده و در حال بررسی برای استفاده در یکی از حساس‌ترین و پرتقاضاترین محیط‌های ناسا یعنی اتاق کنترل مأموریت (Mission Control) است.

هوش مصنوعی در مرکز کنترل مأموریت

در مرکز فضایی جانسون ناسا در هیوستون، تیم‌ها در حال بررسی این موضوع هستند که هوش مصنوعی چگونه می‌تواند به افراد حاضر در اتاق کنترل کمک کند تا حجم عظیم اطلاعات هدایت ‌کننده پروازهای فضایی را غربال کنند. این مرکز یک نمونه اولیه از یک عامل هوش مصنوعی طراحی کرده است تا به کنترل‌‌کنندگان پرواز بخش SPARTAN (که مسئول سیستم‌های توان و کنترل حرارتی ایستگاه فضایی بین‌المللی هستند) کمک کند. این عامل هوش مصنوعی طراحی شده است تا به‌عنوان یک عضو مجازی در تیم‌های پشتیبانی کنترل مأموریت عمل کند؛ متخصصانی که به کنترل‌کنندگان پرواز در پایش سیستم‌های فضاپیما و تصمیم‌گیری‌های آنی کمک می‌کنند.

«تروی لبلانک»، مدیر ارشد اطلاعات مرکز فضایی جانسون ناسا می‌گوید: «ما می‌توانیم پیش‌بینی کنیم که یک عامل هوش مصنوعی یکی از اعضای تیم اتاق پشتیبانی باشد، به‌طوری که کنترل‌کننده پرواز در اتاق اصلی با اتاق پشتیبانی تماس بگیرد و پاسخ خود را از طریق هدفون از همکارانش یا در این مورد خاص، از عامل هوش مصنوعی دریافت کند.»

افسران علمی در مرکز کنترل مأموریت در مرکز فضایی جانسون ناسا، داده‌های مأموریت را به صورت آنی از کنسول علمی پایش می‌کنند و اندازه‌گیری‌های علمی و عملکرد سیستم را مورد تحلیل قرار می‌دهند. کار آن‌ها به تضمین دستیابی ایمن و کارآمد به اهداف مأموریت کمک می‌کند. در مأموریت‌های آینده، عامل‌های هوش مصنوعی مانند نمونه اولیه SPARTAN می‌توانند به کنترل‌کنندگان پرواز کمک کنند تا حجم عظیمی از داده‌های مأموریت را برای پایش سیستم‌ها و تصمیم‌گیری‌های آنی غربال کنند.

سرعت‌بخشی به تصمیم‌گیری و مدیریت داده‌ها

هدف اصلی ادغام هوش مصنوعی در فرایندهای ناسا، پاسخگویی به چالش رو‌به‌رشد این سازمان در مدیریت و درک حجم عظیم داده‌های مأموریت است. لبلانک می‌گوید این سازمان هنگام آماده‌سازی برای آرتمیس ۲ که حجم عظیمی از اطلاعات را در میان تیم‌ها و سیستم‌های متعدد تولید کرد، با این واقعیت روبرو شد.

او می‌گوید: «من از حجم داده‌هایی که برای یک مأموریت منفرد که تنها ۱۰ روز به طول انجامید تولید کردیم، شگفت‌زده شدم. این امر تأثیر هوش مصنوعی را به اثبات می‌رساند. هر بار که مأموریتی به سمت ماه پرواز کند و با نزدیک‌تر شدن به احداث پایگاهی روی ماه، مقادیر مشابه یا حتی بیشتری از داده تولید خواهد شد. ما به ابزارهایی نیاز خواهیم داشت که به جمع‌آوری و یکپارچه‌سازی همه این داده‌ها کمک کنند.»

لبلانک می‌گوید ناسا در طول برنامه‌ریزی برای آرتمیس ۲ از ابزارهای هوش مصنوعی برای تولید توصیه‌های ایمنی و سناریوهای کاهش ریسک استفاده کرد تا به مدیران در تصمیم‌گیری کمک کند. به‌طور سنتی، هفته‌ها طول می‌کشید تا متخصصان اطلاعات را از منابع مختلف گردآوری کرده و داده‌ها را برای ارزیابی ریسک‌ها و آمادگی فضاپیما تحلیل کنند. لبلانک می‌گوید: «ابزارهای هوش مصنوعی این کار را در چند ثانیه انجام دادند؛ منظورم واقعاً چند ثانیه است.»

