NASA, Artemis programının gelecek görevlerine hazırlanırken Ay yüzeyinden elde edilen büyük miktardaki bilimsel verinin analizini kolaylaştırmak amacıyla IBM ile geliştirdiği yeni bir yapay zekâ modelini kullanıma sundu. NASA-IBM Lunar Foundation Model adı verilen açık kaynaklı temel model, araştırmacıların Ay yüzeyindeki kraterleri sınıflandırmasından buz bulunma ihtimali yüksek bölgelerin belirlenmesine kadar farklı analizlerde kullanılabiliyor. Hugging Face üzerinden indirilebilen model, özellikle Ay gözlemlerinde karşılaşılan sıra dışı ışık ve gölge koşullarını hesaba katacak biçimde eğitildi. NASA ve IBM tarafından yapılan ilk karşılaştırmalar da modelin bazı görüntü analizi görevlerinde mevcut genel amaçlı bilgisayarlı görü sistemlerinden daha başarılı olduğunu gösteriyor. Çalışma, Artemis II’nin 6 Nisan’da Reid Wiseman, Christina Koch, Victor Glover ve Jeremy Hansen ile gerçekleştirdiği Ay uçuşunun ardından NASA’nın insanlı Ay programının sonraki aşamalarına hazırlandığı bir dönemde duyuruldu.
IBM Research Avrupa, Birleşik Krallık ve İrlanda Direktörü Dr. Juan Bernabé-Moreno’ya göre temel model yapısı, sistemin tek bir göreve bağlı kalmadan farklı bilimsel problemlere uyarlanabilmesini sağlıyor. NASA ve IBM’in yaptığı deneylerden biri, Ay yüzeyinde buz bulunması muhtemel alanların tespitine odaklandı. Modelin tahminleri; arazi yapısı, sıcaklık ve diğer çevresel verilerin bir araya getirildiği, yayımlanmış bilimsel bir yöntemle hazırlanan haritayla karşılaştırıldı. Ardından aynı görev, Microsoft tarafından eğitilen ve yüksek çözünürlüklü görüntülerin işlenmesinde kullanılan SwinV2-B bilgisayarlı görü modeliyle tekrarlandı. NASA-IBM modeli bu karşılaştırmada hata oranını yüzde 23 azaltırken, SwinV2-B’nin seçilmesinin temel nedeni söz konusu sistemin pek çok görüntü analizi çalışmasında referans modellerden biri olarak kullanılması oldu.
NASA-IBM Lunar Foundation Model kraterleri daha az eğitim verisiyle tanıyabiliyor
Yeni modelin kraterleri belirleme ve sınıflandırma yeteneği de ayrı testlerden geçirildi. Bu görevde NASA-IBM Lunar Foundation Model, SwinV2-B’ye kıyasla yüzde 19 daha yüksek performans gösterirken eğitim için yalnızca yarısı kadar veriye ihtiyaç duydu. Sistemin gerçek bir değişikliği ayırt edip edemediğini sınamak için yakın zamanda oluşan bir çarpma bölgesi de kullanıldı. Kaynakta aktarılan bilgilere göre 5 Ağustos’ta Ay’a çarpan SpaceX Falcon 9 roketinin oluşturduğu bölgenin görüntüsü modele verildiğinde sistem, mevcut bir kraterle büyük ölçüde üst üste gelmesine rağmen yeni krateri ilk denemede doğru biçimde tespit etti. Bernabé-Moreno, bu testte elde edilen sonucu modelin Ay yüzeyindeki birbirine benzeyen jeolojik yapıların arasındaki değişiklikleri belirleyebilmesi açısından dikkat çekici buluyor.
