مطالعه اقیانوس ها
همانطور که میدانید بیش از هفتاد درصد سطح زمین را اقیانوس های عمیق تشکیل میدهند.و این در حالی است که اگر بیش از ۲۳ متر به زیر سطح آب بروید بالای ۹۹ درصد نور از بین رفته و به تاریکی مطلق میرسید.
به همین دلیل بشر تاکنون توانسته تنها ۵ درصد اقیانوس ها را مورد مطالعه قرار دهد و ۹۵ درصد آن هنوز ناشناخته است.
پس برای مطالعه آن چه باید کرد؟
یک دانشجوی مهندسی به نام Daniel Deleon با استفاده از علاقه اش به موسیقی توانست سطح زیر آب را با صدا مطالعه کند.
مهمترین مشکل برای این کار داده ی زیادی است که به صورت صدا از آب دریافت می شود.
دنیل با استفاده از تنسورفلو (TensorFlow) ، ابزار اوپن سورس یادگیری ماشین گوگل، توانسته راهکاری بیابد که با تشخیص و تفکیک صدای وال‌های مختلف در زیر آب روش زندگی این موجودات خارق‌العاده را مطالعه کند.
وال ها بلندترین صدا را میان موجودات دارند، به عبارت دیگر کمترین فرکانس صوتی را تولید میکنند که آن ها را به بهترین گزینه برای مطالعه تبدیل کرده است.
TensorFlow یادگیری زبان ماشین به وسیله ی هوش مصنوعی
تنسورفلو یک کتابخانه اپن سورس و هوشمند است. این کتابخانه توسط تیم google brain برای کاربری های مختلف همچون بهبود الگوریتم های جستجوی تصاویر در google photosو ارتقا توانایی تشخیص سخن google voice توسعه داده شده است.
این نرم افزار برای برنامه ریزی کردن حجم اطلاعات از میان مقدار زیادی اطلاعات طراحی شده است. و این کتابخانه همچنین در نرم افزار های یادگیری زبان ماشین استفاده میشود.
برای تفهیم طرز کار این سیستم از مثال تصاویر گوگل استفاده میکنیم. در این مثال تنسورفلو با دریافت تصاویر یک الگوی خاص را تشخیص میدهد و طبق آن تصاویر را از هم تفکیک میکند.
به طور مثال زمانی که عکس یک گربه را دریافت میکند از روی طول سبیل آن تشخیص میدهد که گربه است. کار این کتابخانه به این صورت است که ماشین یک عکس را دریافت کرده و میگوید که این تصویر یک گربه است. اگر جواب ماشین درست بود که هیچ!
اما اگر جواب ماشین غلط بود نرم افزار به دنبال یک الگوی دیگر برای تشخیص عکس میگردد.
چگونگی تشخیص صدای وال توسط TensorFlow
همانطور که در قسمت قبل فهمیدیم تنسورفلو یک ابزار تصویری است.
در ابتدا صدا را با میکروفن های مخصوص زیر آب (hydrophone) دریافت میکنند. برای اینکه صدای زیاد فیلتر شود و تنها صدای وال ذخیره شود از میکروفن های مخصوص فرکانس پایین (MBARI hydrophone)استفاده میشود که از فاصله ی ۵۰۰ کیلومتری صدای وال را دریافت میکند. سپس این صدا را که به صورت سیگنال آنالوگ هست، به داده تصویری(spectrogram) تبدیل میکنند. که یک الگو برای تشخیص صدای وال است. سپس این داده های تصویری را به تنسورفلو میدهند و هر چه تعداد داده ی بیشتری به این نرم افزار داده شود الگوی آن برای تفکیک صداها دقیق تر میشود.
سپس دانشمندان توانستند با این نرم افزار وسیله ای خودکار برای تشخیص صدای وال ها و بررسی زندگی آن ها طراحی کنند.
به این صورت میتوان به وسیله ی شناخت انواع وال ها و گونه های در حال انقراض آن ها با تغییردر الگوی مهاجرتشان آن ها را نجات داد.
و این اتفاق بزرگ تنها بدلیل ایده پردازی و ترکیب علوم توسط یک دانشجوی مهندسی بود!
منبع : مجله اینترنتی همسنجی