«سوجای کومار»، معاون رئیس آزمایشگاه علوم هیدرولوژی ناسا می‌گوید ذخایر عظیم داده‌های ماهواره‌ای، مشاهداتی و مدل‌سازی ناسا، موقعیت منحصربه‌فردی به این سازمان داده تا از هوش مصنوعی بهره‌مند شود. کومار می‌گوید: «برای انسان‌ها غیرممکن است که پتانسیل کامل و واقعی این مجموعه‌داده‌ها را کاوش کنند. ما مأموریت‌های فوق‌العاده زیادی داشته‌ایم و حجم عظیمی از داده‌ها را جمع‌آوری کرده‌ایم؛ و می‌توانم بگویم بخش خوبی از آن هنوز کاوش‌نشده باقی‌مانده است.»

کومار می‌افزاید: «اینجاست که برخی از این ابزارها، به‌ویژه هوش مصنوعی، برای کشف الگوها و دانش و فهم جدید می‌توانند کمک‌کننده باشند. من کاربردهای مختلف زیادی را در سراسر ناسا می‌بینم، از مأموریت‌ها گرفته تا علوم و استفاده از داده‌ها برای کاربردهای زندگی واقعی. من درباره آن هیجان‌زده هستم و این هیجان را در اینجا نیز مشاهده می‌کنم؛ این یک تغییر پارادایم است.»

«استخراج دانش علمی بیشتر»

ناسا دهه‌هاست که از اشکال مختلف هوش مصنوعی و یادگیری ماشین استفاده کرده است، از کمک به مریخ‌نوردها برای مسیریابی خودکار گرفته تا شناسایی ناهنجاری‌ها در سیستم‌های فضاپیما. اما به گفته استیرز-اسمیث، ظهور مدل‌های زبانی بزرگ و سیستم‌های هوش مصنوعی که قادر به تعامل با اطلاعات به روش‌های جدید هستند، استفاده از هوش مصنوعی را به فراتر از گروه کوچک متخصصانی که به‌طور سنتی با آن کار می‌کردند، گسترش داده است.

او می‌گوید: «هوش مصنوعی مأموریت اصلی ما نیست. ما یک سازمان اکتشاف و کاوش هستیم. ما از هوش مصنوعی به‌عنوان یکی از ابزارهای خود برای یافتن این فرصت‌ها یا پیشبرد آن‌ها استفاده می‌کنیم. ما با استفاده از هوش مصنوعی، دانش علمی بیشتری از داده‌هایی که در حال حاضر داریم استخراج می‌کنیم.»

به گفته او، یکی از بزرگ‌ترین فرصت‌ها برای ناسا، کمک به دانشمندان در ناسا و فراتر از آن برای کاوش در داده‌هایی است که به‌طور گسترده قابل‌دسترس نیستند. برای حل این چالش، ناسا با مایکروسافت همکاری کرد تا Earth Copilot و Hydrology Copilot را توسعه دهد؛ ابزارهای مبتنی بر هوش مصنوعی که برای کمک به کاربران جهت تعامل با داده‌های پیچیده از طریق زبان طبیعی طراحی شده‌اند.

تیم کومار به‌طور نزدیک با مهندسان مایکروسافت همکاری کرد تا Hydrology Copilot را ایجاد کند که به کاربران اجازه می‌دهد درباره داده‌های آب سؤال بپرسند تا مسائل مربوط به آب را بهتر درک کنند. این ابزار می‌تواند متغیرهایی مانند بارندگی و رطوبت خاک را تحلیل کند تا به جوامع در آماده‌سازی برای خشکسالی و پیش‌بینی خطرات سیل کمک کند. این ابزار محاسبات و تحلیل‌هایی را به‌طور خودکار انجام می‌دهد که در غیر این صورت نیازمند کارهای دستی زمان‌بر بود.

هدف، فراهم کردن دسترسی به اطلاعاتی است که زمانی نیازمند تخصص بالایی بود؛ برای مثال، یک کشاورز می‌تواند از Hydrology Copilot بپرسد که شرایط محیطی در آن سال در یک منطقه خاص چگونه بوده است. آژانس‌های محلی نیز می‌توانند بدون نیاز به تخصص فنی، شرایط آب را در مناطق خود بررسی کنند.

کومار می‌گوید: «من واقعاً معتقدم که این کار موجب همگانی‌سازی (دموکراتیزه کردن) داده‌ها خواهد شد. این موضوع فراتر از دانشمندان و متخصصانی است که نحوه کار با داده‌ها را می‌دانند و به یک فرد عادی امکان می‌دهد تا به‌سادگی به داده‌ها و اطلاعات حاصل از آن دسترسی پیدا کند.»