İLGİNİZİ ÇEKEBİLİR
Meta’nın yeni yapay zekâ ajanı alışveriş yapıp e-posta gönderebiliyor
Muse yıllardır kullandığı kullanıcı adını Meta’nın yapay zekâsına kaptırdı
Üç yıl OpenAI ve Anthropic’te çalıştı, şimdi yapay zekâ yarışı için uyarıyor
WhatsApp hesabına beş farklı yapay zeka ajanı bağlanabilecek
Anthropic bilim insanlarının Claude ile tehlikeli araştırmalar yaptığını tespit etti
Ay görüntülerini analiz etmek, Dünya gözlemleri için geliştirilen bilgisayarlı görü modellerini kullanmaktan farklı sorunları beraberinde getiriyor. Dünya atmosferi Güneş ışığını dağıttığı için gölgelerin içinde de belirli miktarda ortam ışığı bulunuyor ve görüntülerdeki geçişler daha yumuşak oluşuyor. Ay’da atmosfer bulunmadığından gölgeler çok daha keskin ve neredeyse tamamen siyah görünüyor; dolayısıyla gölgede kalan pikseller bilimsel analiz açısından çok az bilgi taşıyabiliyor. Güneş’in konumu değiştikçe aynı kraterin aydınlanan ve karanlıkta kalan bölümleri de ciddi biçimde değiştiği için bir yüzey şekli farklı zamanlarda çekilen iki görüntüde oldukça farklı görünebiliyor. Bu koşullar, modelin yalnızca görüntülerdeki basit görsel benzerlikleri öğrenmesinin yeterli olmayacağı anlamına geliyor ve eğitim yönteminin Ay’ın kendine özgü görüntüleme şartlarına göre düzenlenmesini gerektiriyor.
Bilgisayarlı görü modellerinde yaygın eğitim yöntemlerinden biri, görüntünün büyük bir bölümünü gizleyip modelden öğrendiği örüntüler yardımıyla eksik alanı yeniden oluşturmasını istemeye dayanıyor. Örneğin bir kraterin yüzde 90’ı kapatılarak kalan yüzde 10’luk bölümden eksik kısmın tahmin edilmesi istenebiliyor. Ne var ki yörüngeden görüntülendiğinde çok sayıda Ay krateri birbirine benzediği için IBM’in geleneksel yöntemle yaptığı ilk eğitim denemeleri beklenen sonucu vermedi. Araştırma ekibi bunun üzerine Ay yüzeyini bir portakalın dilimleri gibi bölgelere ayırdı ve eğitimde kullanılan bölgelerle test için ayrılan bölgeleri tamamen birbirinden ayırdı. Böylece modelin eğitim sırasında gördüğü yüzeyleri ezberleyerek testlerde yapay biçimde yüksek başarı elde etmesi yerine, daha önce karşılaşmadığı bölgelerde tutarlı sonuç verip vermediğinin ölçülmesi mümkün hâle geldi.
Günün Öne Çıkan Fırsatları
REKLAM — Bu içerikte satış ortaklığı bağlantıları bulunmaktadır. Bu bağlantılar üzerinden yapılan alışverişlerden Teknoblog komisyon kazanabilir.
NASA ve IBM’in çalışmasının diğer dikkat çekici tarafını ise modelle birlikte açık kaynak olarak sunulan veri seti oluşturuyor. Veri setinde NASA’nın Lunar Reconnaissance Orbiter ve Gravity Recovery and Interior Laboratory görevlerinden gelen on binlerce görüntü ile cihaz ölçümü bulunuyor; bunlara Japonya’nın SELENE Ay görevinin verileri de ekleniyor. Araştırma ekibi farklı kaynaklardan gelen verileri ortak bir koordinat sistemi üzerinde eşleştirerek görüntülerdeki her pikselin diğer ölçüm türleriyle ilişkilendirilebildiği bir yapı oluşturdu. Bernabé-Moreno’ya göre ortaya çıkan eşleştirilmiş veri setinde iki milyondan fazla veri noktası bulunuyor ve bu kaynak gelecekte farklı araştırma ekiplerinin kendi Ay modellerini geliştirmesine de imkân verebilir. Yapay zekâ modelleri zaman içinde daha gelişmiş sistemlerle değiştirilebilse de düzenli, ortak biçimde kullanılabilen bilimsel verinin araştırmacılara uzun vadede daha geniş bir çalışma alanı sağlaması beklenebilir; NASA-IBM Lunar Foundation Model ise şimdilik krater sınıflandırması ve olası buz bölgelerinin belirlenmesi gibi somut görevlerde bu veri altyapısının neler sağlayabileceğini gösteriyor.