کومار اضافه می‌کند که هوش مصنوعی در حال تحول پیش‌بینی هواشناسی نیز هست. مدل‌های پایه ناسا (NASA Foundational Models) که بر روی دهه‌ها داده‌های علوم زمین و مدل‌های فیزیکی آموزش دیده‌اند، می‌توانند به شناسایی و شبیه‌سازی سریع‌تر الگوهای آب‌وهوایی کمک کنند. هوش مصنوعی همچنین پاسخ‌دهی سریع‌تر به بلایا را امکان‌پذیر می‌سازد، چرا که اجازه می‌دهد داده‌های ماهواره‌ای در لبه، یعنی نزدیک به جایی که ایجاد یا استفاده می‌شوند، پردازش شوند (Edge Computing)؛ به‌جای اینکه نیاز باشد ابتدا به زمین ارسال شوند.

کومار می‌گوید: «فرض کنید در حال نگاه کردن به زمین هستیم و سیلی در حال رخ‌دادن است. تا زمانی که داده‌ها را به زمین ارسال کنید و ما آن‌ها را پردازش کنیم، احتمالاً خیلی دیر شده است. اگر بتوانید نقشه سیل را در همان لحظه پردازش کرده و آن اطلاعات را مستقیماً ارائه دهید، این امر مسئله چند دقیقه خواهد بود و این تأثیر فوق‌العاده بزرگی ایجاد می‌کند.»

«امکانات بی‌نهایت است»

علاقه روزافزون ناسا به هوش مصنوعی در اولین هکاتون داده و هوش مصنوعی سراسری این سازمان در سال گذشته به نمایش درآمد. به استیرز-اسمیث توصیه شده بود که انتظار حدود ۳۰ شرکت‌ کننده را داشته باشد، اما بیش از ۵۰۰ کارمند ثبت‌نام کردند.

در میان پروژه‌های برنده، سیستمی از عامل‌های هوش مصنوعی بود که با استفاده از یک رابط چت به کاربران اجازه می‌دهد در پایگاه داده عمومی گسترده «درس‌‌آموخته‌های» (Lessons Learned) ناسا که حاوی دانش به ‌دست ‌آمده از دهه‌ها مأموریت و برنامه است، جستجو کنند. پروژه برنده دیگر از مدل‌های یادگیری ماشین برای توسعه راهکاری جهت تشخیص شدت آتش‌سوزی‌های جنگلی استفاده کرد تا از آتش‌نشانان و تجهیزات بهتر محافظت کند.

استیرز-اسمیث می‌گوید این هکاتون علاقه روزافزون کارمندان ناسا به استفاده از هوش مصنوعی در کارهای روزمره‌شان را برجسته کرد. او تصریح می‌کند: «اگر از هوش مصنوعی برای حل مشکل شخص دیگری استفاده کرده باشید، شاید اکنون در تفکر انتقادی درباره نحوه کارکرد هوش مصنوعی با مشکلی که خودتان دارید، بهتر شده باشید. من فکر می‌کنم این یک تکامل در هوش مصنوعی و جایی است که مردم در آن ارزش پیدا می‌کنند.»

برای استیرز-اسمیث، تلاش‌هایی مانند این هکاتون ارزش هوش مصنوعی را در پیوند دادن اطلاعات پراکنده در مخازن داده متعدد ناسا برجسته می‌کند. او اشاره می‌کند که تلاش‌های آینده مانند ساخت پایگاه ماه، مستلزم آن است که دانشمندان و مهندسان اطلاعات را از مجموعه وسیعی از منابع درباره عواملی از فعالیت‌های لرزه‌ای گرفته تا شرایط خورشیدی و ذخایر یخ جمع‌آوری کنند.

او می‌گوید: «ما داده‌های بسیار زیادی جمع‌آوری می‌کنیم. ما داده‌های جدید، داده‌های قدیمی، داده‌های ماهواره‌ای، تصاویر، ویدئوها و ضبط‌های صوتی داریم. فهرست‌بندی و پیوند دادن همه آن‌ها بسیار بسیار دشوار است. اگر بتوانیم از هوش مصنوعی برای شروع پیوند‌دادن این موارد استفاده کنیم، کشفیات بسیار بیشتری انجام خواهیم داد. امکانات واقعاً بی‌نهایت است.»

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.